{
  "ar": {
    "title": "جامعة مين تطور نظام ذكاء اصطناعي لتسريع تشخيص سرطان الثدي",
    "content": "<p>واشنطن-العاصمة نيوز</p>\n<p>ابتكر فريق بحثي من جامعة مين الأمريكية نظام ذكاء اصطناعي متقدم يُدعى شبكة التجزئة الموجهة بالسياق “CGS-Net”، يهدف إلى مساعدة الأطباء في التعرف على علامات سرطان الثدي في عينات الأنسجة بسرعة ودقة متزايدة، مما يساهم في تقليل التأخير في التشخيص وإنقاذ الأرواح.</p>\n<p>ووفقاً لموقع ميديكال إكسبريس الطبي، يحاكي هذا النظام طريقة عمل علماء الأمراض في دراسة الشرائح النسيجية، من خلال تحليل التفاصيل الدقيقة للأنسجة المحلية مع الأخذ بعين الاعتبار السياق الأوسع للأنسجة المحيطة، مما يمنحه دقة أعلى مقارنة بالنماذج التقليدية.</p>\n<p>وأوضح الفريق البحثي أنه تم تدريب البرنامج على 383 صورة رقمية كاملة للعينات النسيجية، وأظهر أداءً متميزاً في التمييز بين الأنسجة السليمة والخبيثة.</p>\n<p>ويعتزم الفريق توسيع استخدام CGS-Net ليشمل أنواعاً أخرى من السرطان، ودمج بيانات متعددة الوسائط مثل الأشعة والملامح الجزيئية، في خطوة تعزز تطبيقات الذكاء الاصطناعي في المجال الطبي وتفتح آفاقاً جديدة لتحسين الرعاية الصحية على الصعيد العالمي.</p>\n<p>ويُعتبر تشخيص سرطان الثدي عملية دقيقة تعتمد على فحص الأنسجة، ويساهم دمج تقنيات الذكاء الاصطناعي في تحليل الصور النسيجية بسرعة ودقة أعلى لدعم التشخيص المبكر وتحسين فرص العلاج.</p>",
    "tags": [
      "جامعة مين",
      "ذكاء اصطناعي",
      "سرطان الثدي",
      "تشخيص طبي",
      "الرعاية الصحية",
      "تقنيات طبية"
    ]
  },
  "en": {
    "title": "University of Maine Develops AI System to Accelerate Breast Cancer Diagnosis",
    "content": "<p>Washington - Al-Asima News</p>\n<p>A research team from the University of Maine in the United States has developed an advanced artificial intelligence system called Context-Guided Segmentation Network (CGS-Net), designed to help doctors identify breast cancer markers in tissue samples more quickly and accurately, contributing to reducing diagnostic delays and saving lives.</p>\n<p>According to Medical Express, this system mimics the approach of pathologists in examining tissue slides by analyzing fine details of local tissues while considering the broader context of surrounding tissues, which grants it higher accuracy compared to traditional models.</p>\n<p>The team stated that the program was trained on 383 full digital images of tissue samples and demonstrated excellent performance in distinguishing between healthy and malignant tissues.</p>\n<p>The team plans to expand the use of CGS-Net to include other types of cancer and integrate multimodal data such as imaging and molecular features, a step that enhances AI applications in medical fields and opens new horizons for improving healthcare globally.</p>\n<p>Breast cancer diagnosis is a precise process relying on tissue examination, and integrating AI techniques in analyzing tissue images quickly and accurately supports early diagnosis and improves treatment outcomes.</p>",
    "tags": [
      "University of Maine",
      "Artificial Intelligence",
      "Breast Cancer",
      "Medical Diagnosis",
      "Healthcare",
      "Medical Technology"
    ]
  },
  "fr": {
    "title": "L’Université du Maine développe un système d’IA pour accélérer le diagnostic du cancer du sein",
    "content": "<p>Washington - Al-Asima News</p>\n<p>Une équipe de recherche de l’Université du Maine aux États-Unis a développé un système d’intelligence artificielle avancé appelé Réseau de Segmentation Guidée par le Contexte (CGS-Net), conçu pour aider les médecins à identifier plus rapidement et précisément les signes du cancer du sein dans les échantillons de tissus, contribuant ainsi à réduire les délais de diagnostic et à sauver des vies.</p>\n<p>Selon Medical Express, ce système imite la méthode des pathologistes pour étudier les lames de tissus, en analysant les détails fins des tissus locaux tout en tenant compte du contexte plus large des tissus environnants, ce qui lui confère une précision supérieure par rapport aux modèles traditionnels.