تخطى إلى المحتوى
العالِم العربي
  • الصفحة الرئيسية
  • مجالات الأبحاث
  • أحدث الأبحاث
  • عن الموقع
  • تواصل معنا
  1. الرئيسية
  2. قائمة الكلمات المفتاحية
  3. التعلم العميق

الأبحاث المرتبطة بالكلمة المفتاحية: التعلم العميق




  • تصنيف متعدد الفئات لأمراض أوراق النباتات باستخدام نظام محول عميق هجين وتقنيات الذكاء الاصطناعي القابلة للتفسير

    2026 | المؤلف: Saravanan Srinivasan وآخرون | المجلة: Scientific Reports | المجال: علوم النبات (Plant Science)

    في هذه الدراسة، تم تطوير إطار عمل للتعلم العميق (DL) للكشف متعدد الفئات عن أمراض المحاصيل، مع التركيز بشكل خاص على الذرة والطماطم والبطاطس. كان الهدف هو تعزيز الكشف المبكر عن الأمراض من خلال تحسين دقة التصنيف، والتعميم عبر مجموعات البيانات، وقابلية التفسير باستخدام طرق الذكاء الاصطناعي القابلة للتفسير (XAI). استخدمت الأبحاث مجموعتين كبيرتين من…


  • إطار تعلم موزع للتعويض العميق عن البيانات المفقودة في سلاسل زمنية غير متجانسة لوحدات العناية المركزة

    2026 | المؤلف: Raja Vavekanand وآخرون | المجلة: Scientific Reports | المجال: الذكاء الاصطناعي (Artificial Intelligence)

    يقدم هذا القسم نظرة عامة على التحديات والحلول المتعلقة بالقيم المفقودة في بيانات الرعاية الصحية متعددة الأنماط الزمنية، وخاصة في بيئات الرعاية الحرجة. تعيق طرق الاستيفاء المركزية التقليدية اللوائح المتعلقة بالخصوصية، وغالبًا ما تفتقر النماذج المؤسسية الفردية إلى القابلية للتعميم. يقدم البحث Fed-HealthImp، وهو إطار تعلم اتحادي مصمم لاستيفاء القيم المفقودة في بيانات السلاسل الزمنية…


  • إطار التعلم العميق لاكتشاف وتحديد الفوهات على القمر والمريخ

    2026 | المؤلف: Yihan Ma وآخرون | المجلة: npj Space Exploration | المجال: علم الفلك والفيزياء الفلكية (Astronomy and Astrophysics)

    تتناول ورقة البحث تطبيق نماذج التعلم العميق المتقدمة للكشف الآلي وتصنيف الفوهات على الأسطح الكوكبية، مع التركيز بشكل خاص على المريخ والقمر. باستخدام الشبكات العصبية التلافيفية (CNNs) ونسخها المختلفة، بما في ذلك YOLO وResNet، يقترح المؤلفون إطار عمل من مرحلتين. تستخدم المرحلة الأولى YOLO للكشف عن الفوهات وتحديد مواقعها، بينما تتضمن المرحلة الثانية التصنيف باستخدام…


  • دور تعدد الوسائط في تشخيص الأمراض السريرية: التقدم والتحديات والفرص

    2026 | المؤلف: Asif Nawaz وآخرون | المجلة: Frontiers in Public Health | المجال: الذكاء الاصطناعي (Artificial Intelligence)

    تقدم هذه القسم نظرة شاملة على التقدم في الذكاء الاصطناعي (AI) لتشخيص الأمراض، مع التركيز بشكل خاص على الانتقال من أساليب التعلم أحادية النمط إلى أساليب التعلم متعددة الأنماط. بينما أظهرت نماذج التعلم العميق أداءً على مستوى الخبراء في مهام محددة مثل تصوير الطب الشرعي وتحليل السجلات الصحية الإلكترونية، فإن الطبيعة متعددة الأنماط لاتخاذ القرارات…


  • دمج الذكاء الاصطناعي في علم الأمراض النسيجية لسرطان الثدي: نحو تحسين التشخيص والتنبؤ

    2026 | المؤلف: Gavino Faa وآخرون | المجلة: Cancers | المجال: الذكاء الاصطناعي (Artificial Intelligence)

    تقدم هذه القسم نظرة عامة على الدور المتطور للذكاء الاصطناعي (AI) في علم الأمراض النسيجي لسرطان الثدي (BC)، مع التأكيد على الانتقال من التقييم النسيجي التقليدي إلى دمج تصوير الشرائح الكاملة (WSI) والنماذج المدفوعة بالذكاء الاصطناعي. لا يزال التقييم النسيجي هو المعيار الذهبي لتشخيص وتصنيف سرطان الثدي، لكن ظهور WSI قد سهل رقمنة الشرائح، مما…


