❓آیا می‌توان به هوش مصنوعی در رادیولوژی اعتماد کرد؟
🔸پاسخ در "سنجش عدم قطعیت" نهفته است

✍️با ورود هوش مصنوعی (Artificial Intelligence) به دنیای رادیولوژی، با الگوریتم‌هایی روبرو هستیم که گاهی عملکردی فراتر از انتظار دارند. اما یک سؤال کلیدی همیشه در ذهن پزشکان باقی می‌ماند:

🔄 این مدل‌ها تا چه حد به تشخیص خود اطمینان دارند؟

هوش مصنوعی، هرچقدر هم که قدرتمند باشد، اگر مانند یک "جعبه سیاه" عمل کند و نتواند میزان قطعیت خود را بیان کند، نمی‌تواند به یک همکار قابل اعتماد در محیط بالینی تبدیل شود. اینجاست که مفهوم "سنجش عدم قطعیت" (Uncertainty Quantification یا UQ) اهمیت پیدا می‌کند.

⏪اگر بخواهیم ساده بگوییم، UQ در واقع آموزش دادن به مدل هوش مصنوعی است تا یاد بگیرد چه زمانی بگوید: "من مطمئن نیستم". این قابلیت، تفاوت میان یک ابزار صرفاً فنی و یک دستیار تشخیصی هوشمند را رقم می‌زند. در حالی که معیارهای رایج مثل حساسیت (sensitivity) و ویژگی (specificity) به ما می‌گویند که یک مدل به طور میانگین چقدر خوب کار می‌کند، UQ به ما درباره یک تشخیص خاص برای یک بیمار مشخص اطلاعات می‌دهد.

این یعنی وقتی مدل با یک کیس پیچیده، نادر یا تصویری با کیفیت پایین مواجه می‌شود، می‌تواند به جای ارائه یک پاسخ قطعی اما بالقوه اشتباه، به پزشک هشدار دهد که این مورد نیاز به بررسی دقیق‌تر انسانی دارد.✨

⭕️این عدم قطعیت دو منشأ اصلی دارد.

1️⃣

گاهی مشکل از خود داده است؛ مثلاً یک تصویر سی‌تی اسکن نویزدار یا آرتیفکت‌دار. حتی بهترین رادیولوژیست‌ها هم در تفسیر چنین تصاویری با چالش روبرو هستند. به این نوع، عدم قطعیت ذاتی (aleatoric uncertainty) می‌گویند که جزئی جدایی‌ناپذیر از داده است.

اما نوع دوم...

2️⃣

که برای ارزیابی مدل‌های AI حیاتی‌تر است، عدم قطعیت شناختی (epistemic uncertainty) نام دارد. این عدم قطعیت ناشی از محدودیت دانش خود مدل است. وقتی مدل با بیماری نادری مواجه می‌شود که در داده‌های آموزشی‌اش به ندرت دیده شده، دچار این نوع از عدم قطعیت می‌شود.

بالا بودن این شاخص یک زنگ خطر جدی است

و به ما می‌گوید که مدل در

خارج از "منطقه امن"

خود در حال تصمیم‌گیری است.

🎓مراکز تحقیقاتی پیشرو در دنیا، مانند کلینیک مایو (Mayo Clinic)، تمرکز ویژه‌ای بر پیاده‌سازی این روش‌ها دارند تا مدل‌های هوش مصنوعی را از ابزارهای تحقیقاتی به دستیارهای بالینی قابل اعتماد تبدیل کنند.

📌هدف نهایی این است که هوش مصنوعی نه به عنوان یک جایگزین، بلکه به عنوان یک همکار ایمن و شفاف در کنار رادیولوژیست قرار گیرد؛ همکاری که نقاط ضعف خود را می‌شناسد و در مواقع حساس، از متخصص انسانی کمک می‌خواهد. در نهایت، آینده‌ی هوش مصنوعی در پزشکی نه به قدرت محاسباتی آن، بلکه به میزان خودآگاهی و قابل اعتماد بودنش بستگی دارد.

👁در ارائه‌ای با حضور دکتر شهریار فغانی در رویداد MedAI Summit به این موضوع خواهیم پرداخت.

🌐MedAISummit
🌐LinkedIn💠🔗Twitter💠🌐Instagram

#معرفی_سخنران

⭐️ Dr. Shahriar Faghani
💠 Radiology Resident at Penn. School of Medicine | Assistant Professor of Radiology at Mayo Clinic

🗣 Presentation Title :

"An Introduction to Uncertainty Quantification in Radiology ML/DL Models"

📚 Educational Background :
🔵 Radiology Resident, Penn. School of Medicine
🔵 Medical Doctor, TUMS
🔵 B.Sc. in Mathematics, UT

🔬 Scientific Background :
➡️ Assistant Professor of Radiology, Mayo Clinic
➡️ Postdoctoral Research Fellow, Mayo AI Lab
➡️ Top 1% at Total GPA of TUMS Medical Students
➡️ Top 2.5% at Basic Science and Pre-Internship exam
➡️ Gold Medalist, Iran Biology Olympiad
➡️ Silver Medalist, International Biology Olympiad

👤 Member of :
📌 CS/Informatics Committee, Americal Society of Radiology
📌 Trainee Committee, American Society of Functional NeuroRadiology
📌 AI Steering Committee, American Society of Spine Radiology

📝 Research Topics :
✅ NeuroRadiology
✅ Deep Learning
✅ Imaging Informatics
✅ Uncertainty Quantification

🔗 لینک ثبت‌نام در رویداد

🌐MedAISummit
🌐LinkedIn 💠🔗Twitter 💠🌐Instagram

👾هوش مصنوعی Agentic: فصل جدیدی در رادیولوژی مبتنی بر AI!

❓تا به امروز، ما به هوش مصنوعی (Artificial Intelligence) در رادیولوژی به عنوان یک "ابزار" نگاه کرده‌ایم. ابزاری برای تشخیص ضایعات، دسته‌بندی تصاویر یا اندازه‌گیری تومورها. این ابزارها عمدتاً "منفعل" هستند. یعنی ما به آن‌ها یک وظیفه مشخص می‌دهیم و آن‌ها نتیجه را تحویل می‌دهند. اما چه اتفاقی می‌افتد اگر هوش مصنوعی از یک ابزار صرف، به یک "همکار فعال" و "عامل" (Agentic) تبدیل شود؟ اینجاست که مفهوم «هوش مصنوعی Agentic» وارد میدان می‌شود!

