CANNABIS SATIVA L. AND ARTIFICIAL NEURAL NETWORKING
DOI:
https://doi.org/10.58731/2965-0771.2025.76Resumo
A interseção entre tecnologia e saúde mental, especialmente no estudo da Cannabis, tem ganhado destaque, com o uso de redes neurais artificiais para compreender seus impactos psicológicos. A combinação de conhecimento de domínio com modelos de linguagem tem mostrado capacidade superior na extração de relações entre o uso de Cannabis e alterações na saúde mental. A disseminação de informações visuais sobre Cannabis nas redes sociais, analisadas por redes neurais, influencia percepções sociais e políticas públicas. A Interseção da Pesquisa sobre Cannabis e Redes Neurais Artificiais. Redes neurais artificiais, como Graph Attention Networks (GAT), preveem riscos em populações específicas relacionadas ao uso de Cannabis. A análise de vocalizações ultrassônicas em modelos animais tratados com óleo de Cannabis sativa revela nuances comportamentais através de aprendizado profundo. Redes neurais artificiais identificam padrões sutis em grandes volumes de dados, como a previsão de transtornos psicóticos associados ao uso de Cannabis. Redes neurais artificiais otimizam o cultivo e o desenvolvimento de produtos de Cannabis, analisando dados complexos para prever padrões de crescimento e aprimorar o controle de qualidade. A inteligência artificial combinada com a impressão 3D pode personalizar medicamentos à base de Cannabis, facilitando a criação de dosagens e formas farmacêuticas inovadoras. Sistemas inteligentes integrados a técnicas hidropônicas controlam variáveis ambientais em tempo real, aumentando o rendimento de compostos bioativos como THC e CBD. Modelos de aprendizado profundo, como VGG-16, demonstram alta precisão na detecção automática do uso de Cannabis. Técnicas de processamento de linguagem natural aprimoram a análise das relações entre o consumo de Cannabis e transtornos mentais, como a depressão. A combinação da pesquisa sobre Cannabis com redes neurais artificiais possibilita uma revolução na precisão diagnóstica e na personalização do tratamento.
Referências
Deshayes-Chossart, Jerome, Nguyen, Van-Khoa, Popescu, Adrian. "Unveiling Real-Life Effects of Online Photo Sharing" 2021, doi: http://arxiv.org/abs/2012.13180.
A. Terracciano, A.N. Gorban, A.N. Gorban, A.N. Kopstein, C.A. Ventura, D.N. Gujarati, D.W. Hosmer Jr, et al.. "The Five Factor Model of personality and evaluation of drug consumption risk" 2017, doi: http://arxiv.org/abs/1506.06297.
Du, Jingcheng, Feng, Jingna, Fujimoto, Kayo, Hu, et al.. "Explainable Artificial Intelligence and Domain Adaptation for Predicting HIV Infection With Graph Neural Networks" DigitalCommons@TMC, 2024, doi: https://core.ac.uk/download/622992073.pdf.
PILIPENKO, TATIANA. "Researching the Potential of Artificial Intelligence to Support the Understanding of Neurological Diseases: The Cases for Frontotemporal Lobar Degeneration Detection and Mice Ultrasonic Communication Analysis" Università degli studi di Brescia, 2024, doi: https://core.ac.uk/download/614051711.pdf.
Tiago Palma Pagano, Rafael B. Loureiro, Fernanda V. N. Lisboa, Rodrigo M. Peixoto, Guilherme A. de Sousa Guimarães, Gustavo O. R. Cruz, Maira M. Araujo, et al.. "Bias and Unfairness in Machine Learning Models: A Systematic Review on Datasets, Tools, Fairness Metrics, and Identification and Mitigation Methods" Big Data and Cognitive Computing, 2023, 15-15. doi: https://doi.org/10.3390/bdcc7010015.
Sudip Paul, Anjuman Nahar, Mrinalini Bhagawati, Ajaya Jang Kunwar. "A Review on Recent Advances of Cerebral Palsy" Oxidative Medicine and Cellular Longevity, 2022, 1-20. doi: https://doi.org/10.1155/2022/2622310
Alghamdi, Wajdi, Belgrave, Danielle, di Forti, Marta, Murray, et al.. "Predicting first-episode psychosis associated with cannabis use with artificial neural networks and deep learning" Springer Verlag, 2018, doi: https://core.ac.uk/download/586963816.pdf.
Jain, Puneet. "Enhancing Marijuana Intoxication Detection by using Deep Learning-based Architecture and Image Augmentation" 'University of Windsor Leddy Library', 2024, doi: https://core.ac.uk/download/624131612.pdf.
Alghamdi, Wajdi, Belgrave, Danielle, di Forti, Marta, Murray, et al.. "Predicting first-episode psychosis associated with cannabis use with artificial neural networks and deep learning" Springer Verlag, 2018, doi: https://core.ac.uk/download/586963816.pdf.
Khandelwal, Vedant, Lokala, Usha, Roy, Kaushik, Sheth, et al.. "Is depression related to cannabis? : A Knowledge-infused Model for Entity and Relation Extraction with Limited Supervision" Scholar Commons, 2021, doi: https://core.ac.uk/download/389456653.pdf.
Mathur, Ashwani, Srivastava, Utkarsha. "Recent Advancements in Prevalent Practices for Plant Cultivation by Hydroponics" Defence Scientific Information & Documentation Centre, 2023, doi: https://core.ac.uk/download/588487548.pdf.
Aćimović, Milica, Cvetković, Biljana, Knežević, Violeta, Lončar, et al.. "The effect of osmotic treatment on cannabidiol (CBD) and tetrahydrocannabinol (THC) content in industrial hemp" Skopje : Consulting and Training Center KEY, 2022, doi: https://core.ac.uk/download/543095010.pdf.
Jain, Puneet. "Enhancing Marijuana Intoxication Detection by using Deep Learning-based Architecture and Image Augmentation" 'University of Windsor Leddy Library', 2024, doi: https://core.ac.uk/download/624131612.pdf.
Khandelwal, Vedant, Lokala, Usha, Roy, Kaushik, Sheth, et al.. "Is depression related to cannabis? : A Knowledge-infused Model for Entity and Relation Extraction with Limited Supervision" Scholar Commons, 2021, doi: https://core.ac.uk/download/389456653.pdf.
Herel, David, Mikolov, Tomas. "Collapse of Self-trained Language Models" 2024, doi: http://arxiv.org/abs/2404.02305
Basit, AW, Elbadawi, M, Gaisford, S, Gavins, et al.. "Disrupting 3D printing of medicines with machine learning." 2021, doi: https://core.ac.uk/download/477687863.pdf.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Revista Brasileira de Cannabis
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
