آکادمی Med-AI

🔹کلاس درس "برنامه‌نویسی به زبان ساده با هوش‌مصنوعی کِلاد" به همراه زیرنویس فارسی، در انجمن علمی برنامه‌نویسی: | @Programming_Association |

🖥چطور برای کسب و کار خود ایجنت هوش مصنوعی حرفه‌ای بسازیم؟ 🏛 برگزار شده توسط OpenAI Academy 🎙مدرسین: 👤Teodora Musatoiu 💠Builder Deployment Manager @ OpenAI 👤Patrick Hundal 💠AI Deployment Engineer @ OpenAI 📚محورها: 🔹طراحی ابزار (Tools) برای جست‌وجوی سفارش، پاسخ به سوالات متداول، لغو سفارش و ثبت شکایت 🔹نوشتن دستورالعمل‌ها (Instructions)، هندآف (Handoffs) و مسیریابی درخواست‌ها (Routing) بین ایجنت‌ها 🔹اعمال گاردریل (Guardrails) و ترسینگ (Tracing) برای اجرای ایمن‌تر ایجنت‌ها 🔹ارزیابی خروجی ایجنت‌ها (Evals) و مدل‌های ارزیاب (Model-graded Evaluation) 🔹گذار از یک ایجنت ساده به الگوهای پیشرفته‌تر مثل Agent-as-tool و Triage Routing 🎞 این وبینار با زیرنویس فارسی اختصاصی آکادمی MedAI در دسترس شماست. در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید🎓 🌐@MedAI_academy

🥼👨‍⚕انسان "فعلا" تصمیم گیرنده است! وقتی هوش مصنوعی وارد اتاق عمل شد، اما کنترل در دست جراح ماند امروز خبری منتشر شد که یک تمایز مفهومی مهم را به‌روشنی نشان می‌دهد. جراحان لندن، برای اولین بار در جهان، یک تومور مغزی را با کمک زندهٔ هوش مصنوعی خارج کردند. اما نکتهٔ اصلی خبر، خودِ عمل نیست. نکتهٔ اصلی، نوع مشارکت هوش مصنوعی در آن است. 🔎 چه شد؟ بیمار، رایس هیبرت، مرد ۴۸ سالهٔ اهل بدفوردشر، در دسامبر ۲۰۲۴ در وسط خیابان دچار تشنج شد. اسکن، توموری خوش‌خیم و ۱۱ میلی‌متری روی غدهٔ هیپوفیز او نشان داد. این غده، هرچند به‌اندازهٔ یک نخود کوچک است، اما هورمون‌های حیاتی بدن را تنظیم می‌کند و در همسایگی مستقیم اعصاب بینایی و عروق حیاتی قرار دارد. یک میلی‌متر خطا در این ناحیه می‌تواند به نابینایی یا خونریزی منجر شود. جراحان بیمارستان National Hospital for Neurology and Neurosurgery، بخشی از UCLH، عمل را در مه ۲۰۲۶ انجام دادند. جزئیات تا امروز منتشر نشد تا بیمار فرصت بهبودی کامل داشته باشد. ⚙️ هوش مصنوعی دقیقاً چه‌کار کرد؟ سیستم مورد استفاده تصویر زندهٔ دوربین جراحی را در همان لحظهٔ عمل تحلیل می‌کرد؛ نه اسکن‌های از پیش گرفته‌شده. این سیستم روی صدها ویدیوی جراحی‌های قبلی هیپوفیز آموزش دیده بود و ساختارهای حساس را با رنگ‌آمیزی (color-coding) مشخص می‌کرد.

اینجاست که باید بین دو مفهوم فرق گذاشت: اتوماسیون (automation) در برابر تقویت (augmentation)

