- Home
- Τεχνητή νοημοσύνη
Τεχνητή νοημοσύνη
Δημοσιεύσεις Ελλήνων Ερευνητών
Christos Stefanis, Elpida Giorgi, Konstantinos Kalentzis, Athanasios Tselemponis, Evangelia Nena, Christina Tsigalou, Christos Kontogiorgis, Yiannis Kourkoutas, Ekaterini Chatzak, Ioannis Dokas, Theodoros Constantinidis and Eugenia Bezirtzoglou
Frontiers in Public Health, Volume 112023, Article number 1191730, https://doi.org/10.3389/fpubh.2023.1191730
Published: 18 July 2023
Theofanis Papadopoulos, Ioannis Kosmas, Georgios Botsoglou, Nikolaos I. Dourvas, Christoniki Maga-Nteve and Christos Michalakelis
Electronics 2023, 12(18), 3806, https://doi.org/10.3390/electronics12183806
Published: 8 September 2023
Επιστημονικές Δημοσιεύσεις Ανοικτής Πρόσβασης
Role of biological Data Mining and Machine Learning Techniques in Detecting and Diagnosing the Novel Coronavirus (COVID-19): A Systematic Review
Albahri, A.S., Hamid, R.A., et al.
Albahri, A.S., Hamid, R.A., et al.
Journal of Medical Systems, Volume 44, Issue 7, 1 July 2020, Article number 122
Αυτή η συστηματική ανασκόπηση εξετάζει εφαρμογές AI που βασίζονται σε αλγόριθμους εξόρυξης δεδομένων και μηχανικής μάθησης (ML) για την ανίχνευση του ιού και για τη διάγνωση COVID-19.
Vaid, S., McAdie, A., Kremer, R. et al.
International Orthopaedics (SICOT) 44, 1581–1589 (2020) DOI: https://doi.org/10.1007/s00264-020-04653-3
Issue Date: August 2020
Χρησιμοποιείται ένα πλαίσιο τεχνητής νοημοσύνης βασισμένο στο χρονοδιάγραμμα των κυβερνητικών παρεμβάσεων για την ανάσχεση της covid-19. Η μελέτη προτρέπει τους υπεύθυνους χάραξης πολιτικής να λάβουν υπόψη αυτά τα αποτελέσματα καθώς προχωρούν σε χαλάρωση των περιοριστικών μέτρων.
Review on the Evaluation and Development of Artificial Intelligence for COVID-19 Containment
Hasan, Md Mahadi, Islam, Muhammad Usama, Sadeq, Muhammad Jafar, Fung, Wai-Keung, Uddin, Jasim
Sensors 2023, 23(1), 527; https://doi.org/10.3390/s23010527
Hasan, Md Mahadi, Islam, Muhammad Usama, Sadeq, Muhammad Jafar, Fung, Wai-Keung, Uddin, Jasim
Sensors 2023, 23(1), 527; https://doi.org/10.3390/s23010527
Published: 3 January 2023
Αυτή η μελέτη παρουσιάζει μια ολοκληρωμένη ανασκόπηση της τεχνητής νοημοσύνης με ιδιαίτερη εστίαση στις μελέτες μηχανικής μάθησης, βαθιάς μάθησης, επεξεργασίας εικόνας, ανίχνευσης αντικειμένων, τμηματοποίησης εικόνων και εκμάθησης λίγων λήψεων, που χρησιμοποιήθηκαν σε διάφορες εργασίες σχετικά με την COVID-19.
Review of artificial intelligence-assisted COVID-19 detection solutions using radiological images
Yousefpanah, K.; Ebadi, M. J.
Journal of Electronic Imaging, Vol. 32, Issue 2, 021405, 2023, https://doi.org/10.1117/1.JEI.32.2.021405
Yousefpanah, K.; Ebadi, M. J.
Journal of Electronic Imaging, Vol. 32, Issue 2, 021405, 2023, https://doi.org/10.1117/1.JEI.32.2.021405
22 September 2022
Οι μέθοδοι τεχνητής νοημοσύνης θεωρούνται γρήγορες τεχνικές και ισχυρά εργαλεία για τον έλεγχο της ασθένειας COVID-19. Αυτή η ανασκόπηση εξετάζει άρθρα που μελετούσαν συστήματα βασισμένα σε τεχνητή νοημοσύνη, τα οποία χρησιμοποιούσαν ακτινολογικές εικόνες, όπως ακτίνες Χ και εικόνες αξονικής τομογραφίας (CT) για τη διάγνωση της COVID-19. Εστιάζει ειδικά σε συστήματα που βασίζονται σε βαθιά μάθηση (deep learning) για τον προσυμπτωματικό έλεγχο ασθενών με COVID-19.