☯️هوش مصنوعی Agentic، تنها یک تحلیلگر تصویر نیست؛ بلکه یک سیستم هوشمند است که می‌تواند به طور مستقل، هدف‌گذاری و برنامه‌ریزی کند و وظایف پیچیده‌ای را در اکوسیستم رادیولوژی به سرانجام برساند. تصور کنید سیستمی را که نه تنها یک ندول ریوی مشکوک را در سی‌تی اسکن تشخیص می‌دهد، بلکه به صورت خودکار:

1⃣ نتایج را با سوابق پیشین بیمار مقایسه می‌کند.
2⃣ بر اساس گایدلاین‌های بالینی، میزان ریسک بدخیمی را ارزیابی می‌کند.
3⃣ یک گزارش اولیه استاندارد و ساختاریافته تهیه می‌کند.
4⃣ نوبت بیوپسی یا سی‌تی اسکن پیگیری (follow-up) را برای بیمار پیشنهاد یا حتی زمان‌بندی می‌کند.
5⃣ و در نهایت، تمام این اطلاعات را به شکلی خلاصه و اولویت‌بندی شده در اختیار رادیولوژیست قرار می‌دهد تا تصمیم نهایی را اتخاذ کند.


💡این هوش مصنوعی دیگر منتظر دستور نمی‌ماند، بلکه به صورت فعال (proactive) برای رسیدن به یک هدف بالینی (مثلاً "مدیریت جامع ندول ریوی بیمار") گام برمی‌دارد. این سیستم‌های Agentic می‌توانند وظایف تکراری و زمان‌بر را از دوش رادیولوژیست‌ها بردارند و به آن‌ها اجازه دهند تا بر روی پیچیده‌ترین و حیاتی‌ترین جنبه‌های کار خود، یعنی تفسیر نهایی، مشورت با پزشکان دیگر و ارتباط با بیمار، تمرکز کنند.

📌البته، حرکت به سوی Agentic AI چالش‌های جدیدی را نیز به همراه دارد. مهم‌ترین دغدغه، حفظ کنترل و نظارت انسانی است. این سیستم‌ها نباید به "جعبه‌های سیاه" خودکاری تبدیل شوند که بدون شفافیت تصمیم‌گیری می‌کنند. طراحی آن‌ها باید به گونه‌ای باشد که رادیولوژیست همیشه در رأس هرم تصمیم‌گیری و مسئولیت‌پذیری باقی بماند و بتواند در هر مرحله‌ای، اقدامات سیستم را تأیید، اصلاح یا متوقف کند. چرا که ایمنی بیمار و ملاحظات اخلاقی همیشه حرف اول را می‌زند!

🐦 هوش مصنوعی Agentic، یک رویا نیست، بلکه گامی بعدی در تکامل هوش مصنوعی در پزشکی است. این فناوری پتانسیل آن را دارد که رادیولوژی را از یک حوزه عمدتاً تشخیصی، به یک مرکز هوشمند برای مدیریت مسیر درمانی بیمار تبدیل کند.✨
✅ در این چشم‌انداز، رادیولوژیست نه تنها یک مفسر تصویر، بلکه یک مدیر اطلاعات بالینی است که با دستیاری یک هوش مصنوعی فعال و کارآمد، بهترین و سریع‌ترین خدمات را به بیمار ارائه می‌دهد.

💬دانشگاه‌ها، بیمارستان‌ها و شرکت‌های بسیاری نیز در این مسیر گام برداشته‌اند و برای مثال، می‌توان نام Mayo Clinic را به عنوان یکی از برترین مراکز علمی و تحقیقاتی در زمینهٔ هوش مصنوعی در پزشکی ذکر کرد.

🔷در ارائه‌ای در رویداد MedAI Summit به این موضوع بسیار مهم خواهیم پرداخت🔷

🌐MedAISummit
🌐LinkedIn 💠 🔗Twitter 💠
🌐Instagram

#معرفی_سخنران

⭐️ Dr. Pouria Rouzrokh
💠 Radiology Resident at Yale University | Assistant Professor of Radiology at Mayo Clinic

🗣 Presentation Title :

"Agentic AI in radiology : from generative AI to Agentic AI"

📚 Educational Background :
🔵 Doctor of Medicine (MD), Tehran University of Medical Sciences
🔵 Master of Public Health (MPH)
🔵 Master of Health Professions Education (MHPE)

🔬 Professional Appointments & Research Roles :
➡️ Assistant Professor of Radiology, Mayo Clinic
➡️ Research Associate, Radiology Informatics Lab, Mayo Clinic AI Lab
➡️ Postdoctoral Research Fellow, Radiology Informatics Lab, Mayo Clinic AI Lab
➡️ Radiology Resident, Yale University

👤 Memberships & Leadership Roles :
📌 Radiological Society of North America (RSNA)
🔘 Associate Director for Deep Learning Labs, Chicago, IL (Hybrid)
🔘 Member of the RadioGraphics Trainee Editorial Board (RG Team)
📌 Society for Imaging Informatics in Medicine (SIIM)
🔘 Member, Education Sub-Committee
📌 Mayo Clinic AI Lab (Radiology Informatics Lab), Active researcher in radiology AI

🏅 Selected Achievements :
💠 RSNA Honored Educator Award (2025)
💠 RSNA Trainee Research Prize (2022 & 2023)
💠 Recognized for contributions to AI education and medical imaging research

📝 Research Interests :
✅ Artificial Intelligence & Deep Learning in Radiology
✅ Imaging Informatics & Data Science
✅ Radiology Workflow Optimization
✅ Medical Education & Innovation

😀 لینک ثبت‌نام در رویداد

🌐 MedAISummit
🌐LinkedIn 💠🔗Twitter 💠🌐Instagram

⬅️ ساختن آیندهٔ صنعت سلامت با هوش مصنوعی مولد!

☑️ هوش مصنوعی مولد (Gen AI) فناوری‌ای است که می‌تواند با بهبود تشخیص‌های پزشکی، شخصی‌سازی درمان‌ها و افزایش کارایی مراقبت از بیماران، آینده صنعت سلامت را به شکل دیگری رقم بزند. برای دانشجویان پزشکی و متخصصان غیر فنی اما، آشنایی با Generative AI فرصتی است برای مشارکت در تحولی که پزشک و کار پزشکی را با هوش مصنوعی پیوند می‌دهد.

