THE D.AI.RVINISM
前往频道在 Telegram
💡𝗗.𝗔𝗜.𝗥VINISM From 𝗗igital Foundations to 𝗔rtificial 𝗜ntelligence to Scientific 𝗥esearch Evolution of Human Intelligence 📩CONTACT US VIA DIRECT MESSAGE OF TELEGRAM CHANNEL Or @D_AI_RVINISM_Support
显示更多未指定国家未指定类别
376
订阅者
+124 小时
+47 天
+8030 天
吸引订阅者
十月 '2610月 '26
十月 '26
+96
在74个频道中
九月 '26
+124
在1个频道中
Get PRO
八月 '260
在20个频道中
Get PRO
七月 '26
+115
在16个频道中
Get PRO
六月 '260
在9个频道中
Get PRO
五月 '260
在0个频道中
Get PRO
四月 '260
在0个频道中
Get PRO
三月 '260
在0个频道中
Get PRO
二月 '26
+52
在0个频道中
Get PRO
一月 '260
在0个频道中
Get PRO
十二月 '25
+8
在8个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 28 十月 | +3 | |||
| 27 十月 | +1 | |||
| 26 十月 | +1 | |||
| 25 十月 | +2 | |||
| 24 十月 | +2 | |||
| 23 十月 | 0 | |||
| 22 十月 | 0 | |||
| 21 十月 | 0 | |||
| 20 十月 | +2 | |||
| 19 十月 | +2 | |||
| 18 十月 | +2 | |||
| 17 十月 | +3 | |||
| 16 十月 | +1 | |||
| 15 十月 | 0 | |||
| 14 十月 | 0 | |||
| 13 十月 | 0 | |||
| 12 十月 | +1 | |||
| 11 十月 | +4 | |||
| 10 十月 | +4 | |||
| 09 十月 | +13 | |||
| 08 十月 | +11 | |||
| 07 十月 | +8 | |||
| 06 十月 | +5 | |||
| 05 十月 | +8 | |||
| 04 十月 | +15 | |||
| 03 十月 | +8 | |||
| 02 十月 | 0 | |||
| 01 十月 | 0 |
频道帖子
🫥Python Forge | جلسه ۰۶
🎁وقتی با داده‌های پزشکی کار می‌کنیم، یک مقدار اشتباه یا داده‌ی ناقص نباید کل تحلیل رو مختل کنه؛ یا بدتر، به نتیجه‌ی نادرست منجر بشه!
این جلسه با مدیریت خطاها (Error Handling) یاد می‌گیریم چطور ورودی‌های نامعتبر رو شناسایی کنیم، خطاهای زمان اجرا رو کنترل کنیم و برنامه‌هایی بنویسیم که قابل‌اعتمادتر باشن.
👤مدرس: دکتر صدیقه دماوندی
دانشجوی دکتری انفورماتیک پزشکی با سابقه آموزشی و پژوهشی در بیوانفورماتیک و طراحی محاسباتی دارو
📆 سه‌شنبه ۵ آبان ۱۴۰۵ | ساعت ۲۰
🛜 آنلاین در اسکای‌روم | ضبط می‌شه
✅گواهی معتبر از علوم پزشکی شهید بهشتی
🏵️ با همکاری کمیته تحقیقات و فناوری دانشجویی دانشگاه‌های گیلان، شهید بهشتی، شاهرود و استارتاپ استودیوی سیناوی
💬پشتیبانی و ثبت‌نام تک‌جلسه: @D_AI_RVINISM_Support
🫥@THE_D_AI_RVINISM
| 2 |  🫥Python Forge | جلسه ۰۵
🎁وقتی با هزاران پرونده پزشکی سروکار داریم، فقط پیدا کردن اطلاعات مهم نیست؛ سرعت پیدا کردنشون هم مهمه!
✔️این جلسه با الگوریتم‌های جست‌وجو و مرتب‌سازی یاد می‌گیریم چطور داده‌ها رو سریع‌تر پیدا و سازمان‌دهی کنیم، روش‌های مختلف حل مسئله رو مقایسه کنیم و کدهای کارآمدتری بنویسیم.
👤مدرس: فربد خلیلی خوشه‌مهر
Developer و دانشجوی مهندسی کامپیوتر دانشگاه گیلان
📆 یکشنبه ۳ آبان ۱۴۰۵ | ساعت ۲۰
🛜 آنلاین در اسکای‌روم | ضبط می‌شه
✅گواهی معتبر از علوم پزشکی شهید بهشتی
🏵️با همکاری کمیته تحقیقات و فناوری دانشجویی دانشگاه‌های گیلان، شهید بهشتی، شاهرود و استارتاپ استودیوی سیناوی
💬پشتیبانی و ثبت‌نام تک‌جلسه: @D_AI_RVINISM_Support
🫥@THE_D_AI_RVINISM | 699 |
| 3 |  🫥Python Forge | Code Clinic 01
🐍فهمیدن کد با بلد بودنِ کدنویسی فرق داره؛ مخصوصاً وقتی قراره باهاش مسائل واقعی رو حل کنیم!
👩💻این جلسه از تئوری به عمل می‌رسیم: اولین برنامه کاربردی‌مون رو می‌نویسیم، خطاها رو پیدا می‌کنیم و تمرین‌ها رو با هم بررسی می‌کنیم.
اولین قدم عملی برای رسیدن به پروژه‌های واقعی در علوم پزشکی!