۱. در اتوماسیون، ماشین تصمیم می‌گیرد و نقش انسان کم‌رنگ می‌شود. ۲. در تقویت، ماشین فقط دید انسان را وسیع‌تر می‌کند. تصمیم نهایی همچنان با اوست. در این عمل، تیم جراحی در تمام لحظات، کنترل کامل را در دست داشت. هوش مصنوعی فقط هشدار می‌داد کجا نباید دست برد. 🧩 چرا این تفاوت مهم است؟ در گفتمان عمومی دربارهٔ هوش مصنوعی پزشکی، این دو مفهوم اغلب قاطی می‌شوند. وقتی کسی از «جراحی رباتیک» یا «جراح هوش مصنوعی» حرف می‌زند، ذهن شنونده معمولاً به سمت تصویر اتوماسیون کامل می‌رود. اما آنچه در این مورد رخ داد، دقیقاً برعکس بود. ابزار، دستیار جراح (و نه جایگزین او) بود . حال اینجا سوال بسیار ارزشمندی مطرح می‌شود : آیا جراحی که به AI عادت می‌کند، مهارت تشخیص بصری خودش را در طول زمان حفظ می‌کند؟ پاسخ به این سؤال به طراحی ابزار بستگی دارد، نه فقط به دقتش. ابزاری که فقط هشدار می‌دهد و تصمیم را به جراح می‌سپارد، رفتار متفاوتی نسبت به ابزاری ایجاد می‌کند که مسیر برش را از پیش تعیین می‌کند. طبیعتاً شرکت‌هایی که روی خودکارسازی کامل جراحی سرمایه‌گذاری کرده‌اند، ممکن است این‌طور فکر نکنند. 🔚 یک سؤال باز اگر رزیدنت‌های جراحی مغز و اعصاب، از روز اول آموزش با این سیستم‌ها کار کنند، معیار سنجش «مهارت جراحی» در آینده چه خواهد بود؟ توانایی عمل بدون کمک هوش مصنوعی و یا توانایی همکاری هوشمندانه با آن؟ در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید 🎓 🌐@MedAI_academy

🧠هوش مصنوعی در اتاق عمل : برای اولین بار در جهان 👨‍⚕️ جراحان بیمارستان National Hospital for Neurology and Neurosurgery در لندن(بخشی از UCLH) برای اولین بار در جهان یک تومور مغزی را با کمک هوش مصنوعی زنده (live AI) از بدن بیمار خارج کردند. بیمار، رایس هیبرت ۴۸ ساله، تومور خوش‌خیم ۱۱ میلی‌متری روی غدهٔ هیپوفیز داشت که بدون عمل، بینایی‌اش را تهدید می‌کرد. 💡 این سیستم برخلاف ابزارهای رایج، اسکن پیش از عمل را تحلیل نمی‌کرد. تصویر زندهٔ دوربین جراحی را در همان لحظه بررسی می‌کرد و ساختارهای حیاتی مثل اعصاب بینایی و عروق کاروتید را با رنگ‌آمیزی مشخص می‌کرد تا جراح از آسیب به آن‌ها پرهیز کند. 📌 این پروژه با بودجهٔ NIHR انجام شد و تیم جراحی در تمام مراحل، کنترل کامل عمل را در دست داشت. منبع خبر در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید 🎓 🌐@MedAI_academy

🔹 تنها ۱ روز جهت ثبت‌نام در "از تصویر تا تشخیص: آموزش پروژه محور پردازش تصاویر پزشکی با MATLAB" توسط سازندگان نرم‌افزار Matlab و متخصصان خبره این حوزه به همراه منتورینگ فرصت باقی‌ست… 🔗لینک ثبت‌نام کسب اطلاعات بیشتر و ثبت‌نام گروهی:👇 🆔 @Med_Admin_1 | @MedAI_academy |

🔹تنها ۱ روز جهت ثبت‌نام در "مدرسه جامع جراحی" با حضور اساتید و جراحان برجسته کشور فرصت باقی‌ست… 🔗لینک ثبت‌نام کسب اطلاعات بیشتر و ثبت‌نام گروهی:👇 🆔 @Med_admin3 | @MedTalent |

🔹تنها ۱ روز جهت ثبت‌نام در "مدرسه جامع جراحی" با حضور اساتید و جراحان برجسته کشور فرصت باقی‌ست… 🔗لینک ثبت‌نام کسب اطلاعات بیشتر و ثبت‌نام گروهی:👇 🆔 @Med_admin3 | @MedTalent |