Elie Dolgin
Nature, 2023, https://doi.org/10.1038/d41586-023-01487-y
Published: 02 May 2023
Ένα εργαλείο τεχνητής νοημοσύνης (AI) που βελτιστοποιεί τις αλληλουχίες γονιδίων που βρίσκονται στα εμβόλια mRNA θα μπορούσε να βοηθήσει στη δημιουργία εμβολίων με μεγαλύτερη ισχύ και σταθερότητα, που θα μπορούσαν να φτάσουν σε όλο τον κόσμο. Αναπτύχθηκε από επιστήμονες στο τμήμα στην Καλιφόρνια της Baidu Research, μιας εταιρείας τεχνητής νοημοσύνης με έδρα το Πεκίνο. Το λογισμικό δανείζεται τεχνικές από την υπολογιστική γλωσσολογία για να σχεδιάσει ακολουθίες mRNA με σχήματα και δομές πιο περίπλοκες από αυτές που χρησιμοποιούνται στα τρέχοντα εμβόλια. Αυτό επιτρέπει στο γενετικό υλικό να παραμείνει για περισσότερο από το συνηθισμένο. Όσο πιο σταθερό είναι το mRNA που φτάνει στα κύτταρα ενός ατόμου, τόσο περισσότερα αντιγόνα παράγονται από τον μηχανισμό παραγωγής πρωτεϊνών στο σώμα αυτού του ατόμου. Αυτό, με τη σειρά του, οδηγεί σε αύξηση των προστατευτικών αντισωμάτων, καθιστώντας θεωρητικά τα ανοσοποιημένα άτομα καλύτερα εξοπλισμένα για να αντιμετωπίσουν τις μολυσματικές ασθένειες.
Roa'a Mohammedqasem, Hayder Mohammedqasim, Oguz Ata
Computers and Electrical Engineering, Volume 100, 2022, 107971, ISSN 0045-7906, https://doi.org/10.1016/j.compeleceng.2022.107971.
May 2022
H παρούσα μελέτη προτείνει ένα σύστημα εντοπισμού της νόσου COVID-19 σε πραγματικό χρόνο, που βασίζεται στο Διαδύκτυο των πραγμάτων. Οι αλγόριθμοι που βασίζονται στην τεχνητή νοημοσύνη αποτελούν μια εναλλακτική λύση λήψης αποφάσεων για την εξαγωγή πολύτιμων πληροφοριών από κλινικά δεδομένα.
Computers and Electrical Engineering, Volume 100, 2022, 107971, ISSN 0045-7906, https://doi.org/10.1016/j.compeleceng.2022.107971.
May 2022
H παρούσα μελέτη προτείνει ένα σύστημα εντοπισμού της νόσου COVID-19 σε πραγματικό χρόνο, που βασίζεται στο Διαδύκτυο των πραγμάτων. Οι αλγόριθμοι που βασίζονται στην τεχνητή νοημοσύνη αποτελούν μια εναλλακτική λύση λήψης αποφάσεων για την εξαγωγή πολύτιμων πληροφοριών από κλινικά δεδομένα.
Donthi Sankalpa, Salam Dhou, Michel Pasquier and Assim Sagahyroon
Appl. Sci. 2024, 14(10), 4022, https://doi.org/10.3390/app14104022
Published: 9 May 2024
Κατά τη διάρκεια της πανδημίας COVID-19, τα Ηνωμένα Αραβικά Εμιράτα ανέλαβαν πολλές πρωτοβουλίες, όπως παρακολούθηση και ιχνηλάτηση επαφών μέσω εφαρμογών για κινητά, αναχαίτιση της εξάπλωσης με περιορισμό των συγκεντρώσεων, διαδικτυακή εκπαίδευση, εξ αποστάσεως εργασία, εγκαταστάσεις υγιεινής και κλείσιμο δημόσιων χώρων. Ο στόχος αυτής της εργασίας είναι η πρόβλεψη των τάσεων σε μια πανδημία, με την COVID-19 στα Ηνωμένα Αραβικά Εμιράτα να αποτελεί μια ειδική μελέτη περίπτωσης προς διερεύνηση.
Predicting Infections in the Covid-19 Pandemic - Lessons Learned
Zehtabian, S.; Khodadadeh, S.; Turgut, D.; Bölöni, L.
Studies in Computational Intelligence, vol 1060. Springer, Cham. 279-291, 2023, https://doi.org/10.1007/978-3-031-14771-5_20
Zehtabian, S.; Khodadadeh, S.; Turgut, D.; Bölöni, L.
Studies in Computational Intelligence, vol 1060. Springer, Cham. 279-291, 2023, https://doi.org/10.1007/978-3-031-14771-5_20
Published 29 November 2022
Καθ' όλη τη διάρκεια της πανδημίας Covid-19, καταβλήθηκε σημαντική προσπάθεια για την ανάπτυξη τεχνικών που προβλέπουν τον αριθμό των λοιμώξεων υπό διάφορες υποθέσεις σχετικά με τη δημόσια πολιτική και τις μη φαρμακευτικές παρεμβάσεις. Ενώ, τόσο τα διαθέσιμα δεδομένα όσο και η πολυπλοκότητα των μοντέλων τεχνητής νοημοσύνης και η διαθέσιμη υπολογιστική ισχύς υπερβαίνουν όσα ήταν διαθέσιμα τα προηγούμενα χρόνια, η συνολική επιτυχία των προσεγγίσεων πρόβλεψης ήταν πολύ περιορισμένη. Αυτό το άρθρο ξεκινά από τους αλγόριθμους πρόβλεψης που προτείνονται για το XPrize Pandemic Response Challenge και εξετάζει διάφορες κατευθύνσεις που θα μπορούσαν να επιτρέψουν τη βελτίωσή τους. Στη συνέχεια, διερευνά την απόδοσή τους σε μεσοπρόθεσμες προβλέψεις, που εκτείνονται σε διάστημα αρκετών μηνών.