🔙 هوش مصنوعی مولد یا (Gen AI) از مدل‌های زبانی بزرگ (LLMs) و سایر مدل‌های پایه‌ای (Foundation models) استفاده می‌کند که توسط مهندسان هوش مصنوعی برای توسعه ابزارهایی مانند تحلیل داده‌های پزشکی، تهیه گزارش‌های بالینی یا پیش‌بینی بیماری‌ها به کار می‌روند. و این فناوری به افراد غیرمتخصص در برنامه‌نویسی هم این امکان می‌دهد تا برنامه‌های کاربردی‌ای بسازند که به پزشکان و سایر افراد مشغول در صنعت سلامت در تصمیم‌گیری‌های دقیق‌تر یا بهبود فرآیندهای درمانی (از کارهای تکراری گرفته تا پروسه‌های طاقت‌فرسا‌ و...) کمک کند.

در حوزه مراقبت‌های سلامت، Gen AI کاربردهای عملی و ملموسی دارد. این فناوری می‌تواند در

🩻‌ تحلیل تصاویر پزشکی برای تشخیص زودهنگام بیماری‌ها، 🧪 کمک به تحقیقات دارویی یا 📝 ساده‌سازی وظایف اداری مانند مدیریت اطلاعات بیماران و بسیاری از موارد دیگر نقش داشته باشد و صرفا برای مثال، ابزارهای مبتنی بر Gen AI می‌توانند به متخصصان قلب در شناسایی بیماران پرخطر یاری رسانند یا به پزشکان امکان دهند تمرکز بیشتری بر مراقبت مستقیم از بیماران داشته باشند. 🫀

🎆در یکی از جلسات رویداد که به کارگاه آموزشی اختصاص دارد، در خدمت متخصص قلبی هستیم که از دانشگاه علوم پزشکی تهران فارغ‌التحصیل شده و در دیجی‌کالا مهندس نرم‌افزار است و در زمینه ساخت محصولات مبتنی بر Gen AI فعالیت می‌کند. این کارگاه برای افراد غیرفنی علاقه‌مند به «طراحی و ساخت محصولات دیجیتال مبتنی بر هوش مصنوعی مولد» طراحی شده است تا پس از آشنایی با مقدمات و اصول این زمینه، مسیر خود را برای ساختن آیندهٔ صنعت سلامت آغاز کنند!🎆

🌐MedAISummit
🌐LinkedIn 💠 🔗Twitter 💠🌐Instagram

#معرفی_سخنران

⭐️ Dr. Reza Shahnazar
💠Cardiologist, Al Engineer & Entrepreneur

🗣 Workshop's Title :

"Introduction & Principles of Building GenAI-based applications in the Healthcare Industry."

📚 Educational Background :
🔵 Medical Doctor, TUMS
🔵 Cardiologist, TUMS

🔬 Scientific Background & published articles :
➡️ Machine learning applications in medical diagnostics
➡️ Clinical informatics and digital health innovation

👤 Industrial Background :
📌 Software Engineer at Digikala
📌 Product Marketing Manager at Digikala
📌 Co-founder & CPO at ZiDoctor
📌 Technical PM & Full-Stack Developer

🏅 Achievements :
💠 Gold Medalist, Iran Biology Olympiad

🔗لینک ثبت‌نام در رویداد

🌐MedAISummit
🌐LinkedIn 💠🔗Twitter 💠🌐Instagram

🔖 یک دهه از ورود «هوش مصنوعی به دندانپزشکی» گذشته، اما به کجا رسیده‌ایم؟

🗺️ یک نقشه راه علمی که بیش از هزار مقاله را تحلیل کرده است، حقایق جالبی را برای‌مان آشکار می‌کند که بیشترین تمرکز الگوریتم‌ها روی رادیولوژی دهان و دندان و تشخیص‌ها بوده، در حالی که حوزه‌هایی مانند «پروتز و دندانپزشکی کودکان» کمتر مورد توجه قرار گرفته‌اند!

🎯 همچنین، می‌بینیم که اکثر مدل‌های هوش مصنوعی توسعه داده‌شده، برای وظایف مشخصی مثل «طبقه‌بندی» تصاویر پانورامیک یا «جداسازی عصب در CBCT» توسعه یافته‌اند و سایر زمینه‌ها خالی از محصولات جدی هستند!

⌛ این پیشرفت‌ها خوب است، اما سوال اصلی اینجاست:

چگونه این ابزارهای تخصصی به یک دستیار بالینی جامع و قابل اعتماد تبدیل می‌شوند؟

↙️ برای بررسی این مسیر، از مبانی تئوریک تا چشم‌انداز آینده، میزبان یکی از پژوهشگران اصلی همین مقاله مروری جامع خواهیم بود و سخنرانی ایشان، با عنوان «هوش مصنوعی در دندانپزشکی؛ از گذشته تا امروز»، فرصتی برای درک عمیق‌تر این نقشه راه و ویژهٔ پژوهشگران، علاقه‌مندان و فعالان «هوش مصنوعی در دندان‌پزشکی» است.

🌐MedAISummit
🌐LinkedIn 💠 🔗Twitter 💠 🌐Instagram

#معرفی_سخنران

⭐️ Dr. Sahel Hassanzadeh Samani
💠 Dentist, AI in dentistry Researcher

🗣 Presentation Title :

"Artificial Intelligence in Dentistry, from Past to Present"

📚 Educational Background:
🔵 DDS, Shahid Beheshti University of Medical Sciences

🔬 Scientific Background & published articles :
➡️ Researcher, Shahid Beheshti University of Medical Sciences
➡️ Co-author of one of the most comprehensive "Mapping Reviews" of Deep Learning in Dentistry
➡️ Developer of a novel deep learning framework for facial analysis using the iris as a biometric ruler (Published in Scientific Reports)
➡️ Researcher on AI for skeletal maturation classification

📝 Research Interests:
✅ Deep Learning in Dentistry
✅ Facial Aesthetic Analysis & Computer Vision
✅ Cephalometric & Orthodontic AI
✅ Clinical Workflow Automation

🔗 لینک ثبت نام در رویداد

🌐MedAISummit
🌐 LinkedIn💠🔗Twitter💠🌐Instagram

💬 سوالات رایج | بخش اول

❓ آیا رویداد به‌صورت حضوری نیز برگزار می‌شود؟
✅ خیر، اولین دوره از رویداد سمینارهای سالانهٔ هوش مصنوعی در علوم پزشکی (MedAI Summit) به‌صورت کاملاً آنلاین در روزهای ۸ و ۹ آبان برگزار خواهد شد.

