🏥 پنل سلامت؛ هوش مصنوعی از داده تا تصمیم

هوش مصنوعی در سلامت فقط برای تشخیص و تحلیل نیست؛
ایجنت می‌توانند بخشی از فرایندهای درمانی، اداری و عملیاتی سازمان‌های سلامت را هوشمند و خودکار کنند.

🎯 اما این مسیر فقط تئوری نیست!

پروژه، تمرین و کوییز بخش مهمی از تجربه یادگیری شماست تا مفاهیم را صرفاً نخوانید، بلکه آن‌ها را در سناریوهای واقعی سلامت به کار بگیرید.

🏆 پروژه Capstone:
در پایان، یک سناریوی عملی برای یک Agent در حوزه سلامت طراحی و ارائه می‌کنید.

⏱️در ۲۶ ساعت
🔹 بدون نیاز به کدنویسی

اگر در حوزه پزشکی، پرستاری، مدیریت سلامت، کسب‌وکار سلامت، استارتاپ یا فناوری فعالیت می‌کنید، این پنل می‌تواند نقطه شروع شما برای ورود به دنیای Agentic AI در سلامت باشد.

📩 برای اطلاعات بیشتر، ثبت‌نام گروهی و شرکت در پنل سلامت:
🆔 @Med_Admin_1

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

Читать полностью…

🤖 ایجنت چیست؟ و چگونه می‌تواند دستیار شما باشد؟

ایجنت، یک دستیار هوشمند و خودکار است که می‌تواند مانند یک انسان فکر کند، برنامه‌ریزی کند و کارها را به‌طور مستقل انجام دهد.

🔹 ایجنت به چه دردی می‌خورد؟

صرفه‌جویی در زمان
افزایش بهره‌وری
تصمیم‌گیری هوشمند
اتوماسیون واقعی
و دسترسی به تخصص
"درست مثل داشتن یک همکار متخصص
در هر حوزه."

🔹 ایجنت‌ها کجا به کار می‌آیند؟

آموزش و پژوهش
مدیریت و برنامه‌ریزی
توسعه نرم‌افزار
سلامت و پزشکی
کسب‌وکار و تولید محتوا

در یک جمله: ایجنت، از یک چت ساده فراتر می‌رود؛ آینده‌ای که در آن هوش مصنوعی خودش کار می‌کند، تا شما بیشتر زندگی کنید.

👇 اکنون نوبت شماست:
تخصص یا شغل خود را بفرمایید، تا شما را راهنمایی کنیم که دقیقاً ایجنت‌ها چگونه می‌توانند به کارتان بیایند و کدام مسیر (سلامت، مدیریت ، کارآفرینی و یا فنی) برای شما مناسب‌تر است 👇
🆔 @Med_Admin_1

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

Читать полностью…

🏔بوت‌کمپ رویش | مهارت‌های حرفه‌ای رهبران آینده

🌱مهارت‌هایی که در دانشگاه نمی‌آموزید، اما آینده حرفه‌ای شما را می‌سازند.

💠مدرسین:
👤دکتر شهرام یزدانی
⏺مشاور آموزشی رئیس‌جمهور
⏺استاد تمام دانشگاه علوم پزشکی شهید بهشتی

👤دکتر اکبر سلطانی
⏺فوق‌تخصص غدد و عضو هیئت علمی دانشگاه علوم پزشکی تهران
⏺رئیس مرکز تحقیقات پزشکی مبتنی بر شواهد

👤پیام بهرام‌پور
⏺مؤسس مجموعه "بیشتر از یک نفر"
⏺مؤسس هولدینگ RC (پل، کارازما، کندل، آرامیا، دانه و…)

👤امین آرامش
⏺میزبان و تولیدکننده پادکست «رادیو کارنکن»
⏺کارشناسی ارشد مهندسی مکانیک از دانشگاه امیرکبیر
⏺مدرس مسیر شغلی

👤امیرمحمد تهمتن
⏺دانش‌پذیر تحصیلات حرفه ای دانشگاه MIT
⏺مدیر بخش insight دیجی پی

👤‌متین نیرومند
⏺‌ دانش‌آموخته دانشکده مدیریت دانشگاه تهران
⏺‌ هم‌بنیان‌گذار استارتاپ کارازما

