The approach could apply to more complex tissues and organs, helping researchers to identify early signs of disease.

طور الباحثون نموذجًا للتعلم العميق يتنبأ بتكوين خلايا ذبابة الفاكهة، مما قد يعزز الفهم لتطور الأنسجة والأعضاء. يمكن أن يؤدي هذا النهج المبتكر إلى تحديد العلامات المبكرة للأمراض، مما يحسن البحث الطبي الحيوي.

Investigadores han desarrollado un modelo de aprendizaje profundo que predice la formación celular de las moscas de la fruta, lo que podría avanzar en la comprensión del desarrollo de tejidos y órganos. Este enfoque innovador podría ayudar a identificar signos tempranos de enfermedades, mejorando así la investigación biomédica.

Des chercheurs ont développé un modèle d'apprentissage profond qui prédit la formation cellulaire des mouches des fruits, ce qui pourrait faire progresser la compréhension du développement des tissus et des organes. Cette approche innovante pourrait permettre d'identifier les premiers signes de maladies, améliorant ainsi la recherche biomédicale.

Researchers have developed a deep-learning model that predicts the cellular formation of fruit flies, potentially advancing the understanding of tissue and organ development. This innovative approach could lead to identifying early signs of diseases, enhancing biomedical research.

Deep-learning model predicts how fruit flies form, cell by cell

Once researchers turn to LLMs, paper counts go up, quality does not.

تشير الدراسات الحديثة إلى أن ارتفاع استخدام نماذج اللغة الكبيرة (LLMs) قد أدى إلى زيادة في عدد الأبحاث المنشورة، لكن جودة هذه المنشورات لا تزال راكدة. يعتمد الباحثون بشكل متزايد على نماذج LLMs في أعمالهم، مما يثير القلق بشأن عمق ودقة البحث العلمي.

Estudios recientes indican que el aumento de los modelos de lenguaje de gran tamaño (LLMs) ha llevado a un incremento en el número de artículos de investigación publicados, pero la calidad de estas publicaciones se mantiene estancada. Los investigadores están confiando cada vez más en los LLMs para su trabajo, lo que plantea preocupaciones sobre la profundidad y el rigor de la investigación científica.

Des études récentes montrent que l'essor des modèles de langage de grande taille (LLMs) a entraîné une augmentation du nombre de publications scientifiques, mais la qualité de ces publications reste stagnante. Les chercheurs s'appuient de plus en plus sur les LLMs pour leur travail, ce qui soulève des inquiétudes quant à la profondeur et à la rigueur de l'enquête scientifique.

Recent studies indicate that the rise of large language models (LLMs) has led to an increase in the number of published research papers, yet the quality of these publications remains stagnant. Researchers are increasingly relying on LLMs for their work, which raises concerns about the depth and rigor of scientific inquiry.

LLMs’ impact on science: Booming publications, stagnating quality

AI tools designed to diagnose cancer from tissue samples are quietly learning more than just disease patterns. New research shows these systems can infer patient demographics from pathology slides, leading to biased results for certain groups. The bias stems from how the models are trained and the data they see, not just from missing samples. Researchers also demonstrated a way to significantly reduce these disparities.

تكشف الأبحاث الحديثة أن أدوات الذكاء الاصطناعي المصممة لتشخيص السرطان من عينات الأنسجة تتعلم أيضًا معلومات ديموغرافية عن المرضى من شرائح علم الأمراض، مما يؤدي إلى نتائج متحيزة لبعض المجموعات. ينشأ هذا التحيز ليس فقط من نقص العينات المتنوعة ولكن أيضًا من البيانات المستخدمة لتدريب نماذج الذكاء الاصطناعي.

Investigaciones recientes revelan que las herramientas de IA diseñadas para diagnosticar cáncer a partir de muestras de tejido también están inferiendo datos demográficos de los pacientes a partir de diapositivas de patología, lo que puede llevar a resultados sesgados para ciertos grupos. Este sesgo surge no solo de la ausencia de muestras diversas, sino también de los datos de entrenamiento utilizados para desarrollar estos modelos de IA.

Des recherches récentes révèlent que les outils d'IA conçus pour le diagnostic du cancer à partir d'échantillons de tissus infèrent également des données démographiques des patients à partir de diapositives de pathologie, ce qui peut conduire à des résultats biaisés pour certains groupes. Ce biais provient non seulement de l'absence d'échantillons diversifiés, mais aussi des données d'entraînement utilisées pour développer ces modèles d'IA.

Recent research reveals that AI tools designed for cancer diagnosis from tissue samples are also inferring patient demographics from pathology slides, which can lead to biased results for certain groups. This bias arises not only from the absence of diverse samples but also from the training data used to develop these AI models.

Deep-learning model predicts how fruit flies form, cell by cell

Was this article worth reading? Share it

Ready to build your own newsroom?