  • الكشف عن أورام الدماغ باستخدام التصوير بالرنين المغناطيسي من خلال هيكل انتباه قابل للتفسير EfficientNetV2 وMLP-mixer

    2026 | المؤلف: Mustafa Yurdakul وآخرون | المجلة: Physical and Engineering Sciences in Medicine | المجال: طب الأعصاب (Neurology)

    تقدم ورقة البحث نموذجًا جديدًا للتعلم العميق لتصنيف أورام الدماغ، مما يعالج الحاجة الملحة لأنظمة التشخيص الآلي بسبب معدلات الوفيات العالية المرتبطة بهذه الأورام. باستخدام مجموعة بيانات تتكون من 3,064 صورة MRI معززة بالتباين بتقنية T1، تقيم الدراسة تسع هياكل معروفة للشبكات العصبية التلافيفية (CNN) لتحديد العمود الفقري الأكثر فعالية لتصنيف الأورام. تم اختيار EfficientNetV2…


  • نموذج تعلم تمثيل عميق للتنبؤ بالاستجابة لتحفيز العصب الحائر

    2026 | المؤلف: Hrishikesh Suresh وآخرون | المجلة: Nature Communications | المجال: طب الأعصاب (Neurology)

    تتناول ورقة البحث تطوير VQ-VNS، وهو نموذج تعلم تمثيل عميق يهدف إلى التنبؤ بنتائج تحفيز العصب الحائر (VNS) لدى مرضى الصرع الأطفال. على الرغم من أن VNS هو علاج شائع، إلا أنه فعال فقط لنحو نصف المرضى، والبيانات السريرية الحالية قبل الجراحة غير كافية للتنبؤ باستجابة العلاج، كما يتضح من منطقة تحت المنحنى (AUC) البالغة…


  • خلية- MICS : الكشف عن الخلايا المناعية باستخدام الفلورية الذاتية ثنائية الفوتون بدون علامات والتعلم العميق

    2026 | المؤلف: Lucas Kreiß وآخرون | المجلة: Journal of Biophotonics | المجال: علم المناعة (Immunology)

    تتناول ورقة البحث التقدمات في التصوير بدون علامات، وخاصة من خلال المجهر متعدد الفوتونات بدون علامات (MPM)، الذي يستخدم تحفيز الفوتونين للفلوريسنس التلقائي الطبيعي (AF) من البروتينات الأيضية. هذه التقنية مفيدة للتطبيقات الحية لأنها تلغي الحاجة إلى إجراءات التلوين. يبرز المؤلفون دمج نماذج التعلم العميق (DL)، وبشكل خاص شبكة عصبية تلافيفية (CNN)، لتعزيز خصوصية صور…


  • معالجة الإشارات العصبية للحديث المتخيل باستخدام EEG وتصنيف التعلم العميق

    2026 | المؤلف: Fatma Elwasify وآخرون | المجلة: Scientific Reports | المجال: علم الأعصاب الإدراكي (Cognitive Neuroscience)

    تقدم هذه الدراسة طريقة جديدة لتصنيف الكلام المتخيل من إشارات تخطيط الدماغ الكهربائي (EEG)، باستخدام هياكل تعلم عميقة متقدمة وخط أنابيب معالجة مسبقة متخصصة. يقترح المؤلفون خمس هياكل هجينة تجمع بين الشبكات العصبية التلافيفية (CNN) وشبكات الذاكرة طويلة وقصيرة المدى (LSTM) لالتقاط الميزات المكانية والزمانية لبيانات EEG بشكل فعال. يتكون خط أنابيب المعالجة المسبقة من…


  • OOD-SEG: استغلال تقنيات الكشف عن خارج التوزيع لتعلم تقسيم الصور من تعليقات إيجابية متعددة الفئات نادرة

    2026 | المؤلف: Zhenyun Du وآخرون | المجلة: Medical Image Analysis | المجال: الرؤية الحاسوبية والتعرف على الأنماط (Computer Vision and Pattern Recognition)

    في هذا البحث، يتناول المؤلفون تحديين كبيرين في تقسيم الصور الطبية باستخدام الشبكات العصبية العميقة: العملية الشاقة للحصول على تسميات تقسيم كاملة على مستوى البكسل وعدم قدرة خطوط تقسيم الصور التقليدية على اكتشاف بكسلات خارج التوزيع (OOD). يقترحون إطار عمل جديد للتقسيم، يسمى OOD-SEG، والذي يعمل ضمن نموذج التعلم الإيجابي غير المسمى (PU). يستخدم هذا…


←السابق
1 … 21 22 23 24 25 … 94
التالي→

حقوق النشر © 2026 العالِم العربي. جميع الحقوق محفوظة. موقع العالِم العربي غير مسؤول عن محتوى المواقع الخارجية.