❓ در زمان برگزاری رویداد امکان شرکت به‌صورت آنلاین را نداریم، آیا جلسات ضبط می‌شوند؟
✅ بله، تمامی جلسات ضبط می‌شوند و پس از پایان رویداد، در اختیار تمام افرادی که ثبت‌نام کرده‌اند قرار خواهند گرفت.

❓ آیا به شرکت‌کنندگان رویداد سرتیفیکیت نیز اهدا خواهد شد؟
✅ بله، به تمامی شرکت‌کنندگان رویداد، سرتیفیکیت معتبر انگلیسی از سوی مجموعه‌های برگزارکنندهٔ این برنامه تقدیم خواهد شد.

❓ آیا رویداد فقط مختص دانشجویان علوم پزشکی است یا برای گروه‌های دیگری نیز مفید خواهد بود؟
✅ بله، این برنامه با هدف گردهم‌آوری افراد سرشناس در حوزهٔ هوش مصنوعی در علوم پزشکی راه‌اندازی شده است و ارائه‌ها و کارگاه‌ها برای تمامی علاقه‌مندان، از مبتدی تا پیشرفته، مناسب خواهد بود.

❓ سخنرانی‌ها و کارگاه‌ها به چه زبانی ارائه خواهند شد؟
✅ تمامی سخنرانی‌ها، کارگاه‌ها و بخش‌های برنامه به زبان فارسی ارائه خواهند شد، اما امکان ویژه‌ای نیز برای شرکت‌کنندگان خارجی در نظر گرفته شده است که به‌زودی اطلاع‌رسانی خواهد شد.

❓ آیا امکان ثبت‌نام از خارج از ایران نیز وجود دارد؟
✅ بله، تمامی علاقه‌مندان از سراسر دنیا می‌توانند در این برنامه ثبت‌نام کنند و توضیحات مربوط به ثبت‌نام شرکت‌کنندگان خارج از کشور به‌زودی به اطلاع‌تان خواهد رسید.

◀️ در صورت وجود هرگونه سؤال دیگر، با ما در ارتباط باشید.
🆔 @MedAISummit_Admin

🔹 فرصت ثبت‌نام زودهنگام در حال اتمام است و پیشنهاد می‌کنیم هرچه سریع‌تر ثبت‌نام‌تان را نهایی کنید.

🔗 لینک ثبت نام در رویداد

🌐MedAISummit
🌐 LinkedIn💠🔗Twitter💠🌐Instagram

🔖 کاربرد هوش مصنوعی در تشخیص زوال عقل به کجا رسیده است؟

🗺️ زوال عقل یک اختلال پیشرونده مغزی است که حافظه، تفکر و فعالیت‌های روزانه را مختل می‌کند و بیش از ۵۵ میلیون نفر را در سراسر جهان تحت تأثیر قرار داده است! همچنین پیش‌بینی می‌شود که این تعداد تا سال ۲۰۵۰ سه برابر هم شود! انواع مختلفی دارد که اغلب به دلیل علائم همپوشان و آزمایش‌های تهاجمی، دیر تشخیص داده می‌شود. اما هوش مصنوعی (AI) توانسته است که این حوزه را با تحلیل داده‌های عظیم از اسکن‌ها، آزمایش‌های خونی و دستگاه‌های پوشیدنی تغییر دهد تا «نشانه‌های اولیه را که انسان‌ها ممکن است از دست بدهند»، شناسایی کند.

✅ یکی از کاربردهای بسیار مهم، «تشخیص و پیش‌بینی» است. ابزارهای مبتنی بر هوش مصنوعی، اسکن‌های مغزی مانند پوزیترون امیشن توموگرافی فلورودئوکسی‌گلوکز (FDG-PET) را پردازش می‌کنند تا مصرف گلوکز را بررسی کنند تا به این صورت، الگوهای فعالیت مرتبط با انواع خاص زوال عقل را شناسایی نمایند! برای مثال، می‌توانیم آلزایمر -که مناطق حافظه را تحت تأثیر قرار می‌دهد- را از زوال عقل پیشانی‌گیجگاهی -که بر مناطق زبانی تأثیر می‌گذارد - افتراق دهیم! همچنین در هنگام ارائه پیش‌بینی، AI سوابق بالینی، ژنتیک و عوامل سبک زندگی را ادغام می‌کند تا پیشرفت بیماری را تا حتی هفت سال جلوتر پیش‌بینی کند.

🎯 تحقیقات اخیر زیادی هم بر روی این مسئله انجام شده و می‌شود و همه روزه شاهد پیشرفت‌های سریع AI هستیم:

◀️ برای مثال در ژوئن ۲۰۲۵، ابزار StateViewer که در Mayo Clinic توسعه داده شده بود، یک اسکن FDG-PET واحد را در مقابل پایگاه داده‌ای با بیش از ۳۶۰۰ مورد تحلیل کرد و ۹ نوع زوال عقل را با دقت ۸۸ درصد شناسایی نمود! که تقریباً دو برابر سریع‌تر از روش‌های سنتی است!

◀️ یک مطالعهٔ دیگری هم در سپتامبر ۲۰۲۵ انجام شد که از یادگیری ماشین برای طبقه‌بندی آلزایمر و مدل‌سازی پیشرفت از داده‌های چندوجهی (multi-modal) مانند EEG و ژنتیک استفاده می‌کند!

◀️ حتی در اکتبر ۲۰۲۵ که چند روز پیش محسوب می‌شود هم، مطالعه‌ای در بریتانیا AI را با نشانگرهای خونی ترکیب کرد تا دقت تشخیصی را از ۷۰ درصد به بیش از ۹۰ درصد افزایش دهد و زمان انتظار را از سال‌ها به ماه‌ها کاهش دهد!
✅ این تلاش‌ها دستاوردهای ملموسی به همراه دارند. تأیید FDA در سال ۲۰۲۴ برای BrainSee یک نقطه عطف بود که از AI روی تصاویر و سوابق برای پیش‌بینی پیشرفت آلزایمر در پنج سال استفاده می‌کند و متخصصان غیرحرفه‌ای را توانمند می‌سازد.

