Journal of School of Public Health and Institute of Public Health Research

other کاربرد هوش مصنوعی در کنترل و مدیریت انگل‌های بیماری‌زای انسانی: مرور کوتاه بر وضعیت فعلی و چشم‌انداز آینده Artificial Intelligence in the Control and Management of Human Pathogenic Parasites: A Mini- Review of Current Advances and Future Directions بهداشت عمومی Public Health پژوهشي Research زمینه و هدف: بیماری‌های انگلی انسانی ـ شامل تک‌یاخته‌ها، کرم‌ها و بندپایان ـ همچنان یکی از تهدیدهای جدی برای سلامت عمومی به شمار می‌روند و تشخیص سریع و دقیق آنها از اهمیت حیاتی برخوردار است. روش‌های تشخیصی مرسوم، مانند میکروسکوپی، آزمون‌های سرولوژیک و روش‌های مولکولی، با محدودیت‌هایی نظیر خطای انسانی، هزینه‌های بالا و نیاز به تجهیزات پیشرفته مواجه‌اند. در سال‌های اخیر، ظهور فناوری‌های هوش مصنوعی و یادگیری عمیق فرصت‌های نوینی را برای ارتقای دقت، سرعت و کارآمدی در کنترل و مدیریت بیماری‌های انگلی فراهم کرده است. روش کار: این مطالعه به‌صورت مروری کوتاه انجام شد و مقالات مرتبط با کاربرد هوش مصنوعی و یادگیری عمیق در انگل‌شناسی بالینی مورد بررسی و تحلیل قرار گرفت. نتایج: یافته ها نشان داد که این فناوری‌ها در سه حوزه اصلی کاربرد دارند: پیش‌بینی شیوع بیماری‌های انگلی، کشف داروهای ضد انگلی و تشخیص بیماری‌های انگلی. الگوریتم‌های شبکه عصبی کانولوشنی و مدل‌های یادگیری فعال امکان تحلیل تصاویر میکروسکوپی، پیش‌بینی اپیدمی‌ها، شناسایی اهداف دارویی و بهینه‌سازی درمان‌ها را با دقت بالا فراهم می‌کنند. با این حال، چالش‌هایی مانند محدودیت داده‌ها، سوگیری الگوریتم‌ها، ملاحظات اخلاقی و کمبود زیرساخت فنی هنوز باقی است. نتیجه گیری: ادغام هوش مصنوعی با سیستم‌های بالینی، ایجاد پایگاه داده‌های جامع و استفاده از یادگیری انتقالی، می‌تواند دقت، سرعت و تعمیم‌پذیری الگوریتم‌ها را بهبود بخشد. این مقاله مروری کوتاه، وضعیت فعلی، چالش‌ها و چشم‌انداز آینده کاربرد هوش مصنوعی در انگل‌شناسی بالینی را بررسی می‌کند و راهکارهایی برای توسعه ابزارهای نوین و مقرون‌به‌صرفه ارائه می‌دهد.   Background and Aim: Human parasitic diseases, including protozoan, helminthic, and arthropod infections, remain a major threat to public health, and their rapid and accurate diagnosis is of critical importance. Conventional diagnostic approaches, such as microscopy, serological assays, and molecular techniques, are associated with limitations including human error, high costs, and the need for sophisticated equipment. In recent years, advances in artificial intelligence (AI) and deep learning (DL) technologies have created new opportunities to improve the control and management of parasitic diseases. Materials and Methods: This study was conducted as a mini-review, in which published studies on the applications of artificial intelligence and deep learning in clinical parasitology were reviewed and analyzed. Results: The findings showed that these technologies have three major applications: prediction of parasitic disease outbreaks, antiparasitic drug discovery, and diagnosis of parasitic infections. Convolutional neural networks (CNNs) and active learning models enable high-precision analysis of microscopic images, epidemic forecasting, identification of therapeutic targets, and optimization of treatment strategies. Nevertheless, challenges such as limited datasets, algorithmic bias, ethical considerations, and inadequate technical infrastructure remain. Conclusion: Integration of AI with clinical systems, development of comprehensive databases, and application of transfer learning techniques may improve the accuracy, efficiency, and generalizability of AI algorithms. This mini-review summarizes the current status, challenges, and future prospects of AI applications in clinical parasitology and highlights strategies for developing innovative and cost-effective diagnostic and therapeutic tools.   هوش مصنوعی, یادگیری عمیق, بیماری‌های انگلی انسانی, تشخیص, پیش‌بینی, کشف دارو Artificial Intelligence, Deep Learning, Human Parasitic Diseases, Diagnosis, Prediction, Drug Discovery 277 293 http://sjsph.tums.ac.ir/browse.php?a_code=A-10-1-289&slc_lang=other&sid=1 Maryam Shafaati مریم شفاعتی No Gholamreza Hassanpour غلامرضا حسن پور hassanpour@tums.ac.ir Yes