👤محمدرضا طیّبی
🔹دانش‌آموخته کارشناسی ارشد MBA از دانشگاه صنعتی شریف
🔹مدیر محصول استارتاپ AIR Properties در امارات

📝سرفصل‌ها:
⏺تفکر انتقادی
⏺تفکر استراتژیک
⏺حل مسئله
⏺تصمیم‌گیری
⏺هدف‌گذاری
⏺اشتباهات رایج مسیر شغلی
⏺سوگیری‌های شناختی

💎کارگاه‌های ویژه:
⏺۲ جلسه کارگاه لینکدین پیشرفته
⏺۲ جلسه کارگاه ساخت برند شخصی

💻۲۴ ساعت آموزش ➕ منابع مکمل

🎖همراه با سرتیفیکیت انگلیسی از شبکه نخبگان ایران

جهت کسب اطلاعات بیشتر و ثبت‌نام:👇
🆔 @MedStartup_admin

🩺در «آکادمی مداستارتاپ» شبکه نخبگان ایران با ما همراه باشید
| @Med_startup |

Читать полностью…

📘چگونه ایده‌های AI را به محصولی واقعی تبدیل کنیم؟

🧠 کتاب The AI Product Manager’s Handbook نشان می‌دهد که فاصله‌ی میان یک مدل هوش مصنوعی و یک محصول موفق، فاصله‌ای فنی نیست؛ بلکه فاصله‌ای مدیریتی است.

📖 نویسنده با تکیه بر تجربه‌ی عملی خود در داده و محصول، چرخه‌ی کامل عمر یک محصول هوش مصنوعی را ترسیم می‌کند؛ از شکل‌گیری تیم و نقش‌ها و همکاری با دانشمندان داده تا مسائل اخلاق، سوگیری، حاکمیت داده و ریسک‌هایی که اگر دیر دیده شوند، محصول را زمین می‌زنند. پرسش محوری کتاب این است: مدیر محصول چگونه باید تصمیم بگیرد وقتی خروجی سیستم قطعی و مشخص نیست؟

🎯 این کتاب برای مدیران محصول، بنیان‌گذاران، دانشمندان داده‌ای که به سمت محصول حرکت می‌کنند و متخصصان حوزه‌های تخصصی مانند سلامت، یک چارچوب اجرایی برای تبدیل قابلیت‌های AI به ارزش واقعی فراهم می‌کند؛ کتابی درباره‌ی عبور از «ساختن مدل» به سمت ساختن محصولی که واقعا در دنیای واقعی کار می‌کند...

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

Читать полностью…

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

| @Programming_Association |

Читать полностью…

🖥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

Читать полностью…

🧠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، ممکن بود بینایی‌اش را از دست بدهد .

💡 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 اطراف 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

Читать полностью…

🔹 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 |

Читать полностью…

📘متادیتا : دیدن بخش نادیده اطلاعات!

🧠 عنوان یک مقاله، تاریخ گرفتن یک تصویر پزشکی یا حتی PixelSpacing یک فایل DICOM همگی متادیتا هستند؛ لایه‌ای نامرئی که پیچیدگی یک شیء را در قالبی ساده‌تر نمایش می‌دهد. وقتی متادیتا خوب کار کند، اصلاً دیده نمی‌شود و همین «دیده‌نشدن» نشانه‌ی موفقیتش است.

📖 کتاب Metadata نوشته‌ی دکتر جفری پومرانتز (از مجموعه‌ی معتبر MIT Press Essential Knowledge) یکی از بهترین معرفی‌های مختصر و روان به این مفهوم است. نویسنده انواع متادیتا توصیفی، مدیریتی، ساختاری، حفاظتی و کاربردی را دسته‌بندی می‌کند و نشان می‌دهد چگونه این زیرساخت نامرئی، مثل شبکه‌ی برق یا بزرگراه، در همه‌جای زندگی دیجیتال ما جاری است.

🎯 مطالعه‌ی این کتاب برای هرکسی که با داده‌های پزشکی، تصویربرداری یا هوش مصنوعی و به معنای کلمه هرگونه دیتا سروکار دارد، دیدی عمیق‌تر از "چرا داده‌ها را به این شکل سازمان‌دهی می‌کنیم" می‌دهد.