⬅️ در یکی از سخنرانی‌های رویداد نیز پای صحبت یکی از متخصصین این حوزه خواهیم نشست و از آخرین پیشرفت‌های هوش مصنوعی در تشخیص و طبقه‌بندی دمانس مطلع خواهیم شد.

🌐MedAISummit
🌐LinkedIn 💠 🔗Twitter 💠 🌐Instagram

#معرفی_سخنران

⭐️Dr. Hamidreza Saligheh Rad
💠MRI Physicist, Al Scientist

🗣 Presentation Title :

"Artificial Intelligence & Alzheimer's disease diagnosis"

📚 Educational Background :
🔵Postgraduate Degree, Biomedical & Medical Engineering, Harvard Medical School
🔵Ph.D.,Telecommunications, Queen's University
🔵 B.Sc. in Control Systems, Sharif University of Technology

🔬 Scientific Background :
➡️Assistant Professor of Medical Physics, Tehran University of Medical Sciences
➡️Postdoctoral Fellow, Harvard University & Hospital of the University of Pennsylvania
➡️Visiting Professor, University of Leeds

👤 Memberships & Leadership Roles :
📌 Director, Quantitative MR Imaging and Spectroscopy Group (QMISG)
📌Scientific Associate, National Brain Mapping Laboratory (NBML)
📌Chairman, Medical Imaging Physics Committee, Iranian Society of Radiology
📌President, KIO Medical

📝 Research Interests :
✅MR Image Quantification
✅Advanced MR Pulse Sequences
✅Computational Modeling
✅Neurodegenerative, Cancer and
Musculoskeletal Diseases

🔗 لینک ثبت نام در رویداد

🌐MedAISummit
🌐Linkedin 💠🔗Twitter💠🌐Instagram

🏃‍♂️هوش مصنوعی و ECG: آغازگر دورانی نوین در سلامت قلب!

💠◀️تا به امروز، الکتروکاردیوگرام یا ECG (نوار قلب) به عنوان یک ابزار تشخیصی حیاتی اما عمدتاً واکنشی در پزشکی قلب و عروق مطرح بوده است. ابزاری برای شناسایی آریتمی‌های موجود، تشخیص سکته‌های قلبی حاد یا ارزیابی‌های پایه‌ای از عملکرد الکتریکی قلب. این ابزار به خودی خود منتظر وقوع یک رویداد قلبی است تا آن را ثبت کند. اما چه می‌شود اگر بتوانیم از این داده‌های الکتریکی برای پیش‌بینی آینده سلامت قلب یک بیمار استفاده کنیم؟⏪اینجا نقطه‌ای است که هوش مصنوعی مبتنی بر ECG از یک ابزار ثبت‌کننده، به یک "پیش‌بینی‌کننده فعال" و "طبقه‌بند ریسک هوشمند" تبدیل می‌شود!

❗️ هوش مصنوعی در تحلیل ECG، تنها یک مفسر الگوهای موجی نیست؛ بلکه یک سیستم تحلیلی عمیق است که می‌تواند به طور مستقل، ریسک‌های پنهان را شناسایی کرده، بیماران را اولویت‌بندی نماید و مسیر مراقبتی بیمار را بهینه کند. سیستمی را تصور کنید که نه تنها یک ضربان نامنظم را تشخیص می‌دهد، بلکه به صورت خودکار:

1⃣ ریسک فیبریلاسیون دهلیزی آینده را پیش‌بینی می‌کند، حتی زمانی که ECG فعلی بیمار ریتم طبیعی را نشان می‌دهد.
2⃣ علائم ظریف و پنهان اختلال عملکرد بطن چپ را شناسایی می‌کند که ممکن است برای چشم غیرمسلح یک پزشک قابل رؤیت نباشد و ریسک نارسایی قلبی را پیش‌بینی کند.
3⃣ بیماران در معرض خطر مرگ ناگهانی قلبی را با دقت بالا شناسایی کرده و هشدارهای لازم را هفته‌ها قبل از وقوع حادثه ارائه می‌دهد.
4⃣ یک گزارش ریسک ساختاریافته و قابل فهم تهیه می‌کند و بر اساس آن، اقدامات پیشگیرانه مانند تجویز دارو یا تغییر سبک زندگی را پیشنهاد می‌دهد.
5⃣ بیماران پرخطر را برای مداخلات درمانی سریع‌تر اولویت‌بندی می‌کند و به پزشک اجازه می‌دهد تا منابع محدود را به صورت کارآمدتری مدیریت کند.

🕯 این هوش مصنوعی دیگر تنها به تفسیر لحظه‌ای نمی‌پردازد، بلکه به صورت فعال (proactive) برای رسیدن به یک هدف بالینی بزرگ‌تر [مثلاً "پیشگیری از نارسایی قلبی در بیمار مستعد"] گام برمی‌دارد.
این سیستم‌های هوشمند می‌توانند حجم عظیمی از داده‌های ECG را با سرعتی فراتر از توان انسان تحلیل کرده و به متخصصان قلب اجازه دهند تا تمرکز خود را از درمان بیماری‌های پیشرفته به سمت پیشگیری زودهنگام و مدیریت شخصی‌سازی‌شده بیماران معطوف کنند.

🔍البته، ادغام این فناوری در عمل بالینی با چالش‌هایی نیز همراه است. مهم‌ترین دغدغه، شفافیت و قابل تفسیر بودن الگوریتم‌هاست. این سیستم‌ها نباید مانند "جعبه‌های سیاه" عمل کنند.طراحی آن‌ها باید به گونه‌ای باشد که پزشک همیشه درک روشنی از مبنای تصمیم‌گیری هوش مصنوعی داشته باشد و به عنوان تصمیم‌گیرنده نهایی، مسئولیت کامل درمان بیمار را بر عهده بگیرد. حفظ حریم خصوصی داده‌های بیماران و استانداردسازی مجموعه داده‌ها برای آموزش مدل‌های دقیق نیز از دیگر ملاحظات حیاتی است.