⏺منتور: ایلیا زکریاپور
دانشجوی پزشکی و معاون هوش مصنوعی و فناوری‌های نوین کمیته تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی گیلان
📆 جمعه ۱ آبان ۱۴۰۵ | ساعت ۲۰
🛜 آنلاین در اسکای‌روم | ضبط می‌شه
✅گواهی معتبر از علوم پزشکی شهید بهشتی
🏵️با همکاری کمیته تحقیقات و فناوری دانشجویی دانشگاه‌های گیلان، شهید بهشتی، شاهرود و استارتاپ استودیوی سیناوی
💬پشتیبانی و ثبت‌نام تک‌جلسه: @D_AI_RVINISM_Support
🫥@THE_D_AI_RVINISM | 743 |
| 4 | 🔬 EVIDENCE OVER HYPE | Medical AI | 06
🤖 آیا آینده‌ی هوش مصنوعی پزشکی، «پزشک رباتی» است یا «همکار هوشمند»؟
هر هفته خبر جدیدی درباره AI در پزشکی منتشر می‌شود؛ اما بیشتر آن‌ها یک مشکل مشترک دارند:
⌨️مدل را روی چند هزار سؤال امتحان می‌کنند، نمره می‌دهند و نتیجه می‌گیرند که «AI از پزشکان بهتر است.»
⚠️اما دنیای واقعی بیمارستان این‌گونه کار نمی‌کند.
به همین دلیل، یکی از مهم‌ترین مقالات منتشرشده در Nature Medicine طی هفته گذشته، به جای معرفی یک مدل جدید، از یک سؤال اساسی شروع می‌کند:
اصلاً چگونه باید “هوش مصنوعی برتر در پزشکی” را اندازه بگیریم؟
━━━━━━━━━━━━━━━
🔬 مسئله چیست؟
امروزه تقریباً همه مدل‌های پزشکی با Benchmarkهایی مثل آزمون‌های پزشکی، سؤال‌های چندگزینه‌ای یا کیس‌های از پیش آماده ارزیابی می‌شوند.
اما آیا پزشکی واقعی هم همین است؟
خیر.
در محیط بالینی، پزشک باید:
• اطلاعات ناقص را کنار هم بگذارد.
• با بیمار صحبت کند.
• عدم قطعیت را مدیریت کند.
• خطرات درمان را بسنجد.
• با محدودیت زمان و امکانات تصمیم بگیرد.
بنابراین ممکن است مدلی در آزمون‌ها فوق‌العاده باشد اما در بیمارستان عملکرد متوسطی داشته باشد.
💡 مقاله چه می‌گوید؟
نویسندگان پیشنهاد می‌کنند که نسل بعدی ارزیابی Medical AI باید از Benchmarkهای ساده عبور کند و بر اساس «وظایف واقعی بالینی» طراحی شود.
به جای اینکه فقط بپرسیم:
«آیا مدل پاسخ درست را می‌داند؟»
باید بپرسیم:
• آیا توانست تصمیم مناسب بگیرد؟
• آیا اطلاعات لازم را از بیمار استخراج کرد؟
• آیا توانست عدم قطعیت را مدیریت کند؟
• آیا باعث تصمیم درمانی بهتر شد؟
• آیا پیامد بیمار واقعاً بهتر شد؟
این تغییر نگاه، احتمالاً مسیر توسعه AI پزشکی را در سال‌های آینده تغییر خواهد داد.
🩺 این برای ما چه اهمیتی دارد؟
اگر دانشجوی پزشکی یا پژوهشگر هستید، این مقاله یک پیام مهم دارد:
از این به بعد، احتمالاً ارزش یک مدل AI را نه با نمره USMLE و نه با درصد Accuracy، بلکه با عملکردش در Workflow واقعی بیمارستان خواهند سنجید.
یعنی پژوهش‌هایی که فقط روی Benchmarkها متمرکز باشند، به‌تنهایی دیگر کافی نخواهند بود.
⚠️ برداشت انتقادی
این مقاله یک پژوهش تجربی نیست؛ بلکه یک Comment از پژوهشگران برجسته حوزه Medical AI است.
بنابراین داده جدید ارائه نمی‌کند، اما اهمیتش در این است که احتمالاً جهت‌گیری مطالعات آینده را شکل خواهد داد.
جالب اینکه این دیدگاه دقیقاً پس از انتشار چندین مطالعه مهم درباره AMIE، MIRA و مدل‌های زبانی پزشکی منتشر شده است؛ مطالعاتی که نشان دادند عملکرد عالی در محیط‌های کنترل‌شده، هنوز معادل موفقیت در دنیای واقعی نیست.
💡 برداشت D.AI.RVINISM
در AI پزشکی، سؤال اصلی دیگر این نیست:
«کدام مدل باهوش‌تر است؟»
بلکه باید بپرسیم:
«کدام مدل، مراقبت از بیمار را بهتر می‌کند؟»
تا زمانی که پاسخ این سؤال با شواهد بالینی مستقل داده نشود، بهتر است هر نمودار Accuracy و هر ادعای «AI بهتر از پزشک» را با احتیاط بخوانیم.
فهم AI، از هیجان‌زدگی درباره AI ارزشمندتر است.