✂️مدرسه جامع جراحی 👨‍⚕️از مهارت‌های پایه و کاربردی تا رویکردهای نوین جراحی با حضور اساتید و جراحان برجسته کشور 💠اساتید: 👤دکتر سعیدرضا مهرپور 🔹جراح متخصص ارتوپدی 🔹فوق تخصص جراحی ستون فقرات 🔹استاد تمام دانشگاه علوم پزشکی تهران 👤دکتر وفا رحیمی موقر 🔹فوق تخصص نوروتروما دانشگاه پیتزبورگ آمریکا 🔹استاد تمام جراحی مغز و اعصاب دانشگاه علوم‌پزشکی تهران 🔹۱٪ برتر دانشمندان جهان 👤دكتر مجيد اكرمی 🔹فلوشیپ جراحی سرطان 🔹استاد تمام دانشگاه علوم پزشکی شیراز 🔹دبیر انجمن جراحی سرطان ایران 👤دکتر حبیب‌الله محمودزاده 🔹فلوشیپ جراحی سرطان 🔹استاد تمام دانشگاه علوم پزشکی تهران 🔹دبیر انستیتو کنسر بیمارستان امام خمینی (ره) 👤دکتر نرجس محمدزاده افهامی 🔹جراح عمومی 🔹فلوشیپ لاپاراسکوپی دانشگاه انگلستان 🔹هیئت علمی دانشگاه علوم پزشکی تهران 👤دکتر علی میرزاخانلویی 🔹جراح اورولوژیست 🔹فلوشیپ جراحی اورولوژی کودکان 🔹عضو هیئت علمی دانشگاه علوم پزشکی شیراز 👤دکتر زینب برزگر 🔹دکتری تخصصی هوش مصنوعی دانشگاه صنعتی شریف 🔹هیئت علمی و مدیر گروه هوش مصنوعی در پزشکی دانشگاه علوم پزشکی ایران 📚سرفصل‌ها: 🔹مهارت‌های پایه جراحی و تکنیک‌های بخیه 🔹آناتومی کاربردی و دسترسی‌های جراحی 🔹مدیریت زخم و اصول ترمیم بافت 🔹الکتروسرجری و ابزارهای انرژی‌محور 🔹جراحی کم‌تهاجمی و لاپاراسکوپی 🔹متدها و فناوری‌های نوین در جراحی 🔹هوش مصنوعی و آینده جراحی 🔹چالش‌های نوین در جراحی سرطان 🔹رویکردهای نوین در جراحی ارتوپدی 🔹تاریخ تحول جراحی و چشم‌انداز آینده 💻۱۹ جلسه آموزش ➕ ویدئوهای آموزشی با ترجمه اختصاصی از Incision academy زیر نظر کالج جراحان انگلستان 👥مخاطبین: دانشجویان پزشکی در تمامی مقاطع، پزشکان عمومی و رزیدنت‌های رشته‌های جراحی و تمامی علاقه‌مندان 📆زمان شروع جلسات: از چهارشنبه ۲۸ مرداد ماه 🎖به همراه سرتیفیکیت انگلیسی از شبکه نخبگان ایران 🔗لینک ثبت‌نام کسب اطلاعات بیشتر و ثبت‌نام گروهی:👇 🆔 @Med_admin3 🩺 در «آکادمی مِدتَلنت» شبکه نخبگان ایران با ما همراه باشید 🌐| @MedTalent | 📱| medtalent_academy |

🔹سخنرانی دکتر گیو شریفی، جراح مغز و اعصاب، در پیج الیت‌تاک منتشر شد: | Instagram |

📱 مهندسی نرم‌افزار در عصر هوش مصنوعی 🎙سخنران: 👤علیرضا ابراهیم‌خانی 🔹بنیانگذار استارتاپ Parseh | پرسه 🔹مهندس داده در DataChef (هلند) 🔹سابقه فعالیت به‌عنوان مهندس ارشد نرم‌افزار در اسنپ و علی‌بابا 🔹مشاور فنی دکتر پِی، دیجی‌کالا و SegalSoft 🔹مشارکت‌کننده اصلی فریم‌ورک Angular ⌛️زمان برگزاری: چهارشنبه ۱۴ مرداد ماه، ساعت ۱۸ 💻به صورت مجازی در بستر اسکای‌روم 💠لینک شرکت در جلسه در کانال انجمن علمی برنامه‌نویسی شبکه نخبگان ایران منتشر خواهد شد. برای شرکت در نشست، در کانال عضو شوید. 🔗لینک ثبت‌نام 💰حضور در جلسه برای تمامی علاقمندان، آزاد و‌ رایگان است. 👨‍💻در کانال انجمن علمی برنامه‌نویسی با ما همراه باشید… | @Programming_Association |

🖥 یادگیری ماشین برای پژوهش و کشف در حوزه‌ی سرطان 🏛 ارائه‌شده توسط Dr. Issam El Naqa، رئیس بخش یادگیری ماشین در مرکز سرطان مافیت (Moffitt Cancer Center) 📚محورها:

🔹کاربرد یادگیری عمیق برای بازنمایی بهتر داده‌های چندمقیاسی (تصویربرداری، ژنومیک، پرونده‌ی الکترونیک سلامت) 🔹مدل‌سازی رادیومیک و پیش‌بینی پاسخ به درمان در سرطان کبد و ریه 🔹تحلیل بقا و پیش‌بینی زمان تا رویداد (Time-to-Event) با شبکه‌های عصبی 🔹ترکیب تخصص انسانی با هوش مصنوعی (Human-in-the-Loop) برای تصمیم‌گیری بالینی دقیق‌تر 🔹تلفیق محاسبات کوانتومی و یادگیری ماشین برای افزایش استحکام مدل‌ها 🔹چالش‌ها و راهکارهای تفسیرپذیری (Interpretability) و اخلاق هوش مصنوعی در پزشکی

🏛با زیرنویس فارسی اختصاصی آکادمی Med-AI شبکه نخبگان ایران در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید🎓 🌐@MedAI_academy

🤩 از تصویر تا تشخیص: آموزش پروژه محور پردازش تصاویر پزشکی با MATLAB 🧠با بهره‌گیری از هوش مصنوعی، تصاویر پزشکی را تحلیل کنید، مدل بسازید و یک پروژه واقعی را از ابتدا تا انتها روی داده‌های تخصصی اجرا نمایید. 👥این دوره برای چه کسانی مناسب است؟ 🔹دانشجویان و دانش‌آموختگان علوم پزشکی که مایل به آشنایی عملی با کاربرد هوش مصنوعی در تصویربرداری پزشکی هستند. 🔹 علاقه‌مندانی که پیش‌تر با مفاهیم پایه برنامه‌نویسی یا آمار زیستی آشنایی داشته‌اند. 🔹افرادی که به‌دنبال ساخت رزومه پژوهشی و اجرای یک پروژه واقعی هستند. این دوره مناسب افرادی نیست که صرفاً به‌دنبال آشنایی نظری و بدون انجام تکالیف عملی می‌باشند! 📊دستاورد پایان دوره در پایان این دوره، هر شرکت‌کننده یک پروژه سگمنتیشن یا طبقه‌بندی تصویر پزشکی را به‌صورت کامل طراحی، اجرا و مستندسازی خواهد کرد؛ پروژه‌ای که قابل ارائه در رزومه و سوابق پژوهشی خواهد بود. ❓سوالات متداول 📖پیش‌نیاز شرکت در دوره چیست؟ این دوره با هدف ارائه آموزشی جامع و کاربردی طراحی شده است. تمامی محتوای آموزشی پایه به‌صورت فایل‌های ضبط‌شده با کیفیت بالا در اختیار شرکت‌کنندگان قرار می‌گیرد و نیاز به پیش‌زمینه تخصصی نیست. 📆زمان‌بندی و مدت دوره چگونه است؟ دوره به‌صورت آفلاین برگزار می‌شود و تا زمان تکمیل و ثبت کامل تکالیف و پروژه‌ها توسط شرکت‌کننده ادامه خواهد داشت. 🎓آیا مدرکی برای دوره صادر می‌شود؟ بله. مدرک دوره از سوی شبکه نخبگان ایران و به زبان انگلیسی صادر می‌شود و قابل ارائه در رزومه شخصی است. صدور مدرک حداکثر ظرف دو هفته پس از تکمیل پروژه‌ها انجام می‌گیرد. 🤝آیا شرایط ثبت‌نام گروهی متفاوت است؟ بله. در صورت ثبت‌نام پنج نفر یا بیشتر، امکان بهره‌مندی از تخفیف گروهی با هماهنگی ادمین دوره وجود دارد. 🎬آیا امکان دسترسی به فیلم جلسات وجود دارد؟ بله. تمامی جلسات با کیفیت بالا و حجم بهینه ضبط شده و بلافاصله پس از برگزاری در کانال اختصاصی دوره قرار می‌گیرد. این دسترسی به‌صورت دائمی خواهد بود. 🏆سایر مزایای دوره: پشتیبانی دائمی طول دوره 📌دسترسی مادام‌العمر به محتوای جلسات و فایل‌های دیتاست تخصصی 📌امکان عضویت در کارگروه تولید محتوای آکادمی Med-AI شبکه نخبگان ایران 📌برخورداری از تخفیف در دوره‌های آتی مجموعه ⏳ظرفیت ثبت‌نام این دوره محدود است. جهت ثبت‌نام و کسب اطلاعات بیشتر:👇 🆔 @Med_Admin_1 در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید🎓 🌐 @MedAI_academy ❇️ @MedAI_academy 📱 Med-AI Academy

