مقدمه
وقتی برای اولین بار به مطب یک پزشک پوست مراجعه میکنید، ممکن است با خودتان فکر کنید: «چطور این پزشک فقط با یک نگاه سریع میفهمد این خال روی دست من بیضرر است یا ممکن است نشانه یک بیماری پوستی خطرناک باشد؟» فقط با یک نگاه؟ واقعاً چگونه چنین چیزی امکانپذیر است؟ راز این توانایی، در سالها آموزش، تمرین مداوم و کسب تجربههای بالینی متعدد نهفته است. یک پزشک متخصص پوست در طول دوران تحصیل و کار خود، هزاران بیمار را معاینه کرده، در کنار اساتید خود عکسها، نمونهها و اسلایدهای بیشماری را بررسی کرده و مغز او به تدریج یاد گرفته که چگونه الگوهای بسیار ظریف را تشخیص دهد. این یک فرآیند تدریجی، پیچیده و پویا از یادگیری است: دیدن یک مورد بالینی، دریافت بازخورد (از استاد یا جواب آزمایش پاتولوژی)، و سپس به خاطر سپردن آن الگو برای دفعات بعد.یک پزشک متخصص پوست برای کسب این تجربه ارزشمند و به اصطلاح «چشم برزخی» در تشخیص بیماریها، حداقل ۱۱ سال در دانشکده پزشکی و دورههای تخصصی زمان صرف کرده و ممکن است این مسیر را تا ۳۰ الی ۴۰ سال کار عملی ادامه دهد تا به بالاترین حد از تسلط برسد.⚠️ سلب مسئولیت پزشکی و ماهیت ابزار
اطلاعات و تحلیلهای ارائهشده در این مقاله و پلتفرم هوش مصنوعی آیویدیا، صرفاً جنبه آموزشی، غربالگری اولیه و افزایش آگاهی عمومی دارند. این ابزار به هیچ وجه جایگزین معاینه حضوری، بیوپسی (نمونهبرداری بافتی) یا تشخیص نهایی پزشک متخصص پوست نیست. در صورت وجود هرگونه ضایعه مشکوک، در حال تغییر یا دردناک، مراجعه به پزشک متخصص الزامی است. جهت دریافت ارزیابی تخصصی بالینی و صدور نسخه معتبر، میتوانید از سرویس ویزیت آنلاین پزشک عمومی آیویدیا استفاده نمایید.
حالا تصور کنید که بتوانیم این فرآیند یادگیری طولانیمدت را سرعت ببخشیم و آن را از چند دهه به چند ساعت تا چند روز برسانیم. آیا واقعاً امکانپذیر است که ۳۰ سال تجربه گرانبهای یک پزشک را در چند ساعت به یک سیستم کامپیوتری آموزش داد؟ این دقیقاً کاری است که فناوری انقلابی تشخیص ضایعات پوستی با هوش مصنوعی انجام میدهد. در این مقاله جامع، به طور کامل و علمی بررسی میکنیم که این فناوری هوشمند چگونه کار میکند، روند یادگیری آن چقدر به مسیر آموزش یک پزشک شباهت دارد، تا چه حد میتوان به نتایج آن اعتماد کرد، و چگونه این تکنولوژی به عنوان یک دستیار قدرتمند در خدمت بیماران و پزشکان قرار میگیرد.🤖 آنالیز فوری ضایعه پوستی با هوش مصنوعی
همین حالا میتوانید با گرفتن یک عکس واضح از خال یا ضایعه پوستی خود و آپلود آن در مدل ۷۲۴ آیویدیا، تحلیل اولیه احتمالی را در کمتر از ۱ دقیقه دریافت کنید.