🪄 هوش مصنوعی مبتنی بر ECG یک داستان علمی-تخیلی نیست، بلکه واقعیت امروز و آینده‌ی انکارناپذیر پزشکی قلب است. این فناوری پتانسیل آن را دارد که کاردیولوژی را از یک رشته متمرکز بر درمان، به یک حوزه پیشگام در پیش‌بینی و پیشگیری از بیماری‌ها تبدیل کند.✨

😀 در این چشم‌انداز، متخصص قلب نه تنها یک درمانگر، بلکه یک مدیر ریسک بالینی است که با کمک یک دستیار هوشمند و خستگی‌ناپذیر، سلامت قلب بیماران خود را در افق زمانی بلندمدت تضمین می‌کند.

🔅مراکز تحقیقاتی پیشرو و شرکت‌های فناوری در سراسر جهان در حال توسعه و اعتبارسنجی این الگوریتم‌ها هستند و پیش‌بینی می‌شود که به زودی شاهد استفاده گسترده از این ابزارهای هوشمند در بیمارستان‌ها و کلینیک‌ها باشیم.

⏺ در ارائه‌ای در رویداد MedAI Summit به این موضوع بسیار مهم خواهیم پرداخت.

🌐MedAISummit
🌐LinkedIn 💠🔗Twitter 💠🌐Instagram

#معرفی_سخنران

⭐️ Dr. Ali Bozorgi
💠 Expert in Cardiac Electrophysiology, AI applications in Cardiology, and Digital Health Innovation

🗣 Presentation Title :

AI-ECG for Early Detection & Risk Stratification

📚 Educational Background :
🔵 Doctor of Medicine (MD), Tehran University of Medical Sciences
🔵 Cardiology Residency, Tehran Heart Center
🔵 Fellowship in Cardiac Electrophysiology, Tehran Heart Center

🔬 Professional Appointments & Leadership Roles :
➡️ Dean of Tehran Heart Center EP Ward, Tehran Heart Center)
➡️ Director of EP Fellowship Program, Tehran Heart Center
➡️ Cardiac Electrophysiologist, Tehran Heart Center / TUMS
➡️ Director of Cardiology Residency Program, Tehran University of Medical Sciences
➡️ Vice President of International Affairs, Tehran Heart Center

👤 Editorial & Academic Contributions :
📌 Cardiac Electrophysiologist, Tehran Heart Center
📌 Associate Professor of Cardiology, Tehran University of Medical Sciences
📌 Editor-in-Chief, CardioCase.com
📌 Associate Editor, Heart (BMJ)
📌 Senior Associate Editor, RHYTHM, Research in Heart Yield and Translational Medicine

📝 Research & Professional Interests :
✅ Clinical Electrophysiology &۶ Cardiac Devices
✅ Digital Health and Artificial Intelligence in Cardiology
✅ Medical Education & Critical Thinking
✅ Inno Cardiology Workflow and Data-Driven Medicine

🔗لینک ثبت‌نام در رویداد

🌐MedAISummit
🌐LinkedIn 💠🔗Twitter 💠🌐Instagram

🔹آخرین فرصت ثبت‌نام زودهنگام

💬 ضمن عرض تشکر از استقبال شما همراهان عزیز، لازم به ذکر است که «تنها تا پایان امشب» جهت ثبت‌نام زودهنگام فرصت باقی است. لذا در صورت تمایل به حضور در برنامه، پیشنهاد می‌کنیم که هرچه سریع‌تر ثبت‌نام‌تان را نهایی کنید.

🔗لینک ثبت‌نام در رویداد

🌐MedAISummit
🌐LinkedIn 💠🔗Twitter 💠🌐Instagram

🔖 نگاهی به درون جعبه سیاه: درک، تفسیر و اعتماد به هوش مصنوعی پیشگو در پزشکی!

🔄سوال اصلی این است که چرا در پزشکی نمی‌توان به سادگی به یک "جعبه سیاه" اعتماد کرد؟! در سال‌های اخیر، هوش مصنوعی (AI) با توانایی تحلیل حجم بالایی از داده‌ها، در حال متحول کردن حوزه پزشکی است. الگوریتم‌های هوش مصنوعی می‌توانند الگوهای پنهان در سوابق پزشکی را شناسایی کرده و به تشخیص و پیش‌بینی بیماری‌ها کمک کنند. با این حال، بسیاری از این سیستم‌های پیشرفته مانند یک "جعبه سیاه" عمل می‌کنند؛ به این معنی که فرآیند تصمیم‌گیری آن‌ها حتی «برای سازندگان‌شان» نیز به طور کامل شفاف نیست! این عدم شفافیت، یک چالش بزرگ در مسیر پذیرش و اعتماد به هوش مصنوعی در محیط‌های بالینی است، جایی که تصمیمات می‌توانند «تأثیر مستقیمی» بر سلامت و زندگی انسان‌ها داشته باشند.

📋 ممکن است بپرسید که اصلا چرا شفافیت ضرورت دارد؟ نکته این‌جاست که وقتی یک پزشک دارویی را تجویز می‌کند یا تشخیصی را ارائه می‌دهد، می‌تواند «منطق پشت تصمیم» خود را بر اساس دانش پزشکی و شواهد بالینی توضیح دهد. اما اگر یک سیستم هوش مصنوعی یک تومور را بدخیم تشخیص دهد، چگونه می‌توانیم بفهمیم که بر چه اساسی به این نتیجه رسیده است؟ آیا به ویژگی‌های صحیح تصویر توجه کرده یا بر اساس یک عامل نامرتبط و تصادفی تصمیم گرفته است؟

✅ اینجاست که مفهوم "هوش مصنوعی قابل توضیح" (Explainable AI یا XAI) اهمیت پیدا می‌کند.XAI مجموعه‌ای از تکنیک‌ها و روش‌هاست که به ما امکان می‌دهد تا فرآیندهای داخلی و منطق تصمیم‌گیری مدل‌های هوش مصنوعی را درک کنیم. هدف XAI، باز کردن این جعبه سیاه و ایجاد شفافیت است تا پزشکان، بیماران و نهادهای نظارتی بتوانند به نتایج این سیستم‌ها اعتماد کنند.