💠 از تصویر تا تشخیص 🤩 دوره پروژه‌محور پردازش تصاویر پزشکی با MATLAB با بهره‌گیری از هوش مصنوعی، تصاویر پزشکی را تحلیل کنید، مدل بسازید و یک پروژه واقعی را از ابتدا تا انتها روی داده‌های تخصصی اجرا نمایید. 🎯 این دوره برای چه کسانی مناسب است؟ ✅ دانشجویان و دانش‌آموختگان علوم پزشکی که مایل به آشنایی عملی با کاربرد هوش مصنوعی در تصویربرداری پزشکی هستند. ✅ علاقه‌مندانی که پیش‌تر با مفاهیم پایه برنامه‌نویسی یا آمار زیستی آشنایی داشته‌اند. ✅ افرادی که به‌دنبال ساخت رزومه پژوهشی و اجرای یک پروژه واقعی هستند.

این دوره مناسب افرادی نیست که صرفاً به‌دنبال آشنایی نظری و بدون انجام تکالیف عملی می‌باشند!

📊 دستاورد پایان دوره در پایان این دوره، هر شرکت‌کننده یک پروژه سگمنتیشن یا طبقه‌بندی تصویر پزشکی را به‌صورت کامل طراحی، اجرا و مستندسازی خواهد کرد؛ پروژه‌ای که قابل ارائه در رزومه و سوابق پژوهشی خواهد بود. ❓ سوالات متداول 📖 پیش‌نیاز شرکت در دوره چیست؟ این دوره با هدف ارائه آموزشی جامع و کاربردی طراحی شده است. تمامی محتوای آموزشی پایه به‌صورت فایل‌های ضبط‌شده با کیفیت بالا در اختیار شرکت‌کنندگان قرار می‌گیرد و نیاز به پیش‌زمینه تخصصی نیست. 📆 زمان‌بندی و مدت دوره چگونه است؟

دوره به‌صورت آفلاین برگزار می‌شود و تا زمان تکمیل و ثبت کامل تکالیف و پروژه‌ها توسط شرکت‌کننده ادامه خواهد داشت.

🎓 آیا مدرکی برای دوره صادر می‌شود؟

بله. مدرک دوره از سوی شبکه نخبگان ایران و به زبان انگلیسی صادر می‌شود و قابل ارائه در رزومه شخصی است. صدور مدرک حداکثر ظرف دو هفته پس از تکمیل پروژه‌ها انجام می‌گیرد.

🤝 آیا شرایط ثبت‌نام گروهی متفاوت است؟

بله. در صورت ثبت‌نام پنج نفر یا بیشتر، امکان بهره‌مندی از تخفیف گروهی با هماهنگی ادمین دوره وجود دارد.

🎬 آیا امکان دسترسی به فیلم جلسات وجود دارد؟

بله. تمامی جلسات با کیفیت بالا و حجم بهینه ضبط شده و در کانال اختصاصی دوره قرار می‌گیرد. این دسترسی به‌صورت دائمی خواهد بود.

🏆 سایر مزایای دوره

📌 پشتیبانی دائمی طول دوره 📌 دسترسی مادام‌العمر به محتوای جلسات و فایل‌های دیتاست تخصصی 📌 امکان عضویت در کارگروه تولید محتوای آکادمی Med-AI شبکه نخبگان ایران 📌 برخورداری از تخفیف در دوره‌های آتی مجموعه

⏳ ظرفیت ثبت‌نام این دوره محدود است. جهت ثبت‌نام و کسب اطلاعات بیشتر:👇 🆔 @Med_Admin_1 در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید🎓 🌐 @MedAI_academy

🧬 از کاردیولوژی تا پزشکی هوشمند مسیر پزشکی که کلیولند کلینیک را به رتبه‌ی اول در ایالات متحده رساند و حالا آینده‌ی پزشکی از راه دور را برای جهان ترسیم می‌کند... 🔎 تصور کنید در دهه‌ی ۱۹۹۰ رئیس بخش قلب‌وعروق یک بیمارستان هستید و بخش‌تان را طی ۱۵ سال از صفر به رتبه‌ی اول آمریکا (طبق U.S. News) می‌رسانید. بعد، در اوج این موفقیت بالینی، تصمیم می‌گیرید مسیر را کاملاً عوض کنید و به‌جای کاتتر و آنژیوگرافی، سراغ ژنوم، حسگرهای پوشیدنی و بعدتر هوش مصنوعی بروید. این خلاصه‌ی مسیر اریک توپول (Eric Topol) است؛ کسی که امروز به او لقب «رئیس پزشکی دیجیتال» (Dean of Digital Medicine) داده‌اند.