فصل اول: پزشک پوست در دانشکده پزشکی نحوه تشخیص ضایعات پوستی را چگونه میآموزد؟
تربیت یک درماتولوژیست (متخصص پوست) یک فرآیند گامبهگام و بسیار سختگیرانه است. ذهن انسان برای اینکه بتواند تفاوتهای میکروسکوپی و ظریف میان بیماریهای جلدی را شناسایی کند، باید مراحل منظمی را پشت سر بگذارد:مرحله اول: یادگیری تئوری و فیزیولوژی پایه
یک دانشجوی پزشکی ابتدا باید ساختار طبیعی پوست (اپیدرم، درم و هیپودرم)، فیزیولوژی، عملکرد سد دفاعی پوست و نحوه ترشح ملانین و چربی را به طور عمیق یاد بگیرد. او صدها کتاب مرجع را مطالعه میکند تا متوجه شود یک پوست سالم در سنین مختلف و تحت شرایط گوناگون محیطی چه ظاهری دارد. این مرحله، شالوده و پایه علمی ذهن او را شکل میدهد.مرحله دوم: حضور در کلینیک و مشاهده بیماران واقعی
پس از پایهگذاری مباحث تئوری، کارآموزی بالینی آغاز میشود. دانشجو وارد کلینیکهای شلوغ پوست شده و تحت نظارت مستقیم اساتید باسابقه کار میکند. در این مرحله، او یک ضایعه پوستی را روی بدن بیمار مشاهده کرده، ویژگیهای ظاهری آن (رنگ، اندازه، مرزها، بافت و محل قرارگیری) را بررسی میکند و یک تشخیص احتمالی را مطرح میسازد. سپس استاد راهنما بازخورد فوری میدهد: آیا تشخیص او درست بوده است یا خیر؟ اگر اشتباه باشد، علت آن چیست؟ این فرآیند اصلاح و فیدبک گرفتن مداوم، کلید طلایی یادگیری بالینی است. ذهن دانشجو یاد میگیرد که فرضیات خود را بر اساس واقعیتهای علمی و نظرات اساتید تصحیح کند.مرحله سوم: شکلگیری الگوها در ذهن و بایگانی مغزی
پس از مشاهده صدها و هزاران بیمار واقعی با عوارض گوناگون – از خالهای خوشخیم و معمولی، کک و مک، جوش صورت و جوشهای هورمونی گرفته تا بیماریهای خودایمنی مانند پسوریازیس، انواع اگزما، کهیر، عفونتهای مسری و سرطانهای پوستی مانند ملانوما – مغز پزشک یک کتابخانه غنی و طبقهبندیشده از الگوهای بصری ایجاد میکند. به عنوان مثال، در مورد ضایعات خالمانند، ذهن او به طور ناخودآگاه فرمولهای طلایی تشخیص را به کار میگیرد:- خالهای خوشخیم (Benign Moles): معمولاً متقارن هستند، حاشیههای منظم و صاف دارند، رنگ آنها یکنواخت (مثلاً قهوهای یکدست) است و قطر آنها تغییر ناگهانی نمیکند.
- ضایعات بدخیم یا ملانوما (Malignant Melanoma): نامتقارن هستند، حاشیههای دندانهدار، ناهموار یا محو دارند، شامل چندین رنگ مختلف (قهوهای، مشکی، قرمز یا آبی) در یک ضایعه هستند و قطر آنها معمولاً بزرگتر از ۶ میلیمتر است یا به سرعت تغییر شکل میدهند.
مرحله چهارم: تخصصیابی و شهود بالینی
پس از سالها تمرین و ممارست، پزشک به نقطهای از تسلط میرسد که حتی قبل از دریافت نتایج نمونهبرداری آزمایشگاهی (پاتولوژی)، میتواند با دیدن ظاهر یک ضایعه با اطمینان بسیار بالا حدس بزند که آیا خطرناک است یا خیر. این مهارت بالا که گاهی به آن «شهود بالینی» یا چشم برزخی پزشک گفته میشود، در واقع خروجی یک مدل پردازش الگو در شبکههای عصبی بیولوژیکی مغز اوست که در طول چندین دهه و با دیدن هزاران نمونه واقعی کالیبره شده است.
فصل دوم: هوش مصنوعی چگونه «پزشک» میشود؟ تقلید از مسیر یادگیری انسان
سیستمهای مبتنی بر هوش مصنوعی دکتر پوست دقیقاً همین مسیر یادگیری زیستی انسان را بازسازی میکنند، اما این کار را با سرعت فوقالعاده بالاتر و در مقیاس دادههای عظیم رایانهای انجام میدهند. بیایید ببینیم که چگونه کدهای برنامهنویسی و ریاضیات میتوانند تجربه ۳۰ ساله یک پزشک را شبیهسازی کنند:۱. ساختار شبکه عصبی مصنوعی: بازسازی نورونهای مغز
برنامهنویسان و دانشمندان داده، به جای مغز بیولوژیکی، از ساختاری به نام شبکههای عصبی مصنوعی (Artificial Neural Networks) استفاده میکنند. در پیشرفتهترین مدلهای تشخیص تصویر پوست، مانند مدل ۷۲۴ آیویدیا، یک معماری هیبریدی و ترکیبی به کار گرفته شده است. این ساختار از دو بخش اصلی تشکیل شده است:- شبکه عصبی پیچشی (CNN – ResNet50): این لایهها وظیفه استخراج ویژگیهای محلی، بافتهای ریز پوست، رنگدانهها و مرزهای ضایعه را بر عهده دارند.