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

Читать полностью…

📘 آشنایی با هوش مصنوعی قابل‌توضیح برای کاربردهای زیست‌پزشکی!

🧠 با پیشرفت روزافزون هوش مصنوعی ، سیستم‌های هوشمند می‌توانند در حوزه پزشکی با توانایی‌های انسان رقابت کنند. اما وضعیت حال حاضر ، این سیستم‌ها را به جعبه‌سیاه‌هایی تبدیل کرده که برای کاربردهای پزشکی قابل‌اعتماد نیستند. اینجاست که هوش مصنوعی قابل‌توضیح (XAI) وارد صحنه می‌شود.

📖کتاب Explainable Artificial Intelligence for Biomedical Applications که توسط دکتر اوتکو کوز، دکتر دیپاک گوپتا و دکتر شی چن گردآوری شده، یکی از آثار ارزشمند انتشارات River Publishers در حوزه مهندسی بیومدیکال است.

💡این کتاب با زبانی روان، مباحث را از دیدگاه‌های مقدماتی تا بحث‌های کاربردی در حوزه های تصاویر پزشکی ، داده‌های جایگزین ، روش‌های متنوع XAI و مرور پژوهش‌های حیاتی پوشش می‌دهد.

🎯این اثر برای اساتید، پژوهشگران، دانشجویان، مهندسان و متخصصان حوزه‌های علوم کامپیوتر، بیومدیکال، پزشکی و علوم سلامت ایده‌آل است و به تمام علاقه‌مندان حوزه هوش مصنوعی پیشنهاد می‌شود.

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

Читать полностью…

🤩 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

Читать полностью…

🖥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 کاربرد MATLAB در پردازش تصاویر پزشکی می‌توانید به آیدی زیر مراجعه کنید👇 :
✅@Med_Admin_1

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

Читать полностью…

🤩 از تصویر تا تشخیص: آموزش پروژه محور پردازش تصاویر پزشکی با MATLAB

💻 توسط سازندگان نرم‌افزار Matlab و متخصصان خبره موسسه Mathworks

📚سرفصل‌ها:
🔹پردازش و تحلیل داده‌های تصویربرداری پزشکی (X-Ray ،CT Scan و MRI)
🔹یادگیری عمیق (Deep Learning) در حوزه تصویربرداری
🔹کار با نرم‌افزار و ابزارهای تصویرسازی MATLAB
🔹ابزارها و متدهای بخش‌بندی و بهبود کیفیت تصاویر (Image Quality)

👨‍🏫به همراه منتورینگ پروژه‌ها

💻۸ ساعت آموزش ➕ پروژه‌‌های تخصصی:

⏺۳ ماژول تخصصی (آموزش فشرده)
⏺۳ تمرین تخصصی و پروژه محور در محیط متلب
⏺۳ آزمون ارزیابی برای سنجش مفاهیم هر بخش

👥مخاطبین:
ویژه دانشجویان علوم پزشکی، دانشجویان مهندسی و تمامی علاقمندان به حوزه هوش‌مصنوعی

🔗لینک ثبت‌نام

کسب اطلاعات بیشتر و نهایی کردن ثبت‌نام:👇
🆔 @Med_Admin_1

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

Читать полностью…

🧭 وقتی تصورمان از آینده دقیق نیست!

چند سال با روزی فاصله داریم که دیگر «متخصص» به معنای امروزی‌اش لازم نباشد؟

تصور کنید یک پزشک عمومی در مطبی کوچک نشسته؛ بیماری با علائم همزمان قلبی، غدد و روانی جلویش است. به‌جای سه ارجاع به سه فوق‌تخصص، او در عرض چند دقیقه با یک سامانه‌ی هوش مصنوعی مشورت می‌کند که هم‌زمان نقش کاردیولوژیست، اندوکرینولوژیست و روان‌پزشک را بازی می‌کند؛ نسخه می‌نویسد، توضیح می‌دهد و حتی لحن دلگرم‌کننده‌ی یک متخصص باتجربه را تقلید می‌کند. مسئله مهمی هست که بدانیم چند سال با آن فاصله داریم و اگر سیستم آموزش پزشکی برای آن روز آماده نباشد، چه نسلی از پزشکان قربانی این فاصله می‌شوند...