⏹️ توپول متولد ۱۹۵۴، پزشکی را در دانشگاه راچستر خواند و در UCSF و جانز هاپکینز دوره‌ی تخصص گذراند. او ابتدا مسیر کلاسیک کاردیولوژی مداخله‌ای را رفت ریاست بخش قلب‌وعروق کلیولند کلینیک (۱۹۹۱ تا ۲۰۰۶) و تأسیس دانشکده‌ی پزشکی لرنر در همان مرکز. اما نقطه‌ی چرخش او دهه‌ی ۲۰۰۰ بود: پژوهش روی ژنتیک سکته‌ی قلبی (کشف ژن‌هایی مانند حذف MEF2A) او را وارد دنیای ژنومیک کرد و از همان‌جا مسیرش به‌سمت «طب دیجیتال» کج شد. در ۱۹۹۹ او اولین پزشکی بود که در هیئت مشورتی CardioNet نخستین شرکت پایش از راه دور و بی‌سیم ریتم قلب عضو شد، نقطه‌ای که بعدها آن را آغاز رسمی فعالیتش در حوزه‌ی طب دیجیتال می‌داند.

📊 از ۲۰۰۷ او بنیان‌گذار و مدیر Scripps Research Translational Institute است و هم‌زمان معاون اجرایی Scripps Research. رزومه‌ی پژوهشی‌اش شامل بیش از ۱٬۲۰۰ تا ۱٬۳۰۰ مقاله‌ی داوری‌شده و بیش از ۲۵۰٬۰۰۰ ارجاع علمی است که او را در فهرست پراستنادترین پژوهشگران حوزه‌ی پزشکی قرار داده است. در ۲۰۰۵ به‌عنوان محقق اصلی یک گرنت ۱۷ میلیون‌دلاری NIH برای ژنومیک سکته‌ی قلبی انتخاب شد و در ۲۰۱۶ بخش عمده‌ای از یک گرنت ۲۰۷ میلیون‌دلاری NIH را برای هدایت برنامه‌ی All of Us Research Program طرح ملی طب دقیق آمریکا با هدف ثبت داده‌ی یک میلیون آمریکایی بر عهده گرفت. او همچنین سه کتاب پرفروش درباره‌ی آینده‌ی پزشکی نوشته: The Creative Destruction of Medicine (۲۰۱۰)، The Patient Will See You Now (۲۰۱۵) و Deep Medicine (۲۰۱۹) و اخیراً Super Agers (۲۰۲۵) را درباره‌ی طول‌عمر شواهد‌محور منتشر کرده است .(۱،۲،۴ و ۵)

🧐 نکته‌ای که در بازخوانی رزومه‌ی توپول قابل‌توجه است: او هم‌زمان چند نقش دارد که می‌تواند به تعارض منافع دامن بزند سردبیر Medscape (یک پلتفرم تجاری خبر پزشکی)، عضو هیئت مشورتی شرکت‌های فناوری سلامت (از جمله اخیراً Flagship Pioneering از ۲۰۲۶) و در عین حال صدای اصلی «هایپ» علمی حول AI در پزشکی است. این ترکیب نقش دانشگاهی-تجاری، به‌خودی‌خود ادعاهایش را باطل نمی‌کند، اما در بازخوانی مصاحبه‌ها و مقالاتش شایسته‌ی توجه است، به‌ویژه وقتی درباره‌ی محصولات یا مدل‌های خاص هوش مصنوعی نظر می‌دهد(۳،۶)