- Swin-Transformer: این مدل پیشرفته روابط فضایی سراسری، تقارن کلی ضایعه و بافتار کلی تصویر را پردازش میکند تا درک بهتری از ساختار کلی ضایعه به دست آورد.
۲. فاز کارآموزی: آموزش با میلیونها تصویر بالینی
هوش مصنوعی به جای حضور در بخشهای بیمارستانی، وارد یک مرکز داده (Datacenter) عظیم میشود. برای آموزش مدل، پایگاههای داده بزرگی مانند DermNet NZ و دیگر اطلسهای پوست به همراه میلیونها تصویر پزشکی واقعی با وضوح بالا به سیستم داده میشود. نکته بسیار مهم این است که برای هر تصویر، یک «برچسب تشخیص» (Label) وجود دارد. این برچسبها توسط برجستهترین اساتید درماتولوژی دنیا و بر اساس نتایج قطعی آزمایشهای پاتولوژی ثبت شدهاند. این برچسبها دقیقاً نقش همان «استاد راهنما» را بازی میکنند که به دانشجو میگوید تشخیصش درست بوده است یا خیر.
۳. چرخه تمرین، تنظیم وزنها و ریاضیات بهینهسازی
فرآیند یادگیری هوش مصنوعی یک حلقه تکرارشونده و ریاضی است که در آن مراحل زیر میلیونها بار طی ثانیهها تکرار میشوند:- یک تصویر ضایعه پوستی به شبکه داده میشود.
- شبکه با توجه به وضعیت فعلی نورونهای خود، یک پیشبینی احتمالی انجام میدهد (مثلاً: ۷۵٪ احتمال اگزما، ۲۵٪ احتمال پسوریازیس).
- پاسخ شبکه با تشخیص پاتولوژی واقعی (استاد راهنما) مقایسه میشود.
- یک تابع خطا (Loss Function) میزان اشتباه مدل را محاسبه میکند.
- با استفاده از فرآیند ریاضی پسانتشار خطا (Backpropagation) و الگوریتمهای بهینهسازی، پارامترها و وزنهای داخلی لایههای شبکه به طور خودکار به مقدار بسیار کمی تغییر میکنند تا در دفعات بعدی خطای کمتری رخ دهد.
۴. تشخیص و استخراج ویژگی در کسری از ثانیه
وقتی شما عکس ضایعه پوستی خود را در پلتفرم آیویدیا بارگذاری میکنید، مدل آموزشدیده ۷۲۴ فعال میشود. تصویر در کسری از ثانیه پردازش شده، با تمام الگوهایی که در طول دوره فشرده کارآموزی خود آموخته مقایسه میشود و گزارشی شامل موارد زیر تولید میکند:- دستهبندی ضایعه در میان ۲۳ کلاس شایع بیماریهای پوستی.
- تعیین درصد اطمینان سیستم برای هر تشخیص احتمالی.
- هایلایت کردن و مشخص کردن نواحی از تصویر که بیشترین نقش را در تصمیمگیری مدل داشتهاند (مکانیسم توضیحپذیری یا Grad-CAM) تا کاربر و پزشک متوجه شوند هوش مصنوعی بر اساس چه ویژگیهایی این نتیجه را گرفته است.