━━━━━━━━━━━━━━━
📄 مقاله:
Toward a test of medical AI superintelligence
📚 ژورنال: Nature Medicine
📅 تاریخ انتشار: ۲۷ ژوئیه ۲۰۲۶
🔗 https://www.nature.com/articles (Nature Medicine – Comment)
🔄 @THE_D_AI_RVINISM | 174 |
| 5 | 🔬 EVIDENCE OVER HYPE | Medical AI | 06
🤖 آیا آینده‌ی هوش مصنوعی پزشکی، «پزشک رباتی» است یا «همکار هوشمند»؟
هر هفته خبر جدیدی درباره AI در پزشکی منتشر می‌شود؛ اما بیشتر آن‌ها یک مشکل مشترک دارند:
⌨️مدل را روی چند هزار سؤال امتحان می‌کنند، نمره می‌دهند و نتیجه می‌گیرند که «AI از پزشکان بهتر است.»
⚠️اما دنیای واقعی بیمارستان این‌گونه کار نمی‌کند.
به همین دلیل، یکی از مهم‌ترین مقالات منتشرشده در Nature Medicine طی هفته گذشته، به جای معرفی یک مدل جدید، از یک سؤال اساسی شروع می‌کند:
اصلاً چگونه باید “هوش مصنوعی برتر در پزشکی” را اندازه بگیریم؟
━━━━━━━━━━━━━━━
🔬 مسئله چیست؟
امروزه تقریباً همه مدل‌های پزشکی با Benchmarkهایی مثل آزمون‌های پزشکی، سؤال‌های چندگزینه‌ای یا کیس‌های از پیش آماده ارزیابی می‌شوند.
اما آیا پزشکی واقعی هم همین است؟
خیر.
در محیط بالینی، پزشک باید:
• اطلاعات ناقص را کنار هم بگذارد.
• با بیمار صحبت کند.
• عدم قطعیت را مدیریت کند.
• خطرات درمان را بسنجد.
• با محدودیت زمان و امکانات تصمیم بگیرد.
بنابراین ممکن است مدلی در آزمون‌ها فوق‌العاده باشد اما در بیمارستان عملکرد متوسطی داشته باشد.
💡 مقاله چه می‌گوید؟
نویسندگان پیشنهاد می‌کنند که نسل بعدی ارزیابی Medical AI باید از Benchmarkهای ساده عبور کند و بر اساس «وظایف واقعی بالینی» طراحی شود.
به جای اینکه فقط بپرسیم:
«آیا مدل پاسخ درست را می‌داند؟»
باید بپرسیم:
• آیا توانست تصمیم مناسب بگیرد؟
• آیا اطلاعات لازم را از بیمار استخراج کرد؟
• آیا توانست عدم قطعیت را مدیریت کند؟
• آیا باعث تصمیم درمانی بهتر شد؟
• آیا پیامد بیمار واقعاً بهتر شد؟
این تغییر نگاه، احتمالاً مسیر توسعه AI پزشکی را در سال‌های آینده تغییر خواهد داد.
🩺 این برای ما چه اهمیتی دارد؟
اگر دانشجوی پزشکی یا پژوهشگر هستید، این مقاله یک پیام مهم دارد:
از این به بعد، احتمالاً ارزش یک مدل AI را نه با نمره USMLE و نه با درصد Accuracy، بلکه با عملکردش در Workflow واقعی بیمارستان خواهند سنجید.
یعنی پژوهش‌هایی که فقط روی Benchmarkها متمرکز باشند، به‌تنهایی دیگر کافی نخواهند بود.
⚠️ برداشت انتقادی
این مقاله یک پژوهش تجربی نیست؛ بلکه یک Comment از پژوهشگران برجسته حوزه Medical AI است.
بنابراین داده جدید ارائه نمی‌کند، اما اهمیتش در این است که احتمالاً جهت‌گیری مطالعات آینده را شکل خواهد داد.
جالب اینکه این دیدگاه دقیقاً پس از انتشار چندین مطالعه مهم درباره AMIE، MIRA و مدل‌های زبانی پزشکی منتشر شده است؛ مطالعاتی که نشان دادند عملکرد عالی در محیط‌های کنترل‌شده، هنوز معادل موفقیت در دنیای واقعی نیست.
💡 برداشت D.AI.RVINISM
در AI پزشکی، سؤال اصلی دیگر این نیست:
«کدام مدل باهوش‌تر است؟»
بلکه باید بپرسیم:
«کدام مدل، مراقبت از بیمار را بهتر می‌کند؟»
تا زمانی که پاسخ این سؤال با شواهد بالینی مستقل داده نشود، بهتر است هر نمودار Accuracy و هر ادعای «AI بهتر از پزشک» را با احتیاط بخوانیم.
فهم AI، از هیجان‌زدگی درباره AI ارزشمندتر است.
━━━━━━━━━━━━━━━
📄 مقاله:
Toward a test of medical AI superintelligence
📚 ژورنال: Nature Medicine
📅 تاریخ انتشار: ۲۷ ژوئیه ۲۰۲۶
🔗 https://www.nature.com/articles (Nature Medicine – Comment)
🔄 @THE_D_AI_RVINISM | 1 |
| 6 |  🫥Python Forge | جلسه ۰۴
❌اگه قرار باشه نتیجه آزمایش ۵۰۰ بیمار رو بررسی کنیم، قرار نیست ۵۰۰ بار کد بنویسیم!
این جلسه با توابع (Functions)، شرط‌ها و حلقه‌ها یاد می‌گیریم چطور به کد منطق تصمیم‌گیری بدیم، کارهای تکراری رو خودکار کنیم و داده‌های پزشکی رو هوشمندانه‌تر پردازش کنیم.