🔎 افسانه‌ای به‌نام جایگزینی
در ادبیات تعامل انسان-ماشین از دهه‌ی ۱۹۸۰، پژوهش‌های تخصیص‌وظیفه (function allocation) به باوری اشاره می‌کنند که آن را «افسانه‌ی جایگزینی» (substitution myth) می‌نامند: این تصور نادرست که می‌شود یک وظیفه‌ی انسانی را عیناً و بدون تغییر پویایی کل سیستم به ماشین منتقل کرد که به آن humanized کردن بیش از حد هوش مصنوعی می‌گویند :
یعنی وادار کردنش به این‌که دقیقاً مثل یک پزشک انسانی «رفتار» کند، نه این‌که با منطق محاسباتی متفاوت خودش نقشی مکمل (complementary) ایفا کند. وقتی این افسانه باور شود، نتیجه‌ی منطقی‌اش برون‌سپاری تدریجی وظایف فوق‌تخصصی به AI است؛ دقیقاً مسیری که مقاله‌ای در Health Affairs Scholar آن را با عنوان «پزشک همه‌کاره-متخصص» (generalist-specialist) صورت‌بندی کرده: مدلی که در آن مراقبت از بیماری‌های مزمن حول محور «بیماری» سازمان‌دهی می‌شود نه حول «دستگاه مبتلا در بدن»، و پزشک عمومیِ مجهز به AI بار زیادی از فوق‌تخصص‌ها را بر عهده می‌گیرد(1).

اما نکته‌ی اصلی این نیست که این افسانه درست است یا غلط؛ نکته این است که فاصله‌ی زمانی تا تحقق (یا شکستِ) آن، مستقیماً تعیین می‌کند سیستم آموزش پزشکی امروز باید چه تصمیمی بگیرد. اگر این افق ۲ سال باشد، برنامه‌ریزی درسی باید همین امروز از ریشه بازطراحی شود؛ اگر ۴۰ سال باشد، عجله در حذف چرخه‌های فوق‌تخصصی می‌تواند نسلی از پزشکان را با دانشی ناقص و اتکای زودهنگام به ابزاری تربیت کند که هنوز جای پزشک را نگرفته.

📊 چرا این پرسش فوری‌ست؟
طبق آخرین نظرسنجی انجمن پزشکی آمریکا (AMA) که در پستهای قبلی هم به آن اشاره شده، در ابتدای ۲۰۲۶ حدود ۸۱٪(2) از پزشکان گفته‌اند در کار حرفه‌ای‌شان از هوش مصنوعی استفاده می‌کنند؛ رقمی که در ۲۰۲۳ فقط ۳۸٪(2) بود؛ یعنی در کمتر از سه سال بیش از دو برابر شده، و شیب این منحنی خودش شاهدی‌ست بر این‌که افق «۲ سال» به‌اندازه‌ی افق «۴۰ سال» غیرمنطقی نیست. نویسندگان مقاله‌ی «همه‌کاره-متخصص» هم گزارش کرده‌اند در آزمایش‌های اولیه‌شان، ارجاع‌های تخصصی پیشنهادی توسط AI و پزشک انسانی هم‌خوانی قابل‌توجهی داشته‌اند(1)؛ یعنی فاصله تا جایگزینیِ حداقل بخشی از قضاوت تخصصی، شاید کوتاه‌تر از آن چیزی باشد که نظام آموزشی برایش برنامه دارد.

▫️ اما همین داده‌ها محدودیت هم دارند: بخشی از یافته‌های مقاله‌ی «همه‌کاره-متخصص» بر تجربه‌های منتشرنشده (unpublished) استوار است، نه کارآزمایی مستقل؛ و نظرسنجی AMA میزان «استفاده» را می‌سنجد، نه میزان «اتکا»ی واقعی پزشک به قضاوت AI به‌جای قضاوت خودش، که همان چیزی‌ست که افسانه‌ی جایگزینی درباره‌اش هشدار می‌دهد.