فصل سوم: مقایسه علمی: پزشک مقابل هوش مصنوعی
آیا یک سیستم کامپیوتری واقعاً میتواند با دقت و تجربه یک پزشک متخصص پوست رقابت کند؟ این سؤالی است که تاکنون موضوع چندین پژوهش علمی بسیار معتبر و بینالمللی بوده است. نتایج این مطالعات نشان میدهند که هوش مصنوعی نه تنها یک رقیب سرسخت، بلکه یک ابزار کمکی خارقالعاده است:📊 مطالعه تاریخی سال ۲۰۱۷ (Man against Machine)
در یک مطالعه بسیار معروف که نتایج آن در مجله معتبر Annals of Oncology منتشر شد، یک الگوریتم هوش مصنوعی مبتنی بر یادگیری عمیق در مقابل ۵۸ متخصص پوست برجسته از ۱۷ کشور جهان قرار گرفت. وظیفه آنها تشخیص ملانومای بدخیم از خالهای معمولی در مجموعهای از تصاویر درماتوسکوپی بود. نتایج شگفتانگیز بود: هوش مصنوعی توانست ۹۵٪ از ملانوماها را به درستی شناسایی کند، در حالی که میانگین تشخیص درست پزشکان متخصص پوست ۸۶.۶٪ بود. این نشان داد هوش مصنوعی در ردیابی الگوهای بدخیم سرعت و حساسیت بالاتری از خود نشان میدهد.
- عدم خستگی و سوگیری: پزشکان انسان تحت تأثیر عواملی مانند خستگی ناشی از شیفتهای طولانی، عجله، شلوغی کلینیک و سوگیریهای ذهنی ناخودآگاه قرار میگیرند. هوش مصنوعی بدون خستگی، همیشه با یک سطح از دقت تصویر را اسکن میکند.
- حافظه تصویری بیانتها: یک پزشک در طول عمر خود نهایتاً میتواند چند ده هزار بیمار را ببیند، اما هوش مصنوعی میتواند میلیونها تصویر بالینی را در حافظه فعال خود نگه داشته و در یک ثانیه آنها را با هم مقایسه کند.
- تشخیص ویژگیهای نامرئی: سیستمهای پردازش تصویر میتوانند تغییرات ظریف در توزیع رنگدانه یا هندسه مرزها را شناسایی کنند که چشم غیرمسلح انسان قادر به تفکیک آنها نیست.
بخش چهارم: جدول مقایسه علمی گروههای اصلی ضایعات جلدی
برای درک بهتر تنوع عوارض پوستی شایع که توسط مدل هوش مصنوعی اسکن و دستهبندی میشوند، جدول مقایسهای زیر ویژگیهای بصری و میزان فوریت هر گروه را نشان میدهد:| گروه بیماری | مثالهای شایع | ویژگیهای بصری و الگوها | فوریت و توصیه اولیه آیویدیا |
|---|---|---|---|
| التهابی و اگزمایی | اگزما، پسوریازیس، کهیر | قرمزی، پوستهریزی، خشکی، خارش موضعی شدید، عدم مرزبندی دقیق | مراقبتهای روتین، هیدراتاسیون پوست، ویزیت آنلاین جهت نسخه پماد موضعی |
| عفونی (باکتریایی/قارچی) | سلولیت، زردزخم، قارچ پوستی | تاولهای عسلی، لکههای حلقوی با لبه فعال، قرمزی داغ و متورم | متوسط به بالا: نیاز به ارزیابی سریع پزشک جهت تجویز آنتیبیوتیک یا ضدقارچ مناسب |
| انگلی و مسری | بیماری گال (Scabies) | خارش شدید شبانه، کانالهای خطی ریز بین انگشتان و مچ دست | بالا: قرنطینه خانوادگی، مراجعه فوری به پزشک و شروع درمان همزمان اعضای خانواده |
| ضایعات پیگمانته و خالها | خال معمولی، ملانوم بدخیم | عدم تقارن، تغییر رنگ چندگانه، لبههای نامنظم و دندانهدار | بسیار بالا (در صورت تغییر شکل): مراجعه حضوری فوری به متخصص پوست جهت درماتوسکوپی و بیوپسی |
فصل پنجم: کاربرد برای شما: یک ابزار غربالگری قدرتمند در جیب شما
شاید بپرسید این فناوری پیچیده چگونه میتواند در زندگی روزمره به ما کمک کند؟ پاسخ ساده است: هوش مصنوعی آیویدیا مانند یک مشاور اولیه پوست همیشه همراه شماست.- دسترسی همگانی و سریع: در بسیاری از مناطق دورافتاده کشور، دسترسی به پزشک متخصص پوست با چالشهای زیادی همراه است. با این ابزار، هر فردی با یک گوشی هوشمند میتواند در کمتر از یک دقیقه پوست خود را غربالگری کند.
- کاهش اضطرابهای سایبری: جستجوی علائم پوستی در گوگل معمولاً منجر به ترس و نگرانی بیمورد از سرطانهای پوستی میشود. گزارش آیویدیا با ارائه تحلیلهای احتمالی علمی و توصیههای منطقی، به آرامش ذهن شما کمک میکند.