👤مدرس: ایلیا زکریاپور
دانشجوی پزشکی، مهندس دیپ لرنینگ و معاون دانشجویی هوش مصنوعی و فناوری‌های نوین کمیته تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی گیلان
📆 ۲۸ آبان ۱۴۰۵ | ساعت ۲۰
🛜 آنلاین در اسکای‌روم | ضبط می‌شه
✅گواهی معتبر از علوم پزشکی شهید بهشتی
🏵️با همکاری کمیته تحقیقات و فناوری دانشجویی دانشگاه‌های گیلان، شهید بهشتی، شاهرود و استارتاپ استودیوی سیناوی
💬پشتیبانی و ثبت نام تک جلسه: @D_AI_RVINISM_Support
🫥@THE_D_AI_RVINISM | 722 |
| 7 |  🫥Python Forge | جلسه ۰۳
❗️سن بیمار، نتیجه آزمایش و فهرست داروها؛ همه داده‌اند، اما هرکدام ساختار متفاوتی دارند.
این جلسه یاد می‌گیریم چطور با متغیرها و انواع داده در پایتون، اطلاعات رو درست ذخیره، سازمان‌دهی و برای تحلیل آماده کنیم.
👤مدرس: ایلیا زکریاپور
📆 یکشنبه ۲۶ مهر ۱۴۰۵ | ساعت ۲۰
🛜 آنلاین در اسکای‌روم | ضبط می‌شه
✅گواهی معتبر از علوم پزشکی شهید بهشتی
🏵️با همکاری کمیته تحقیقات و فناوری دانشجویی دانشگاه‌های گیلان، شهید بهشتی، شاهرود و استارتاپ استودیوی سیناوی
📨شرایط ثبت‌نام و شرکت در دوره (تک جلسه)
💬پشتیبانی و ثبت نام تک جلسه: @D_AI_RVINISM_Support
🫥@THE_D_AI_RVINISM | 1 315 |
| 8 | 🔬 EVIDENCE OVER HYPE | Medical AI | 05
🤖 آیا واقعاً برای پزشکی به «هوش مصنوعی تخصصی» نیاز داریم؟
تا همین یکی دو سال پیش، تقریباً همه تصور می‌کردند آینده AI پزشکی متعلق به مدل‌هایی است که فقط روی داده‌های پزشکی آموزش دیده‌اند.
اما یک مطالعه بسیار پربحث که ماه گذشته در Nature Medicine منتشر شد، این فرض را به چالش کشیده است.
پژوهشگران عملکرد دو ابزار تخصصی پزشکی مبتنی بر هوش مصنوعی (OpenEvidence و UpToDate Expert AI) را با سه مدل عمومی پیشرفته (GPT-5.2، Gemini 3.1 Pro و Claude Opus 4.6) مقایسه کردند. سؤال اصلی ساده بود:
«آیا مدل‌های اختصاصی پزشکی واقعاً از مدل‌های عمومی بهتر هستند؟»
🔬 مطالعه چگونه انجام شد؟
برای اینکه نتیجه فقط به یک آزمون محدود نباشد، ارزیابی در سه مرحله مستقل انجام شد:
• ۵۰۰ سؤال MedQA برای سنجش دانش پزشکی
• ۵۰۰ سناریوی HealthBench برای ارزیابی کیفیت پاسخ از دید پزشکان
• ۱۰۰ سؤال واقعی که پزشکان در محیط بالینی از یک مدل زبانی پرسیده بودند (Real Clinical Queries)
در بخش سوم، ۱۲ پزشک آمریکایی بدون اطلاع از اینکه هر پاسخ متعلق به کدام مدل است، در مجموع ۱۸۰۰ پاسخ را ارزیابی کردند.
📊 نتیجه چه بود؟
نتیجه برای بسیاری غافلگیرکننده بود.
در هر سه ارزیابی، مدل‌های عمومی از ابزارهای تخصصی پزشکی عملکرد بهتری داشتند.
حتی در سؤالات واقعی پزشکان، ابزارهای تخصصی تقریباً عملکردی مشابه قابلیت AI Search گوگل داشتند و نتوانستند از مدل‌های عمومی پیشی بگیرند.
❗️ آیا این یعنی دیگر به Medical AI نیازی نداریم؟
نه.
این دقیقاً همان جایی است که نباید دچار هیجان‌زدگی شویم.
این مطالعه فقط «کیفیت پاسخ‌ها» را مقایسه کرده است؛ نه اینکه آیا استفاده از این مدل‌ها باعث کاهش مرگ‌ومیر، خطاهای پزشکی یا بهبود وضعیت بیماران می‌شود.
به عبارت دیگر:
مدلی که در یک Benchmark نمره بالاتری می‌گیرد، هنوز ثابت نکرده که در بیمارستان هم تصمیم بهتری می‌گیرد.
🩺 چرا این یافته مهم است؟
چون بسیاری از شرکت‌های HealthTech امروز میلیاردها دلار صرف ساخت مدل‌های اختصاصی پزشکی می‌کنند.
اما این مطالعه نشان می‌دهد که شاید مزیت اصلی آینده، صرفاً «اختصاصی بودن مدل» نباشد؛ بلکه کیفیت استدلال، توانایی دنبال کردن دستورها، دسترسی به اطلاعات به‌روز و نحوه ادغام مدل در Workflow بالینی اهمیت بیشتری داشته باشد.
⚠️ محدودیت‌های مطالعه
این پژوهش فقط چند ابزار مشخص را بررسی کرده است و نتایج آن لزوماً به همه سامانه‌های پزشکی تعمیم‌پذیر نیست.