🔚 اگر باور کنیم این افسانه ظرف چند سال محقق می‌شود، باید همین حالا برنامه‌ی درسی پزشکان عمومی و حتی تخصص و فوق تخصص را حول همکاری با AI بازتعریف کنیم؛ اگر باور کنیم چند دهه فاصله داریم، عجله در این بازتعریف می‌تواند مهارت‌های بنیادینی را که هنوز جایگزینی برایشان وجود ندارد، از نسل‌های آینده‌ی پزشکان بگیرد. کدام برآورد زمانی را باید مبنای تصمیم قرار داد؟
و چه ساختاری مسئول اشتباه در این برآورد است؟

منابع:
1_https://academic.oup.com/healthaffairsscholar/article/4/4/qxag075/8541477
2_https://www.ama-assn.org/practice-management/digital-health/more-80-physicians-use-ai-professionally-ama-survey

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

Читать полностью…

🤖تبعیض دیجیتال: ماجرای رسوایی‌ای که یک دولت را ساقط کرد

چطور سرنوشت ۲۶ هزار خانواده عوض شد؟

تصور کنید یک مادر تک‌والد در آمستردام، سال‌هاست یارانهٔ مهدکودک فرزندش را طبق قانون دریافت می‌کند. یک روز نامه‌ای می‌رسد: باید ده‌ها هزار یورو را «فوراً» بازگرداند؛ بدون توضیح، بدون فرصت اعتراض مؤثر. چند ماه بعد، خانه‌اش را از دست می‌دهد. علت این تصمیم نه یک بازرس انسانی بلکه یک الگوریتم است که او را «خطرناک» طبقه‌بندی کرده بود.

🔎 از کجا شروع شد؟
از سال ۲۰۱۳، ادارهٔ مالیات هلند (Belastingdienst) یک سامانهٔ «خودآموز» (self-learning) را برای غربالگری درخواست‌های یارانهٔ مهدکودک راه اندازی کرد. کارکرد سیستم ساده بود: هر درخواست یک امتیاز ریسک تقلب می‌گرفت و موارد پرریسک برای بازبینی انسانی علامت می‌خوردند. اما در عمل، کارمندان اغلب همان برچسبِ الگوریتم را بدون بررسی مستقل تأیید می‌کردند؛ یعنی تصمیم واقعی از همان لایهٔ ماشین گرفته می‌شد، نه انسان.

📊 اعداد و آمارها
الگوریتم به‌طور سیستماتیک داشت تابعیت دوگانه یا غیرهلندی را به‌عنوان یکی از شاخص‌های ریسک در نظر می‌گرفت؛ نتیجه، برچسب‌زنی نامتناسب خانواده‌های مهاجر به‌عنوان متقلب بود، بدون آنکه رفتار واقعی آن‌ها تفاوتی با دیگران داشته باشد.(1)
این خطا حدود ۲۶ هزار خانواده را به مرز ورشکستگی کشاند؛ خانه و شغل و در برخی موارد زندگی از دست رفت (دست‌کم یک مورد خودکشی گزارش شده) و بیش از ۳۵۰۰ کودک از خانواده‌هایشان جدا و به مراکز نگهداری سپرده شدند.(2)
در ژانویهٔ ۲۰۲۱، پس از افشای تدریجی ماجرا توسط روزنامه‌نگاران از سال ۲۰۱۹، کابینهٔ مارک روته، نخست‌وزیر وقت هلند، استعفا داد؛ نخستین باری که یک سیستم هوش مصنوعی مستقیماً در سقوط یک دولت نقش داشت.(3)

▫️نکته‌ای که این پرونده را از یک «باگ فنی سادهٔ» معمولی متمایز می‌کند، این است که مشکل صرفاً خطای آماری نبود؛ طراحی مدل از پیش با مفروضات تبعیض‌آمیز دربارهٔ مهاجران شکل گرفته بود، و نبود شفافیت مانع از این شد که کسی زودتر متوجه این سوگیری شود.(4)

🔚 جمع‌بندی
این پرونده نشان داد وقتی الگوریتم به یک فیلتر اولیه در تصمیمات حیاتی زندگی مردم تبدیل می‌شود، مسئولیتِ نهایی بر عهده کیست؟ و وقتی کارمندی که باید ناظر ماشین باشد، خودش صرفاً مُهرِ تأییدِ آن می‌شود، خط باریک میان «کمک ابزار» و «تصمیم‌گیرندهٔ واقعی» را چه کسی باید ترسیم کند؟

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

Читать полностью…

🚀 دسترسی به دنیای هوش مصنوعی، ساده‌تر از همیشه در دوره از ایده تا ایجنت

جدیدترین مدل‌های هوش مصنوعی جهان:
✅بدون فیلترشکن
✅در یک پلتفرم
✅با یک کلیک
برای یادگیری، تجربه و ساخت.