 🔚 توپول در طول ۴۰ سال مسیر حرفه‌ای‌اش سه بار کاملاً حوزه‌ی تمرکزش را عوض کرده: از کاردیولوژی مداخله‌ای به ژنومیک، از ژنومیک به طب دیجیتال، و از طب دیجیتال به هوش مصنوعی مولد. آیا این چابکی نشانه‌ی یک پزشک-دانشمند واقعاً آینده‌نگر است، یا نشانه‌ی الگویی که هر بار به موج بعدی هایپ فناوری سوار می‌شود؟ و اگر نسل بعدی پزشکان ایرانی بخواهند از این مسیر الگو بگیرند، کدام‌یک را باید تقلید کنند انضباط بالینی سال‌های اولیه‌اش در کلیولند، یا جسارتش در رها کردن یک تخصص جاافتاده به‌خاطر فناوری نوپا؟

منابع: ۱. https://en.wikipedia.org/wiki/Eric_Topol ۲. https://www.scripps.edu/faculty/topol/ ۳. https://www.scripps.org/physicians/5497-eric-topol ۴. https://www.usnews.com/news/leaders/articles/best-leaders-2025-eric-topol ۵. https://magazine.scripps.edu/awards-and-honors/2020/winter-spring/cardiovascular-research-foundation ۶. https://www.flagshippioneering.com/people/eric-topol

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید 🎓 🌐@MedAI_academy

🖥پردازش تصاویر پزشکی به زبان ساده در MATLAB 🏛 برگزار شده توسط MathWorks

📚محورها: 🔹مشاهده و پردازش تصاویر پزشکی (MRI، CT، X-ray، PET/SPECT) 🔹سگمنتیشن تعاملی بافت ریه و ساخت مدل یادگیری ماشین 🔹استخراج ویژگی‌های رادیومیک برای طبقه‌بندی تومور 🔹پردازش تصاویر میکروسکوپی غول‌پیکر (Whole-Slide) با مدل Cellpose

 🏛با زیرنویس فارسی اختصاصی آکادمی Med-AI شبکه نخبگان ایران جهت دریافت دوره آموزشی کامل MATLAB می‌توانید به آیدی زیر مراجعه کنید👇 : ✅@Med_Admin_1 در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید🎓 🌐@MedAI_academy

🧮 یادبود دانشمندی که افسانه‌اش هنوز روی صفحه‌ی میلیون‌ها مهندس و پزشک اجرا می‌شود ابزاری که قرار بود فقط جواب تکلیف دانشجوها را راحت‌تر کند امروز پشت تحلیل عمیق خیلی از تصاویر MRI و CT‌ای‌ست که پزشکان و دانشمندان داده تحلیلشان می‌کنند. 🔎 تصور کنید یک استاد ریاضی در اواخر دهه‌ی ۱۹۷۰ در یک دانشگاه آمریکایی دارد درس جبر خطی می‌دهد. آن زمان، برای اینکه دانشجوهایش حتی یک محاسبه‌ی ساده‌ی ماتریسی را روی کامپیوتر انجام بدهند، باید ساعت‌ها وقت می‌گذاشتند تا با زبان‌های برنامه‌نویسی پیچیده‌ی آن دوره کنار بیایند چیزی شبیه این‌که برای درست‌کردن یک لیوان چای، مجبور باشی اول یاد بگیری چطور یک کتری بسازی! استاد که خودش هم در نوشتن برخی از آن ابزارهای پیچیده‌ی محاسباتی نقش داشت، تصمیم گرفت یک میان‌بر بسازد: یک برنامه‌ی ساده که دانشجوها بتوانند مستقیم و بدون سردرگمی، دستورهای ماتریسی را تایپ کنند و جواب بگیرند. هیچ‌کس، حتی خودش، فکر نمی‌کرد این «کمک‌درسی کوچک» روزی زبان مشترک میلیون‌ها مهندس، دانشمند و پزشکانی بشود که هر روز با تحلیل تصاویر MRI و CT سروکار دارند. بیستم می ۲۰۲۶، کلیو مولر (Cleve Moler)، خالق همان ابزار که اسمش را «آزمایشگاه ماتریس» یا به‌اختصار MATLAB گذاشته بود در ۸۶ سالگی درگذشت. ⏹️ داستان از این قرار بود: مولر که استاد ریاضی و علوم کامپیوتر بود، همراه چند همکار دیگر روی مجموعه‌ای از ابزارهای محاسباتی پیچیده کار می‌کرد که برای حل مسائل ماتریسی نوشته شده بودند. این ابزارها قدرتمند بودند اما استفاده از آن‌ها نیاز به دانش فنی زیادی داشت درست مثل داشتن یک موتور قوی بدون فرمان و پدال گاز ساده. مولر دید دانشجوهایش بیشتر وقتشان صرف کلنجار رفتن با همین پیچیدگی‌های فنی می‌شود تا یادگیری خود ریاضیات. راه‌حلش یک ماشین‌حساب تعاملی و ساده بود که پشت‌صحنه به همان ابزارهای قدرتمند وصل می‌شد، اما از بیرون مثل نوشتن یک جمله‌ی ساده به‌نظر می‌رسید. نکته‌ی جالب این‌جاست که مولر خودش هرگز پیش‌بینی نکرده بود این ابزار از کلاس درس فراتر برود. تا اینکه یک مهندس به اسم جک لیتل نسخه‌ای از آن را دید و فهمید این می‌تواند روی رایانه‌های شخصی تازه‌عرضه‌شده هم اجرا شود. مولر و لیتل، به‌همراه یک همکار دیگر در سال ۱۹۸۴ شرکت MathWorks را برای عرضه‌ی همگانی این ابزار تأسیس کردند. اولین سفارش ثبت‌شده‌ی شرکت، فقط ۱۰ نسخه بود. 📊 امروز، همان ابزار به بیش از ۵ میلیون کاربر و ۱۰۰ هزار سازمان در سراسر جهان رسیده و در بیش از ۵۰۰۰ دانشگاه دنیا تدریس می‌شود.(۱)