همچنین تمرکز مطالعه بر عملکرد شناختی مدل‌ها بود، نه پیامدهای واقعی بیماران در محیط درمان. برای پاسخ به این سؤال، همچنان به کارآزمایی‌های بالینی نیاز داریم.
💡 برداشت D.AI.RVINISM
در AI پزشکی، سؤال درست این نیست که:
«این مدل عمومی است یا تخصصی؟»
بلکه باید بپرسیم:
«آیا شواهد مستقلی وجود دارد که نشان دهد این ابزار، مراقبت از بیمار را بهتر کرده است؟»
برچسب “Medical AI” به‌تنهایی یک مزیت علمی محسوب نمی‌شود.
آنچه اهمیت دارد، شواهد مستقل، ارزیابی دقیق و اثبات ارزش بالینی است؛ نه ادعاهای بازاریابی.
━━━━━━━━━━━━━━━
📄 مقاله:
General-purpose large language models outperform specialized clinical AI tools on medical benchmarks
📚 ژورنال: Nature Medicine
📅 تاریخ انتشار: ۱۲ ژوئن ۲۰۲۶
🔗 DOI: https://doi.org/10.1038/s41591-026-04431-5
🫥 @THE_D_AI_RVINISM | 275 |
| 9 | 🔬 EVIDENCE OVER HYPE | Medical AI | 05
🤖 آیا واقعاً برای پزشکی به «هوش مصنوعی تخصصی» نیاز داریم؟
تا همین یکی دو سال پیش، تقریباً همه تصور می‌کردند آینده AI پزشکی متعلق به مدل‌هایی است که فقط روی داده‌های پزشکی آموزش دیده‌اند.
اما یک مطالعه بسیار پربحث که ماه گذشته در Nature Medicine منتشر شد، این فرض را به چالش کشیده است.
پژوهشگران عملکرد دو ابزار تخصصی پزشکی مبتنی بر هوش مصنوعی (OpenEvidence و UpToDate Expert AI) را با سه مدل عمومی پیشرفته (GPT-5.2، Gemini 3.1 Pro و Claude Opus 4.6) مقایسه کردند. سؤال اصلی ساده بود:
«آیا مدل‌های اختصاصی پزشکی واقعاً از مدل‌های عمومی بهتر هستند؟»
🔬 مطالعه چگونه انجام شد؟
برای اینکه نتیجه فقط به یک آزمون محدود نباشد، ارزیابی در سه مرحله مستقل انجام شد:
• ۵۰۰ سؤال MedQA برای سنجش دانش پزشکی
• ۵۰۰ سناریوی HealthBench برای ارزیابی کیفیت پاسخ از دید پزشکان
• ۱۰۰ سؤال واقعی که پزشکان در محیط بالینی از یک مدل زبانی پرسیده بودند (Real Clinical Queries)
در بخش سوم، ۱۲ پزشک آمریکایی بدون اطلاع از اینکه هر پاسخ متعلق به کدام مدل است، در مجموع ۱۸۰۰ پاسخ را ارزیابی کردند.
📊 نتیجه چه بود؟
نتیجه برای بسیاری غافلگیرکننده بود.
در هر سه ارزیابی، مدل‌های عمومی از ابزارهای تخصصی پزشکی عملکرد بهتری داشتند.
حتی در سؤالات واقعی پزشکان، ابزارهای تخصصی تقریباً عملکردی مشابه قابلیت AI Search گوگل داشتند و نتوانستند از مدل‌های عمومی پیشی بگیرند.
❗️ آیا این یعنی دیگر به Medical AI نیازی نداریم؟
نه.
این دقیقاً همان جایی است که نباید دچار هیجان‌زدگی شویم.
این مطالعه فقط «کیفیت پاسخ‌ها» را مقایسه کرده است؛ نه اینکه آیا استفاده از این مدل‌ها باعث کاهش مرگ‌ومیر، خطاهای پزشکی یا بهبود وضعیت بیماران می‌شود.
به عبارت دیگر:
مدلی که در یک Benchmark نمره بالاتری می‌گیرد، هنوز ثابت نکرده که در بیمارستان هم تصمیم بهتری می‌گیرد.
🩺 چرا این یافته مهم است؟
چون بسیاری از شرکت‌های HealthTech امروز میلیاردها دلار صرف ساخت مدل‌های اختصاصی پزشکی می‌کنند.
اما این مطالعه نشان می‌دهد که شاید مزیت اصلی آینده، صرفاً «اختصاصی بودن مدل» نباشد؛ بلکه کیفیت استدلال، توانایی دنبال کردن دستورها، دسترسی به اطلاعات به‌روز و نحوه ادغام مدل در Workflow بالینی اهمیت بیشتری داشته باشد.
⚠️ محدودیت‌های مطالعه
این پژوهش فقط چند ابزار مشخص را بررسی کرده است و نتایج آن لزوماً به همه سامانه‌های پزشکی تعمیم‌پذیر نیست.
همچنین تمرکز مطالعه بر عملکرد شناختی مدل‌ها بود، نه پیامدهای واقعی بیماران در محیط درمان. برای پاسخ به این سؤال، همچنان به کارآزمایی‌های بالینی نیاز داریم.
💡 برداشت D.AI.RVINISM
در AI پزشکی، سؤال درست این نیست که:
«این مدل عمومی است یا تخصصی؟»
بلکه باید بپرسیم:
«آیا شواهد مستقلی وجود دارد که نشان دهد این ابزار، مراقبت از بیمار را بهتر کرده است؟»
برچسب “Medical AI” به‌تنهایی یک مزیت علمی محسوب نمی‌شود.
