💡 یک سال پیش، همین موقع
رفتم یکی از نمایشگاه استارتاپ‌های سلامت تا ببینم اونجا چه خبره. راستش می‌دونستم که بودجه‌ی خاصی در کار نیست ، ولی هدفم این بود که ببینم می‌تونم لینک و ارتباط بسازم یا نه.
تو نمایشگاه، کلی تیم مختلف بودن:
🤖 یه تیم روی روباتیک کار می‌کرد،
🧠 چندتایی تازه داشتن تحلیل سیگنال‌های مغزی رو شروع می‌کردن،
اما چیزی که برام جالب بود این بود که اکثر تیم‌های فعال روی تصاویر پزشکی کار می‌کردن.

اون موقع که چت‌بات‌ها تازه اومده بودن، خیلی‌ها روشون تمرکز کرده بودن. ولی من کم‌کم متوجه شدم که ایده‌هایی که روی تصاویر پزشکی هست، کاربردی‌تره و نیاز بیشتری داره نسبت به ایده‌های دیگه.

🆔 @AI_HealthHub

چند وقت بعد، به‌طور اتفاقی با  سوپروایزر یکی از بیمارستان‌های جنوب کشور صحبت کردم. اونجا بهم گفت که از روی سونوگرافی‌ها و تجویزها، طبق قوانین باید از ماژول‌های هوشمند استفاده کنن. اونجا بود که فهمیدم چرا تیم‌های فنی سراغ تصاویر پزشکی می‌رن.

📌 نکته جالب: وقتی بعداً سرچ کردم، فهمیدم که تو اکثر کشورها، کار روی ارتقای کیفیت و تحلیل تصاویر پزشکی شروع شده تا هوشمندسازی سلامت انجام بشه. حتی تو استرالیا این ایده‌ها پیاده‌سازی شدن و دارن قوانینش رو تنظیم می‌کنن تا سونوگرافی‌های هوشمند رو استفاده کنن.

در مورد استرالیا یه سری سرچ دارم انجام میدم تو پست‌ها بعدی در مورد مازولهای کمکی تحلیل تصاویر و سونوگرافی و نحوه کارشون
🆔 @AI_HealthHub

طولانی شد مجال ادیت کردن نبود اگر تجربه مشابهی دارین به اشتراک بزارین

✨ MedPy

فرض کن یک مدل ساختی که در MRI، تومور رو مشخص می‌کنه.
❓ چقدر خروجی مدل به نظر پزشک نزدیکه؟اینجاست که MedPy کمک می‌کنه.

این #کتابخانه برای اندازه‌گیری دقت مدل‌های تصویربرداری پزشکی ساخته شده.

import numpy as np from medpy.metric.binary import dc # نظر پزشک (ماسک واقعی) ground_truth = np.array([[0,1,1], [0,1,0], [0,0,0]]) # خروجی مدل prediction = np.array([[0,1,0], [0,1,0], [0,0,0]]) dice = dc(prediction, ground_truth) print("Dice Score:", round(dice, 2))

🆔 @AI_HealthHub

🏥 کاربرد کتابخانه Medpy
در سگمنتیشن تومور، ما دو تصویر داریم:
1️⃣ ناحیه واقعی #تومور (که رادیولوژیست مشخص کرده)
2️⃣ ناحیه‌ای که #مدل پیش‌بینی کرده
این کتابخانه این دو تا رو با هم مقایسه می‌کنه و یک عدد میده.مهم‌ترین عددش Dice Scoreهست

در پروژه‌های واقعی، معمولاً Dice بالای 0.8 نشون میده مدل قابل قبوله
✔ سبک و راحت برای استفاده کنار PyTorch

🔗 https://loli.github.io/medpy/

🆔 @AI_HealthHub

این روزا به خوبی میشه لمس کرد بلاتکلیفی بزرخ به مراتب از ترس جهنمی تحمیل شده میتونه خیلی زجر اورتر باشه

یک فناوری معرفی شده توسط MIT به‌نام ReviveMed با استفاده از هوش مصنوعی، توانسته هزاران متابولیت بدن — از چربی‌ها و قندها تا مولکول‌های ریز ناشناخته — را در مقیاسی که قبلاً ممکن نبود تحلیل کند.

خیلی وقت‌ها دلیل اینکه یک دارو روی یک بیمار جواب می‌دهد و روی دیگری نه، در همین متابولیت‌های پنهان است.

💡 بیمار مناسب هر #دارو رو پیدا می‌کنه
- محرک‌های مخفی بیماری رو کشف می‌کنه
🆔 @AI_HealthHub

استارتاپ ایرانی ReviveMed از ۱۰ هزار متابولیت خون + سن + جنس + سابقه بیماری یه نقشه متابولیک کامل می‌سازه و با foundation model آموزش‌دیده رو ۲۰ هزار بیمار، #الگو های پنهان رو پیدا می‌کنه -



دکتر لیلا پیرحاجی بنیانگذار ReviveMed
🎓 دکتری مهندسی زیستی: MIT (Nature Methods ۲۰۱۶)
💼 کار: Takeda Oncology + Merck
🏆 MIT TR35 (نوآور برتر <۳۵) | TED Fellow | MIT $100K finalist

🆔 @AI_HealthHub

چرا با اینکه #مدل خوب نوشتی، روی دیتای واقعی خراب می‌کنه؟

یه تیم روی MRI #مغز مدل سگمنتیشن زده
روی دیتای آموزشی Dice بالا بود. همه‌چیز عالی.
ولی وقتی مدل رفت روی دیتای بیمارستان دیگه؟
افت عملکرد شدید.
مشکل چی بود؟
مدل فقط زاویه و کیفیت خاصی از تصویر رو دیده بود.