بخش مهمی از این گسترش، ابزارهای اختصاصی پردازش تصویر پزشکی هستند: امروز MATLAB امکان وارد کردن و تحلیل تصاویر از روش‌های مختلف تصویربرداری رادیوگرافی، سی‌تی‌اسکن، ام‌آرآی، سونوگرافی و پزشکی هسته‌ای را در یک محیط یکپارچه فراهم می‌کند و حتی برای برچسب‌گذاری نیمه‌خودکار تصاویر سه‌بعدی جهت آموزش مدل‌های هوش مصنوعی ابزار اختصاصی دارد.(۲) در ده‌ها مقاله‌ی پژوهشی پزشکی، از تحلیل تصاویر MRI مغز تا شمارش سلول در بافت‌های سرطانی، MATLAB همچنان یکی از ابزارهای رایج برای پیاده‌سازی الگوریتم‌هاست.(۳)

▫️ نکته‌ای که ارزش توجه دارد: بخش زیادی از همین آمار (تعداد کاربران، سازمان‌ها، دانشگاه‌ها) از منابع خودِ MathWorks یا صفحات وابسته به آن می‌آید، نه یک نهاد مستقل ثالث. در برخی گزارش‌های بازار مستقل‌تر، سهم MATLAB در کل بازار نرم‌افزارهای تحلیل داده رقمی در حدود چند درصد گزارش شده عددی که با روایت «همه‌جا حاضر بودن» فاصله دارد، چون این رقم فقط بخش محدودی از کاربردهای واقعی MATLAB (که عمدتاً در مهندسی و محاسبات علمی/پزشکی است، نه علم داده به معنای رایج امروزی) را می‌سنجد. 🔚 داستان MATLAB این‌‌طور روایت می‌شود که یک ابزار کوچک برای حل یک مسئله‌ی آموزشی جزئی، بدون برنامه‌ریزی از پیش، تبدیل به زیرساختی شد که امروز پشت طراحی ماهواره‌ها و بخش قابل‌توجهی از الگوریتم‌های پردازش تصویر پزشکی دنیا ایستاده همان چیزی که خیلی از دانشجوها و حتی پزشکان امروز هنوز نمی‌دانند در دسترسشان است. سؤال این‌جاست: چند بار در تاریخ فناوری، ابزاری که قرار بود فقط «کار یک گروه کوچک را راحت کند» به‌طور تصادفی تبدیل به استاندارد یک صنعت کامل شده؟ و وقتی یک ابزار این‌قدر جا افتاده، چقدر از فاصله‌ی واقعی «ندانستن آن وجود دارد» تا «ندانستن چطور استفاده‌اش کنیم» است؟ جهت ثبت نام در دوره بین المللی مقدمات پردازش تصاویر پزشکی با MATLAB با آیدی ادمین در ارتباط باشید 👇: ✅@Med_Admin_1 منابع: 1. https://www.mathworks.com/products/matlab/matlab-vs-python.html 2. https://www.mathworks.com/products/medical-imaging.html 3. https://www.mathworks.com/discovery/medical-image-analysis.html در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید 🎓 🌐@MedAI_academy