- پایش روند تغییرات خالها: شما میتوانید با گرفتن عکسهای منظم در بازههای زمانی مشخص (مثلاً هر ۳ ماه یکبار)، روند تغییرات اندازه، رنگ و شکل خالهای خود را زیر نظر بگیرید و از تغییرات زودهنگام باخبر شوید.
چگونه از پلتفرم آیویدیا استفاده کنیم؟ (راهنمای گامبهگام عکاسی)
دقت تشخیص هوش مصنوعی به شدت به کیفیت تصویر ارسالی شما وابسته است. برای دریافت بهترین نتیجه، دستورالعملهای زیر را دنبال کنید:- نور مناسب را فراهم کنید: ترجیحاً در طول روز و در نزدیکی پنجره با نور طبیعی عکس بگیرید. نورهای مصنوعی زرد یا فلاش مستقیم دوربین میتوانند رنگ ضایعه را تغییر داده و مدل را به اشتباه بیندازند.
- فوکوس دوربین را تنظیم کنید: دوربین گوشی را در فاصله ۱۰ تا ۱۵ سانتیمتری ضایعه نگه دارید. مطمئن شوید که تصویر کاملاً واضح (Sharp) است و هیچگونه تاری یا لرزش در آن وجود ندارد.
- کادربندی صحیح داشته باشید: تصویر باید فقط شامل ضایعه پوستی مورد نظر و مقدار کمی از پوست سالم اطراف آن باشد. از قرار دادن موها، لباس، جواهرات یا سایهها در کادر عکس خودداری کنید.
طراحی روتین پوستی هوشمند با آیویدیا
علاوه بر اسکن تصاویر بیماری، پلتفرم آیویدیا مجهز به ابزار پیشرفته دیگری به نام آنالیزور و روتینساز پوست آیویدیا است. این ابزار یک کوییز آنلاین و تعاملی ۱۰ مرحلهای است که اطلاعات کاملی شامل حس پوست (خشک، چرب، مختلط، حساس)، اهداف درمانی (آکنه، لک، جوش، چروک)، سن، میزان نوشیدن آب، کیفیت خواب، بودجه ماهانه خرید محصولات و آلرژیهای پوستی شما را جمعآوری میکند.در نهایت، موتور پردازش جاوا اسکریپت آیویدیا یک روتین اختصاصی شامل شوینده، تونر، مرطوبکننده، ضدآفتاب و محصولات درمانی برای صبح، شب و مراقبتهای هفتگی به همراه فایل PDF قابل دانلود تولید کرده و محصولات متناسب با بودجه شما را معرفی میکند.فصل ششم: کاربرد برای پزشکان: یک دستیار تشخیصی هوشمند
فناوری هوش مصنوعی قرار نیست جایگزین پزشکان شود، بلکه به عنوان یک همکار و دستیار خستگیناپذیر در کنار آنها قرار میگیرد. پزشکان عمومی، کادر درمان و حتی متخصصان پوست میتوانند از مزایای این فناوری بهرهمند شوند:- نظر دوم فوری (Second Opinion): پزشکان در مواجهه با موارد مبهم یا نادر میتوانند تصویر را در پلتفرم اسکن کرده و از نتایج آماری مدل به عنوان یک نظر دوم سریع برای تقویت تشخیص خود استفاده کنند.
- تریاژ و اولویتبندی بیماران در کلینیکها: در مراکز درمانی شلوغ، سیستمهای هوش مصنوعی با اسکن اولیه ضایعات بیماران، میتوانند موارد مشکوک به سرطان پوست یا عفونتهای حاد را شناسایی کرده و آنها را در صف معاینه فوری قرار دهند.
- جلوگیری از خطاهای تشخیصی: هوش مصنوعی با هایلایت کردن ویژگیهای بصری ظریف ضایعه، به پزشکان کمک میکند تا جزئیاتی را که ممکن است به دلیل خستگی کار روزانه از قلم بیفتند، دوباره بررسی کنند.