</p>\n<p>L’équipe a indiqué que le programme a été entraîné sur 383 images numériques complètes d’échantillons tissulaires et a démontré de très bonnes performances pour distinguer les tissus sains des tissus malins.</p>\n<p>L’équipe prévoit d’étendre l’utilisation de CGS-Net à d’autres types de cancer et d’intégrer des données multimodales telles que les images radiologiques et les caractéristiques moléculaires, une démarche qui renforce les applications de l’IA médicale et ouvre de nouvelles perspectives pour améliorer les soins de santé à l’échelle mondiale.</p>\n<p>Le diagnostic du cancer du sein est un processus précis reposant sur l’examen des tissus, et l’intégration des techniques d’IA dans l’analyse des images tissulaires permet un diagnostic plus rapide et plus précis, soutenant ainsi un dépistage précoce et améliorant les chances de traitement.</p>",
    "tags": [
      "Université du Maine",
      "Intelligence Artificielle",
      "Cancer du Sein",
      "Diagnostic Médical",
      "Soins de Santé",
      "Technologie Médicale"
    ]
  },
  "tr": {
    "title": "Maine Üniversitesi Meme Kanseri Teşhisini Hızlandırmak İçin Yapay Zeka Sistemi Geliştirdi",
    "content": "<p>Washington - Al-Asima Haber</p>\n<p>ABD’deki Maine Üniversitesi’nden bir araştırma ekibi, doktorların meme kanseri belirtilerini doku örneklerinde daha hızlı ve doğru şekilde tanımlamasını kolaylaştıran, Bağlam Yönlendirmeli Segmentasyon Ağı (CGS-Net) adlı gelişmiş bir yapay zeka sistemi geliştirdi. Bu sistem, tanı gecikmelerini azaltarak hayat kurtarmaya katkı sağlıyor.</p>\n<p>Medical Express sitesine göre, bu sistem, patologların doku slaytlarını inceleme yöntemini taklit ederek, yerel dokuların ince detaylarını analiz ederken çevresindeki dokuların daha geniş bağlamını da dikkate alıyor ve bu sayede geleneksel modellere kıyasla daha yüksek doğruluk sağlıyor.</p>\n<p>Araştırma ekibi, programın 383 tam dijital doku örneği üzerinde eğitildiğini ve sağlıklı ile kötü huylu dokuları ayırt etmede başarılı performans sergilediğini belirtti.</p>\n<p>Ekibin planları arasında CGS-Net’in kullanımını diğer kanser türlerini de kapsayacak şekilde genişletmek ve görüntüleme ile moleküler özellikler gibi çoklu veri türlerini entegre etmek bulunuyor. Bu adım, tıbbi yapay zeka uygulamalarını güçlendirerek küresel sağlık hizmetlerinin iyileştirilmesine yeni ufuklar açıyor.</p>\n<p>Meme kanseri teşhisi, doku incelemesine dayanan hassas bir süreçtir ve yapay zeka tekniklerinin doku görüntülerinin hızlı ve doğru analizine entegrasyonu, erken teşhisi destekleyerek tedavi şansını artırıyor.</p>",
    "tags": [
      "Maine Üniversitesi",
      "Yapay Zeka",
      "Meme Kanseri",
      "Tıbbi Teşhis",
      "Sağlık Hizmetleri",
      "Tıbbi Teknoloji"
    ]
  },
  "ku": {
    "title": "Zanîngeha Maine Pergala Zekayê Sûnî Pêşkeş Dike Bo Zûkirina Teşhîsa Cenceya Sînê",
    "content": "<p>Washington - Al-Asima News</p>\n<p>Tîma lêkolînê ya ji Zanîngeha Maine ya Dewletên Yekbûyî pergala zekayê sûniyê ya pêşkeş kirî ku navê wê Context-Guided Segmentation Network (CGS-Net) ye, amade kir ku alîkarî bike bo doktoran ku nîşanên cenceya sînê di nimûneyên tîştekê de bi lez û rastî bibînin, ev jî dikare têkêşînên teşhîsê kêmtir bike û jiyanên pirr xilas bike.</p>\n<p>Li gorî malpera Medical Express, ev pergala têkiliya xebata pathologan di lêkolîna slideyên tîştekê de tê piştrast kirin, bi şopandina hûrguliyên tîştekên herêmî û jî têgihiştina kontexta fireh a tîştekên derveyî, ku ev pergala rastîya bilindtir ji modelên kevnar pêşkêş dike.</p>\n<p>Tîma lêkolînê got ku bername li ser 383 wêneyên dijîtal ên tevahî ya nimûneyên tîştekê hate fêrkirin û di cuda kirina tîştekên sax û ne sax de karîgerîya baş nîşan da.</p>\n<p>Tîma hêvîdar e ku bikarhêneriya CGS-Net berdewam bike bo herî zêde cencên din û daneyên pir-modal wekî wêneyên xêrayê û taybetmendiyên molekûler jî têkevin, ev pêşveçûnek e ku sepanên zekayê sûniyê di tibbê de pêşve dixe û deriyên nû veke bo baştir kirina xizmeta tenduristiyê li ser astengê cîhanê.</p>\n<p>Teşhîsa cenceya sînê pergala hêsan e ku li ser lêkolîna tîştekê tê xebitandin, bi tevahî bikaranîna teknîkên zekayê sûniyê di şopandina wêneyên tîştekê de bi lez û rastî ya bilind piştgirî dike bo teşhîsa zû û baştir kirina firsetên çarê.</p>",