🆔 @AI_HealthHub

TorchIO

یک #کتابخانه متن‌باز پایتونی برای پردازش و تقویت (Augmentation) تصاویر پزشکی سه‌بعدی مانند MRI و CT
به‌طور ویژه برای پروژه‌های Deep Learning طراحی شده
کاملاً با PyTorch سازگار هست

باهاش میتونی:
✔ تصویر رو بچرخونی
✔ نویز واقعی شبیه MRI اضافه کنی
✔ کنتراست رو تغییر بدی
✔ برش‌های متفاوت بسازی
به این کار میگن Data Augmentation.

مدل یاد می‌گیره به شرایط مختلف عادت کنه، نه فقط یه دیتاست خاص.

🆔 @AI_HealthHub

لینکها :
🔗 مستندات رسمی:
https://torchio.readthedocs.io/
🔗 گیت‌هاب پروژه:
https://github.com/fepegar/torchio

🆔 @AI_HealthHub

Ambient Listening
در زمان ویزیت، شما با بیمار صحبت می‌کنید؛ AI بی‌صدا گوش می‌دهد، مکالمه را ضبط می‌کند و نوت کامل پزشکی می‌سازد:

🔗 منبع و توضیح کامل:
👉 https://patientnotes.ai/resources/ambient-listening-healthcare 🆔 @AI_HealthHub

🤖 Ambient Listening | واقعیتِ استفاده

✅ چیزی که واقعاً خوب انجام می‌دهد

* فارسی رسمی و آهسته
* دیکته‌ #پزشکی (نه گپ خودمونی)
* جمله‌های ساده و ساختاریافته
> «بیمار خانم ۵۰ ساله، فشار ۱۶۰، سابقه دیابت، متفورمین مصرف می‌کند»



❌ جایی که مشکل دارد

* لهجه محلی یا فارسی شکسته
* صحبت خیلی سریع یا چند نفر هم‌زمان
* مکالمه احساسی یا غیربالینی طولانی
* اسم داروها با تلفظ غیرمعمول



❌ برای گفت‌وگوی محاوره‌ای → ضعیف
⚠️ حتماً نیاز به تأیید و ویرایش پزشک دارد
⚠️ اگر درست استفاده نشود، حتی می‌تواند بار کاری پزشک را بیشتر کند

🆔 @AI_HealthHub

پست بعدی ابزارهای ایرانی مشابه

شما هم جیمیل هاتون به مشکل خورده ؟🤨

صوت‌به‌متن  برای ویزیت
چند تا از اپ های داخلی رو برای ویزیت #پزشکی بررسی کردم
🆔 @AI_HealthHub

🥇 — نویسا پزشکی
🔗 https://asr-gooyesh.com
💬 تجربه استفاده:
اگر رسمی و شمرده صحبت کنید، خروجی تمیز و قابل قبول می‌دهد. اصطلاحات پزشکی را نسبتاً خوب می‌شناسد.
روی ویندوز نصب می‌شود و مستقیم داخل Word یا HIS تایپ می‌کند.
✅ مناسب برای: گزارش‌نویسی، رادیولوژی، دیکته ساختاریافته
❌ نقطه ضعف: باید واضح حرف بزنید؛ مکالمه طبیعی و سریع ویزیت را کامل نمی‌گیرد
🆔 @AI_HealthHub

🥈 — فارس‌آوا
🔗 https://amerandish.com/farsava
💬 تجربه استفاده:
برای تبدیل ویس به متن عمومی خوبه. سریع و آنلاین.
اما وقتی اسم دارو یا اصطلاح تخصصی می‌گویید، معمولاً نیاز به اصلاح دارد.
✅ مناسب برای: تبدیل فایل صوتی به متن
❌ مناسب ویزیت زنده نیست
❌ ساختار پزشکی تولید نمی‌کند
🆔 @AI_HealthHub

🥉 — آوانگار
🔗 https://ivira.ai
💬 تجربه استفاده:
روی موبایل راحت است. لهجه را نسبتاً خوب می‌گیرد.
ولی کاملاً عمومی است — برای نوت پزشکی باید خودتان ساختاربندی کنید.
✅ مناسب برای: یادداشت سریع روی گوشی
❌ ابزار تخصصی پزشکی نیست


🎯 اگر دنبال چیزی شبیه Ambient Listening هستید که مکالمه #ویزیت را گوش بدهد و نوت پزشکی ساختاریافته بدهد
فعلاً نسخه ایرانی بالغ و کاملش وجود ندارد.

⚠️ هر سه ابزار نیاز به تأیید و اصلاح پزشک دارند.
🆔 @AI_HealthHub

متاسفانه در مورد نظرات کاربران از جمله پزشکان در مورد اپهای داخلی و میزان رضایتشون دیتایی وجود نداشت اگر کار کردین یا این اپها نظرتون رو بگین