💡 حالا سوال این است که چگونه می‌توانیم به درون جعبه سیاه نگاه کنیم؟ در سال‌های اخیر، روش‌های مختلفی برای قابل‌درک کردن تصمیمات هوش مصنوعی توسعه داده شده است. برای مثال، در تحلیل تصاویر پزشکی، می‌توان از تکنیک‌هایی مانند "نقشه‌های حرارتی" (heatmaps) استفاده کرد. این نقشه‌ها به صورت بصری نشان می‌دهند که الگوریتم برای رسیدن به تشخیص خود، به کدام نواحی از تصویر (مثلاً یک سی‌تی اسکن) بیشترین توجه را داشته است. برخی دیگر از روش‌ها، ویژگی‌هایی را که بیشترین تأثیر را در تصمیم‌گیری مدل داشته‌اند، برجسته می‌کنند. این شفاف‌سازی به متخصصان اجازه می‌دهد تا:

1⃣ اعتبارسنجی کنند: آیا هوش مصنوعی بر اساس نشانه‌های بالینی معتبر تصمیم‌گیری می‌کند؟
2⃣ خطاها را شناسایی کنند: آیا سیستم به دلیل داده‌های نامناسب یا سوگیری‌های پنهان، دچار خطا شده است؟
3⃣ اعتماد ایجاد کنند: پزشکان زمانی به یک ابزار هوش مصنوعی اعتماد کامل خواهند کرد که بتوانند منطق آن را درک کرده و آن را با دانش خود تطبیق دهند.

💠 حرکت به سوی هوش مصنوعی قابل اعتماد در پزشکی، تنها یک چالش فنی نیست، بلکه ابعاد اخلاقی و قانونی مهمی نیز دارد. موضوعاتی مانند حریم خصوصی بیماران، امنیت داده‌های پزشکی و مسئولیت‌پذیری در صورت بروز خطا، باید به دقت مورد توجه قرار گیرند.هدف نهایی، ساختن سیستم‌هایی است که نه تنها دقیق هستند، بلکه عادلانه، شفاف و پاسخگو نیز عمل می‌کنند.

💬 در نهایت، هوش مصنوعی یک ابزار قدرتمند در دستان پزشک است، نه جایگزین او. شفافیت و قابلیت تفسیر این ابزارها، این اطمینان را ایجاد می‌کند که پزشک همواره در مرکز فرآیند تصمیم‌گیری باقی می‌ماند و می‌تواند با اطمینان از این فناوری برای بهبود سلامت بیماران بهره ببرد.

👨‍💼 در ارائه‌ای در رویداد MedAI Summit به این موضوع بسیار مهم خواهیم پرداخت.

🌐MedAISummit
🌐LinkedIn 💠🔗Twitter 💠🌐Instagram

#معرفی_سخنران

⭐️ Dr. Soroush Nematollahi
💠 MD | Postdoctoral Research Fellow at Tehran Heart Center

🗣 Presentation Title :

"Seeing Inside the Black Box: Understanding, Interpreting, and Trusting Predictive AI in Medicine"

📚 Educational Background :
🔵 Doctor of Medicine (MD), Iran University of Medical Sciences (IUMS)

🔬 Scientific & Research Background :
➡️ Postdoctoral Research Fellow, Tehran Heart Center
➡️ Clinical Research Physician, Razi Vaccine & Serum Research Institute
➡️ Published multiple peer-reviewed papers in cardiovascular and endocrine research, including:
💠Evaluation of the Electrocardiography Changes in Patients with Perforated Peptic Ulcer
💠Early Scintigraphic Detection of COVID-19-associated Subacute Thyroiditis
💠Platelet Indices in Acute Coronary Syndrome Patients
💠Understanding the Role of Galectin-1 in Heart Failure: A Comprehensive Narrative Review

📝 Research Interests :
✅ AI-based Cardiac Diagnosis and Prediction
✅ Radiomics and Imaging Biomarkers
✅ Arrhythmia and ECG Signal Analysis
✅ Clinical Decision Support Systems

🔗لینک ثبت‌نام در رویداد

🌐MedAISummit
🌐LinkedIn 💠🔗Twitter 💠🌐Instagram

⏺ تمدید فرصت ثبت‌نام زودهنگام

🔺 همراهان عزیز توجه کنید که به دلیل اختلال ثبت‌نام به‌وجود آمده در ساعات پایانی دیشب، فرصت ثبت‌نام زودهنگام رویداد به مدت «یک روز دیگر» تمدید شد و همین حالا می‌توانید ثبت‌نام‌تان را نهایی کنید.

🔗 لینک ثبت‌نام در رویداد

🌐MedAISummit
🌐LinkedIn 💠🔗Twitter 💠🌐Instagram

🌏 Registration is NOW OPEN to international attendees!

💻 Join us virtually from anywhere in the world! Our summit is designed for everyone passionate about the intersection of AI and medical science, regardless of your background or familiarity with Persian. Enjoy live English transcription for all sessions and a key takeaways file summarizing the speeches.

➡️ To register, please message your full-name and nationality to the admin to begin the process. Upon registration, you will receive all necessary details, including the schedule, access links, and event instructions.

🌐MedAISummit
🌐LinkedIn 💠🔗Twitter 💠🌐Instagram

💠 توسعهٔ خط داده چند مرکزی کنسر پانکراس در ایران (پروژه PanCanAid)

☯️ سرطان پانکراس یکی از پیچیده‌ترین و چالش‌برانگیزترین سرطان‌هاست، جایی که تشخیص زودهنگام می‌تواند تفاوت میان زندگی و مرگ را رقم بزند. اما پیشرفت در این مسیر بدون دسترسی به داده‌های معتبر، استاندارد و گسترده، تقریباً غیرممکن است.
سؤال اساسی اینجاست: چگونه می‌توان تصاویر پزشکی و اطلاعات بالینی بیماران را به شکلی یکپارچه، قابل اعتماد و قابل استفاده برای پژوهش‌های پیشرفته جمع‌آوری و نگهداری کرد؟

🎯 پروژه ParsCT–PanCanAID پاسخی به این چالش است: ایجاد و نگهداری بزرگ‌ترین پایپ‌لاین داده‌های سرطان پانکراس در ایران! این ابتکار علمی با همکاری میان‌رشته‌ای رادیولوژیست‌ها، انکولوژیست‌ها، متخصصان علوم داده و تحلیل‌گران اطلاعات پزشکی، بستری فراهم می‌کند تا پژوهشگران بتوانند از تصاویر CT و داده‌های بالینی بیماران برای توسعه روش‌های تشخیص زودهنگام و بهبود مراقبت بالینی بهره ببرند.