آنچه اهمیت دارد، شواهد مستقل، ارزیابی دقیق و اثبات ارزش بالینی است؛ نه ادعاهای بازاریابی.
━━━━━━━━━━━━━━━
📄 مقاله:
General-purpose large language models outperform specialized clinical AI tools on medical benchmarks
📚 ژورنال: Nature Medicine
📅 تاریخ انتشار: ۱۲ ژوئن ۲۰۲۶
🔗 DOI: https://doi.org/10.1038/s41591-026-04431-5
🫥 @THE_D_AI_RVINISM | 1 |
| 10 |  🫥Python Forge | جلسه ۰۲
❗️تحلیل داده‌ی پزشکی بدون محیط تمیز و اصولی، تکرارپذیر نیست. و تحقیقی که تکرار نشه، تحقیق نیست.
این جلسه زیرساخت کل دوره رو می‌ریزیم: ترمینال، محیط مجازی، Jupyter.
👤مدرس: پارمیدا صارمی‌شهاب
دانشجوی پزشکی و دبیرکل کمیته تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی گیلان
📆 سه‌شنبه ۲۱ مهر ۱۴۰۵ | ساعت ۲۰
🛜 آنلاین در اسکای‌روم | ضبط می‌شه
✅گواهی معتبر از علوم پزشکی شهید بهشتی
🏵️با همکاری کمیته تحقیقات و فناوری دانشجویی دانشگاه های گیلان، شهید بهشتی، شاهرود و استارتاپ استودیوی سیناوی
📨شرایط ثبت‌نام و شرکت در دوره (تک جلسه)
💬پشتیبانی و ثبت نام تک جلسه: @D_AI_RVINISM_Support
🫥@THE_D_AI_RVINISM | 1 185 |
| 11 |  🫥Python Forge | جلسه ۰۱
🌐یه پیکسل CT، یه عدد قند خون، یه موج ECG… برای کامپیوتر همه‌شون فقط صفر و یک‌ان.
💡جلسه‌ی اول از همین‌جا شروع می‌کنیم: داده چطور توی حافظه جا می‌گیره. بعدش اولین کدهای پایتونمون رو می‌نویسیم.
✔️سیستم‌های دودویی و دهدهی و اثرشون روی حافظه و رم
✔️مفاهیم پایه‌ی پایتون
✔️تابع و نحوه‌ی استفاده ازش
👤مدرس: دکتر صدیقه دماوندی دانشجوی دکتری اطلاعات سلامت، دانشگاه علوم پزشکی شهید بهشتی
📆 یکشنبه ۱۹ مهر ۱۴۰۵ | ساعت ۱۸
💻 آنلاین در اسکای‌روم |جلسات ضبط میشن
💻جهت ثبت نام تک جلسه کلیک کنید.
💬پشتیبانی و پاسخگویی به سوالات شما: @D_AI_RVINISM_Support
🫥@THE_D_AI_RVINISM | 1 188 |
| 12 |  🫥Python Forge | قسمت ۵ از ۶
«میانگین هموگلوبین دو گروه درمانی، قبل و بعد از مداخله»
«تصویر CT با مرز ضایعه، برای شکل ۲ مقاله»
این‌ها رو معمولا یکی دیگه برات درست می‌کنه، یا ساعت‌ها توی اکسل وقت می‌ذاری.
✅توی این ویدیو نتیجه‌ها با کد جدول و فایل میشن و مرز ماسک روی تصویر CT رسم می‌شه. داده عوض بشه، با یه اجرا همه‌چیز دوباره ساخته می‌شه.
📝برای اطلاع از شرایط ثبت‌نام و شرکت در دوره کلیک کنید.
👤 برای هرکسی که مقاله، پوستر کنگره یا دفاع پایان‌نامه پیش رو داره یا نیاز داره داده هایی که به دست اورده رو به صورت جدول یا نمودار ببینه!
🔗برای ثبت نام کلیک کنید.
📆 سه‌شنبه ۱۴ مهر تا یکشنبه ۱ آذر ۱۴۰۵
💻 آنلاین در اسکای‌روم | همه جلسات ضبط میشن و در اختیارتون گذاشته میشن!
🔴بدون پیش‌نیاز
🔴با همکاری کمیته‌های تحقیقات و فناوری دانشجویی دانشگاه‌های علوم پزشکی گیلان، شهید بهشتی، شاهرود و استارتاپ استودیوی سیناوی
◼️همراه با گواهی معتبر از دانشگاه علوم پزشکی شهید بهشتی
🎤گوینده: علی علیمرادی
پشتیبانی و پاسخ به سوالات شما:
@D_AI_RVINISM_Support
🫥@THE_D_AI_RVINISM | 373 |
| 13 | ☑ ظرفیت ثبت‌نام Python Forge تکمیل شد!
از استقبال و اعتماد شما صمیمانه ممنونیم! بعد از بررسی و تایید نهایی ثبت نام ها تا شنبه شب، در گروه اختصاصی دوره میبینیمتون. 🌱
❌با توجه به درخواست دوستانی که هنوز ثبت نامشون رو نهایی نکرده بودن، ۵ نفر ظرفیت اضافه در نظر گرفتیم.
✅از اونجایی که حفظ کیفیت آموزش و نظارت دقیق منتورها بر روند یادگیری و پروژه های شرکت کننده‌ها برامون اولویته، امکان افزایش مجدد ظرفیت وجود نداره.