    "tags": [
      "Zanîngeha Maine",
      "Zekayê Sûnî",
      "Cenceya Sînê",
      "Teşhîsa Tibbî",
      "Xizmeta Tendûristî",
      "Teknolojiyê Tibbî"
    ]
  },
  "ru": {
    "title": "Университет Мэна разработал систему ИИ для ускорения диагностики рака молочной железы",
    "content": "<p>Вашингтон - Al-Asima News</p>\n<p>Исследовательская группа из Университета Мэна в США разработала передовую систему искусственного интеллекта под названием Context-Guided Segmentation Network (CGS-Net), которая помогает врачам быстрее и точнее выявлять признаки рака молочной железы в тканевых образцах, способствуя сокращению задержек в диагностике и спасению жизней.</p>\n<p>По данным Medical Express, эта система имитирует подход патологоанатомов при изучении тканевых слайдов, анализируя мелкие детали локальных тканей с учетом более широкого контекста окружающих тканей, что обеспечивает ей более высокую точность по сравнению с традиционными моделями.</p>\n<p>Команда сообщила, что программа была обучена на 383 полноценных цифровых изображениях тканевых образцов и показала хорошие результаты в различении здоровых и злокачественных тканей.</p>\n<p>В планах команды расширить применение CGS-Net на другие виды рака и интегрировать мультимодальные данные, такие как изображения и молекулярные характеристики, что усилит применение ИИ в медицине и откроет новые горизонты для улучшения здравоохранения в мире.</p>\n<p>Диагностика рака молочной железы — это точный процесс, основанный на исследовании тканей, и интеграция технологий ИИ в анализ изображений тканей с высокой скоростью и точностью поддерживает раннюю диагностику и улучшает шансы на лечение.</p>",
    "tags": [
      "Университет Мэна",
      "Искусственный интеллект",
      "Рак молочной железы",
      "Медицинская диагностика",
      "Здравоохранение",
      "Медицинские технологии"
    ]
  },
  "fa": {
    "title": "دانشگاه مین سامانه هوش مصنوعی برای تسریع تشخیص سرطان سینه توسعه داد",
    "content": "<p>واشنگتن - اخبار العاصمة</p>\n<p>یک تیم تحقیقاتی از دانشگاه مین آمریکا سامانه هوش مصنوعی پیشرفته‌ای به نام شبکه بخش‌بندی هدایت‌شده بر پایه زمینه (CGS-Net) توسعه داده‌اند که به پزشکان کمک می‌کند علائم سرطان سینه را در نمونه‌های بافتی با سرعت و دقت بیشتری شناسایی کنند و در کاهش تأخیرهای تشخیصی و نجات جان بیماران نقش دارد.</p>\n<p>براساس گزارش سایت Medical Express، این سامانه روش کار پاتولوژیست‌ها در بررسی اسلایدهای بافتی را شبیه‌سازی می‌کند و با تحلیل جزئیات دقیق بافت‌های محلی در کنار در نظر گرفتن زمینه گسترده‌تر بافت‌های اطراف، دقت بالاتری نسبت به مدل‌های سنتی دارد.</p>\n<p>تیم تحقیقاتی اعلام کرد که این برنامه بر روی ۳۸۳ تصویر دیجیتال کامل از نمونه‌های بافتی آموزش دیده و عملکرد قابل توجهی در تشخیص تمایز بین بافت‌های سالم و بدخیم نشان داده است.</p>\n<p>این تیم قصد دارد کاربرد CGS-Net را به سایر انواع سرطان‌ها گسترش داده و داده‌های چندرسانه‌ای مانند تصاویر رادیولوژی و ویژگی‌های مولکولی را ادغام کند؛ اقدامی که کاربردهای هوش مصنوعی در پزشکی را تقویت کرده و افق‌های جدیدی برای بهبود مراقبت‌های بهداشتی در سطح جهانی باز می‌کند.</p>\n<p>تشخیص سرطان سینه فرآیندی دقیق است که بر بررسی بافت‌ها متکی است و ادغام فناوری‌های هوش مصنوعی در تحلیل تصاویر بافتی با سرعت و دقت بالاتر، از تشخیص زودهنگام حمایت کرده و فرصت‌های درمان را بهبود می‌بخشد.</p>",
    "tags": [
      "دانشگاه مین",
      "هوش مصنوعی",
      "سرطان سینه",
      "تشخیص پزشکی",
      "مراقبت‌های بهداشتی",
      "فناوری پزشکی"
    ]
  }
}