📌اما مسیر ایجاد چنین زیرساختی با پرسش‌ها و چالش‌های مهمی همراه است:

👨‍💼چگونه می‌توان حریم خصوصی بیماران را همزمان با ایجاد یک مجموعه داده استاندارد حفظ کرد؟

🧍چه پروتکل‌ها و استانداردهایی لازم است تا داده‌ها بین مراکز مختلف قابل مقایسه و تحلیل باشند؟

🙍‍♀و چگونه این زیرساخت می‌تواند سکویی برای نوآوری‌های پزشکی و همکاری‌های بین‌المللی باشد؟

📡 در یکی از ارائه‌های MedAI Summit، این پرسش‌ها و چالش‌ها بررسی خواهند شد تا نشان داده شود که جمع‌آوری و نگهداری داده‌ها، نه تنها یک فعالیت فنی، بلکه یک گام بنیادین در مسیر تحول در تشخیص و درمان سرطان پانکراس است.

🌐MedAISummit
🌐LinkedIn 💠🔗Twitter 💠🌐Instagram

#معرفی_سخنران

⭐️ Dr. Seyed Amir Ahmad Safavi-Naini
💠 MD–MBA–MME | Physician–Scientist in AI & Digestive Health

🗣 Presentation Title :

"Development of a Multi-Center Pancreatic Cancer Pipeline in Iran (The PanCanAid Project)"

📚 Educational Background :
🔵 Doctor of Medicine (MD), Shahid Beheshti University of Medical Sciences
🔵 Master of Business Administration (MBA) – Healthcare Management, Shahid Beheshti University of Medical Sciences
🔵 Master of Medical Education (MME), Shahid Beheshti University of Medical Sciences
🔵 Postdoctoral Fellowship in Precision & Digital Medicine

🏛 Institutional Affiliations :
✔️Division of Data-Driven and Digital Medicine (D3M), Icahn School of Medicine at Mount Sinai, New York, United States
✔️ Research Institute for Gastroenterology and Liver Diseases (RIGLD), Shahid Beheshti University of Medical Sciences, Tehran, Iran

👤 Professional & Industrial Background :
📌 Researcher, The Charles Bronfman Institute for Personalized Medicine (D3M) – AI explainability, LLM benchmarking, and health data analytics
📌 Researcher, RIGLD – gastroenterology, precision diagnostics, and medical AI applications
📌 Founder, PanCanAID – collaborative AI project for early pancreatic cancer detection (multi-institutional initiative)
📌 Chief Strategy Officer (CSO), MedicAI – strategy and ML model implementation for medical imaging solutions
📌 Co-founder, Phili.ai – AI-powered clinical information optimization platform
📌 Curator, MLinMed – Machine Learning in Medicine education network
📌 Mentor, supervising >20 medical students in AI research

🔬 Scientific Background :
➡️ +50 peer-reviewed publications and preprints on AI, precision medicine, and clinical modeling
➡️ Focus areas: LLM explainability, AI-driven gastroenterology diagnostics, and digital health innovation
➡️ Led projects on early pancreatic cancer detection, 3D modeling of perianal fistulae, and AI integration in clinical workflows
➡️ Active collaborations across +10 research institutions in Iran, the US, and Europe

🏅 Honors & Awards :
💠 Silver Medal, National Olympiad of Medical Sciences, Ministry of Health (2020)
💠 Peer Mentoring Award, RIGLD (2023)
💠 DDW Distinguished Poster Award, Digestive Disease Week (2024)
💠 Top Rank (34/165), National Pre-Internship Exam (2019)
💠 Mofid Hospital Externship Curriculum Contributor, Letter of Appreciation from Dr. Saiary, Head of Pediatrics, SBMU (2018)
💠 Invited Speaker at international and national AI & Medicine conferences

🔗لینک ثبت‌نام در رویداد

🌐MedAISummit
🌐LinkedIn💠🔗Twitter 💠🌐Instagram

🔄 آیا یک عکس ساده از دهان می‌تواند جان انسان را نجات دهد؟

💠 پاسخ در توانایی هوش مصنوعی برای دیدن چیزهایی است که چشم انسان از دیدنشان عاجز است.

🔍 ضایعات دهانی بسیار شایع هستند. اکثر آن‌ها بی‌خطرند، اما تعداد کمی می‌توانند اولین نشانه یک ضایعه پیش‌سرطانی یا حتی سرطان دهان باشند. مشکل اینجاست که در مراحل اولیه، این ضایعات خطرناک از نظر ظاهری شباهت زیادی به ضایعات خوش‌خیم دارند❗️

این موضوع یک چالش بزرگ برای دندانپزشکان عمومی ایجاد می‌کند:

👥 کدام ضایعه نیاز به ارجاع فوری برای نمونه‌برداری (بیوپسی) دارد و کدام را می‌توان با خیال راحت تحت نظر گرفت؟

⏪ اینجا جایی است که هوش مصنوعی وارد میدان می‌شود. تصور کنید یک الگوریتم با ده‌ها هزار عکس از ضایعات دهانی که تشخیص آن‌ها با بیوپسی تأیید شده، آموزش داده شود. این الگوریتم یاد می‌گیرد الگوهای بسیار ظریف در بافت، رنگ و شکل ضایعه را تشخیص دهد؛ الگوهایی که ممکن است حتی از دید یک متخصص باتجربه هم پنهان بمانند.

🔥 قدرت واقعی این فناوری، نه جایگزینی متخصص، بلکه تبدیل شدن به یک ابزار غربالگری هوشمند و در دسترس است. هوش مصنوعی می‌تواند به دندانپزشک عمومی کمک کند تا با اطمینان بیشتری تصمیم بگیرد. این فناوری می‌تواند مانند یک "چشم دوم" عمل کرده و به تشخیص زودهنگام کمک می‌کند، زمانی که شانس درمان موفقیت‌آمیز بسیار بالاتر است. ✨

🎙 در رویداد MedAI Summit، از محققان اصلی در یکی از جامع‌ترین مرورهای سیستماتیک و متاآنالیزها در این زمینه، تمام شواهد موجود را بررسی کرده است. ایشان به معرفی و بررسی الگوریتم‌های موجود می‌پردازد و به این سؤال اساسی پاسخ می‌دهد که مدل‌های هوش مصنوعی در تشخیص ضایعات دهانی تا چه حد دقیق هستند و پتانسیل واقعی آن‌ها برای متحول کردن فرآیند غربالگری سرطان دهان چیست.

🌐MedAISummit
🌐LinkedIn 💠🔗Twitter 💠🌐Instagram