📌 بنابراین این ۵ جایگاه، آخرین فرصت ثبت‌نام در Python Forge خواهد بود. | 682 |
| 14 |  📡 D.SIGNAL / 001
🌟نسخه‌نویسی با هوش مصنوعی؛ یک قدم دیگر به پزشکی خودکار نزدیک شدیم؟
🩺 برای اولین بار در آمریکا، یک سیستم هوش مصنوعی مجوز آزمایشی صدور نسخه اولیه دارو را دریافت کرد.
💚استارتاپ Nolla Health با اپلیکیشن Nolla Derm می‌تواند با تحلیل تصاویر صورت و اطلاعات پزشکی بیمار، برای موارد خفیف تا متوسط آکنه، داروهای موضعی تجویز کند.
✅این طرح فعلا محدود به ایالت یوتاست و در مرحله نخست، تمام نسخه‌ها باید به تأیید پزشکان برسند.
🔍چرا مهمه؟
تا امروز تمرکز بسیاری از کاربردهای AI در پزشکی بر کمک به تشخیص و تصمیم‌گیری بوده؛ اما این مجوز آزمایشی، گامی به سمت واگذاری بخشی از تصمیمات درمانی به سیستم‌های هوشمنده.
❓البته سؤال مهم همچنان باقیه: مرز استقلال هوش مصنوعی و مسئولیت پزشک کجاست؟
📎 منابع معتبر:
گزارش رسمی دولت یوتا
گزارش The Verge
🔽D.AI.RVINISM | Evolution of Human Intelligence | 344 |
| 15 | 📌 کمتر از ۱۰ نفر از ظرفیت ثبت‌نام Python Forge باقی مونده!
دوستانی که با پشتیبانی در ارتباط بودن و راهنمایی های لازم رو دریافت کردن، اما هنوز مراحل ثبت نامشون رو کامل نکردن، لطفا در صورت تمایل به شرکت در دوره، ثبت نامشون رو نهایی کنن.
توجه داشته باشید که ظرفیت فقط بعد از تکمیل مراحل ثبت‌نام قطعی می‌شه. خواستیم اطلاع بدیم که اگر برای شرکت در دوره برنامه ریزی کردید، با تکمیل ظرفیت شرمنده‌تون نشیم. 🌱 | 173 |
| 16 | AnimatedSticker.tgs | 1 |
| 17 | 🫥Python Forge | قسمت ۴ از ۶
⏺یه برش واقعی CT از خونریزی مغزی، به‌همراه ماسکی که ناحیه‌ی خونریزی رو از قبل مشخص کرده.
🐍کدت فایل‌ها رو می‌خونه، بررسی می‌کنه با هم جور باشن و ناحیه رو می‌شمره.
✅همین مسیر پایه‌ی طرح‌هایی مثل مقایسه‌ی حجم خونریزی و پیامد بیماران سکته، پیگیری اندازه‌ی تومور در MRI یا اندازه‌گیری ضایعه در رادیوگرافی دندانه.
📝برای اطلاع از شرایط ثبت‌نام و شرکت در دوره کلیک کنید.
👤 برای علاقه‌مندان رادیولوژی، نورولوژی، جراحی مغز، تکنولوژی پرتوشناسی و مهندسی پزشکی.
پروژه آموزشی؛ نه ابزار تشخیص بالینی
🔗برای ثبت نام کلیک کنید.
📆 سه‌شنبه ۱۴ مهر تا یکشنبه ۱ آذر ۱۴۰۵
💻 آنلاین در اسکای‌روم | همه جلسات ضبط میشن و در اختیارتون گذاشته میشن!
🔴بدون پیش‌نیاز
🔴با همکاری کمیته‌های تحقیقات و فناوری دانشجویی دانشگاه‌های علوم پزشکی گیلان، شهید بهشتی، شاهرود و استارتاپ استودیوی سیناوی
◼️همراه با گواهی معتبر از دانشگاه علوم پزشکی شهید بهشتی
🎤گوینده: علی علیمرادی
پشتیبانی و پاسخ به سوالات شما:
@D_AI_RVINISM_Support
🫥@THE_D_AI_RVINISM | 1 852 |
| 18 | 🫥Python Forge | قسمت ۳ از ۶
🐍کدی نوشتی که بیمارها رو بر اساس eGFR به مراحل بیماری کلیه تقسیم کنه. فقط یه جا به‌جای «کمتر از» نوشتی «کمتر یا مساوی».
کد بی‌هیچ اروری اجرا می‌شه و چند بیمار توی گروه اشتباه می‌رن.
💡توی این ویدیو دقیقاً همین اتفاق رو عمداً می‌سازیم و تست‌هایی که خودت نوشتی لوش می‌دن.
📝برای اطلاع از شرایط ثبت‌نام و شرکت در دوره کلیک کنید.
👤 برای کسی که توی طرحش امتیاز خطر، دوز دارو، BMI یا هر معیار طبقه‌بندی رو با کد حساب می‌کنه و می‌خواد قبل از مقاله مطمئن باشه.
🔗برای ثبت نام کلیک کنید.
📆 سه‌شنبه ۱۴ مهر تا یکشنبه ۱ آذر ۱۴۰۵
💻 آنلاین در اسکای‌روم | همه جلسات ضبط میشن و در اختیارتون گذاشته میشن!