فصل هفتم: محدودیتها، افتراقها و آینده هوش مصنوعی
با وجود همه مزایای ذکرشده، بسیار حیاتی است که کاربران با محدودیتهای فنی این فناوری نیز آشنا باشند تا استفادهای ایمن و درست داشته باشند:- عدم قطعیت مطلق در تشخیص: خروجی هوش مصنوعی یک پیشبینی آماری بر اساس احتمالات ریاضی است، نه یک تشخیص نهایی پزشکی. هیچ ابزار دیجیتالی در دنیا نمیتواند جایگزین بیوپسی (نمونهبرداری بافتی) شود که استاندارد طلایی تشخیص سرطان است.
- وابستگی شدید به کیفیت ورودی: اگر عکس ارسالی تار باشد، نور نامناسبی داشته باشد یا زاویه عکاسی درست نباشد، احتمال خطای سیستم افزایش مییابد. به همین دلیل بررسی گزارشها همواره باید با احتیاط صورت گیرد.
تشخیصهای افتراقی (بیماریهای مشابه)
بسیاری از بیماریهای پوستی علائم ظاهری بسیار مشابهی دارند که تفکیک آنها چالش بزرگی است. به عنوان مثال، خشکی و قرمزی شدید پوست میتواند نشانه اگزما باشد، اما در عین حال ممکن است به دلیل ابتلا به پسوریازیس یا حتی نوعی قارچ پوستی رخ داده باشد.
چشمانداز آینده درماتولوژی دیجیتال
آینده پزشکی به سمت همکاری عمیقتر و یکپارچه انسان و ماشین حرکت میکند. تصور کنید متخصص پوست در مطب خود، از یک درماتوسکوپ دیجیتال مجهز به هوش مصنوعی استفاده کند که به صورت زنده، خالها را اسکن کرده، لبههای نامتقارن را علامتگذاری کند و سابقه تغییرات خال بیمار را در سالهای گذشته با تصویر فعلی مقایسه کند. این سطح از همکاری میتواند میزان بقای بیماران مبتلا به ملانومای پوستی را به دلیل تشخیص فوقالعاده زودهنگام به بالای ۹۹ درصد برساند. آیویدیا پیشگام این مسیر هوشمند در ایران است؛ برای اطلاعات بیشتر میتوانید صفحه درباره ما آیویدیا را مطالعه فرمایید.پرسشهای متداول
۱. آیا هوش مصنوعی تشخیص بیماریهای پوستی کاملاً دقیق است؟
۲. آیا هوش مصنوعی آیویدیا میتواند تفاوت خال خوشخیم و بدخیم را بفهمد؟
۳. چگونه میتوانم یک عکس باکیفیت برای تحلیل سیستم بگیرم؟
۴. آیا پس از اسکن پوست با هوش مصنوعی میتوانم خوددرمانی کنم؟
۵. تفاوت گزارش رایگان و پرمیوم آیویدیا چیست؟
۶. آیا تصاویر و اطلاعات پزشکی من در آیویدیا محرمانه میمانند؟
۷. در صورت دریافت هشدار خطرناک از هوش مصنوعی چه کار کنم؟
جمعبندی نهایی
فناوری تشخیص ضایعات پوستی با هوش مصنوعی ابزاری نوین، هیجانانگیز و علمی است که امروز مرزهای درماتولوژی سنتی را جابهجا کرده است. این تکنولوژی با الگوبرداری از نحوه یادگیری و تجربیات گرانبهای پزشکان پوست و با بهرهگیری از قدرت شبکههای عصبی عمیق، امکان غربالگری اولیه سریع را برای همه مردم فراهم ساخته است. به یاد داشته باشید که این فناوری یک راهنما و دستیار در کنار شماست، نه یک جایگزین برای تشخیص نهایی بالینی. استفاده هوشمندانه از آن به همراه نظارت پزشک متخصص، فرمول طلایی حفظ سلامت و شادابی پوست شما در عصر دیجیتال است.منابع و مراجع علمی برای مطالعه بیشتر:
- Haenssle, H. A., et al. (2018). Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Annals of Oncology, 29(8), 1836-1842.
- Esteva, A., et al. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115-118.
- DermNet NZ: Artificial Intelligence in Dermatology. وبسایت رسمی درمنت نیوزلند ↗
- American Academy of Dermatology (AAD) Official Portal: انجمن درماتولوژی آمریکا ↗
1 دیدگاه دربارهٔ «تشخیص ضایعات پوستی با هوش مصنوعی : آیا واقعا قابل اعتماد است؟»
بازتاب: تشخیص سرطان پوست با هوش مصنوعی | فوری و سریع، دقت بالا ، دسترسی آسان - آیویدیا