🔴بدون پیش‌نیاز
🔴با همکاری کمیته‌های تحقیقات و فناوری دانشجویی دانشگاه‌های علوم پزشکی گیلان، شهید بهشتی، شاهرود و استارتاپ استودیوی سیناوی
◼️همراه با گواهی معتبر از دانشگاه علوم پزشکی شهید بهشتی
🎤گوینده: علی علیمرادی
پشتیبانی و پاسخ به سوالات شما:
@D_AI_RVINISM_Support
🫥@THE_D_AI_RVINISM | 2 274 |
| 19 |  ثبت نام مدرسه پروژه محور python forge آغاز شد 🔔
✅دانشگاه MIT یک مدل یادگیری عمیق آنتی‌بیوتیک تازه‌ای پیدا کرد که هیچ شیمی‌دانی سراغش نرفته بود.
✅با AlphaFold ساختار بیش از ۲۰۰ میلیون پروتئین را پیش‌بینی کردند، کاری که در آزمایشگاه دهه‌ها طول می‌کشید.
✅امروز هم مدل‌ها در خواندن تصاویر رادیولوژی کنار پزشک‌ها کار می‌کنند.
وجه مشترک همه‌شان؟
👩💻زبان برنامه‌نویسی پایتون.
✅بیایید صادق باشیم: هیچ دوره‌ی هفت‌هفته‌ای شما را به ساختن AlphaFold نمی‌رساند.
اما همه‌ی کسانی که امروز روی کشف دارو و هوش مصنوعی پزشکی کار می‌کنند، از همین نقطه شروع کرده‌اند: متغیر، حلقه، دیتافریم.
🔥آهنگر قبل از ساختن شمشیر، فولاد را آب می‌دهد.
مدرسه Python Forge همان کوره است.
اینجا چه می‌سازید؟
✔️ پایه‌ای محکم در پایتون، تا NumPy، Pandas و برنامه‌نویسی شیءگرا؛ همان زمینی که ابزارهای یادگیری ماشین رویش ساخته شده‌اند.
✔️ یک پروژه با داده‌ی پزشکی که هفته‌به‌هفته کاملش می‌کنید؛ از سیگنال ECG و ماسک‌های MRI تا داده‌های دارویی.
✔️ منتور اختصاصی، کدکلینیک جمعه‌ها، و جلسات ضبط‌شده .
✔️ بدون پیش‌نیاز؛ واقعاً از صفر.
این دوره ایستگاه اول مسیر است. ایستگاه‌های بعدی را با هم می‌رویم.
📝برای اطلاعات بیشتر و شرایط ثبت‌نام کلیک کنید.
📆 ۱۹ مهر تا ۶ آذر | یکشنبه و سه‌شنبه و جمعه
🌐کاملا آنلاین
◼️ گواهی مدرسه ۳۰ ساعته از دانشگاه علوم پزشکی شهید بهشتی
💳 هزینه ثبت نام:
آزاد ۳٬۳۰۰٬۰۰۰
با کارت دانشجویی ۲٬۵۰۰٬۰۰۰
با کد تخفیف دانشگاه همکار رسانه ای ۲٬۰۰۰٬۰۰۰ تومان
⏳ ظرفیت 45 نفر؛ ثبت‌نام فقط از ۱۴ تا ۱۷ مهر
🔗 برای ورود به لینک ثبت نام کلیک کنید.
🔴با همکاری کمیته‌های تحقیقات و فناوری دانشجویی دانشگاه‌های علوم پزشکی گیلان، شهید بهشتی، شاهرود و استارتاپ استودیوی سیناوی
پشتیبانی و پاسخ به سوالات شما:
@D_AI_RVINISM_Support
🫥@THE_D_AI_RVINISM | 3 076 |
| 20 |  🫥Python Forge | قسمت ۲ از ۶
🧐نتیجه‌ی آزمایش ۲۰۰ بیمار دیابتی توی یه فایله و اطلاعات پرونده‌شون توی یه فایل دیگه. چند نفر HbA1c ندارن و ترتیب ردیف‌ها هم با هم نمی‌خونه.
اگه داده‌ها با ترتیب جفت بشن، نتیجه‌ی یه بیمار به اسم دیگری ثبت می‌شه. اگه جای خالی صفر حساب بشه، میانگین کل مطالعه غلط درمیاد.
🔔این ویدیو نشون می‌ده کد چطور هر داده رو با شناسه‌ی خودش جفت می‌کنه و «نداریم» رو با «صفر» قاطی نمی‌کنه.
📝برای اطلاع از شرایط ثبت‌نام و شرکت در دوره کلیک کنید.
👤 برای کسی که روی مطالعه‌ی گذشته‌نگر، داده‌ی HIS بیمارستان، پرسشنامه یا داده‌ی پایان‌نامه کار می‌کنه.
📆 سه‌شنبه ۱۴ مهر تا یکشنبه ۱ آذر ۱۴۰۵
💻 آنلاین در اسکای‌روم | همه جلسات ضبط میشن و در اختیارتون گذاشته میشن!
🔴بدون پیش‌نیاز
🔴با همکاری کمیته‌های تحقیقات و فناوری دانشجویی دانشگاه‌های علوم پزشکی گیلان، شهید بهشتی، شاهرود و استارتاپ استودیوی سیناوی
◼️همراه با گواهی معتبر از دانشگاه علوم پزشکی شهید بهشتی
🎤گوینده: علی علیمرادی
پشتیبانی و پاسخ به سوالات شما:
@D_AI_RVINISM_Support
🫥@THE_D_AI_RVINISM | 1 406 |