🔹 پلتفرم AvalAI چیست؟
پلتفرمی برای دسترسی ساده و سریع به مدل‌ها و ابزارهای هوش مصنوعی؛ از تولید محتوا و تصویر تا کدنویسی، تحلیل و ساخت Agent

بدون پیچیدگی‌های فنی، بدون نیاز به فیلترشکن.

با AvalAI می‌توانی:
✨ مسیر ساخت Agent را شروع کنی
⚙️ با ابزارهای مختلف AI کار کنی
💡 ایده‌هایت را به خروجی تبدیل کنی
🧠 مدل‌های AI را تجربه کنی

🎁 هدیه ویژه شرکت‌کنندگان بوت‌کمپ «از ایده تا ایجنت»:
۱,۰۰۰,۰۰۰ تومان اعتبار AvalAI
(با ظرفیت محدود)

فقط درباره هوش مصنوعی یاد نمی‌گیری؛ با ابزارهای واقعی، تجربه‌اش می‌کنی.

جهت کسب اطلاعات در مورد بوت کمپ و دریافت اعتبار یک میلیون تومانی :👇
🆔 @Med_Admin_1

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

Читать полностью…

🤖از ایده تا ایجنت

🎓بوت‌کمپ جامع و مهارت‌محور هوش مصنوعی؛ اولین Agent خود را بسازید!

💠مدرسین:
👤احسان عزیزی
⏺هم‌بنیان‌گذار پلتفرم هوش مصنوعی AvalAI

👤امید رزاقی
⏺مدیر ارشد فناوری راهکارهای ارتباطی حیات

👤دکتر سهیل تهرانی‌پور
⏺دکتری هوش مصنوعی
⏺مدیرعامل شرکت دانش‌بنیان ساعیان ارتباط

👤مهدی چراخلو
⏺هم‌بنیان‌گذار شرکت پیندو
⏺دکتری مهندسی برق از دانشگاه صنعتی شریف

📝مسیر یادگیری (یک مسیر مشترک، سه مسیر تخصصی):
🔹پنل عمومی: ورود به دنیای Agentها (۱۲ ساعت)
🔹پنل سلامت: Agentic AI در Healthcare (۱۴ ساعت)
🔹پنل مدیریت، کارآفرینی و طراحی محصول: Agentها در کسب‌وکار (۱۸ ساعت)
🔹پنل فنی: ساخت AI Agent (۱۲ ساعت)

🗺هر شرکت‌کننده: پنل عمومی + یک مسیر تخصصی (امکان شرکت در چند مسیر تخصصی نیز وجود دارد.)

👥مخاطبین:
پزشکان، پرستاران، مهندسان، مدیران، کارآفرینان، مدیران محصول، متخصصان فناوری و‌ تمامی علاقه‌مندان

🎁 ۱،۰۰۰،۰۰۰ تومان اعتبار هوش مصنوعی با حمایت AvalAI (ویژه ۳۰۰ نفر اول)

🎖همراه با اعطای سرتیفیکیت انگلیسی از شبکه نخبگان ایران

📆زمان شروع جلسات: از پنجشنبه، ۱۶ مهر ماه

🔗لینک ثبت‌نام

کسب اطلاعات، ثبت‌نام گروهی و شرکت در بیش از یک پنل:👇
🆔 @Med_Admin_1

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

Читать полностью…

🖥 آموزش ساخت RAG:
چگونه به هوش مصنوعی یاد بدهیم فقط بر اساس اسناد و منابع معتبر ما پاسخ بدهد

🏛 برگزار شده توسط OpenAI Academy

🎙مدرسین:
👤Lakshya Dhar
💠Builder AI Deployment Manager @ OpenAI

👤Catherine LaChapelle
💠Builder ADM @ OpenAI

👤Sean Lubbers
💠Technical Success @ OpenAI

📚محورها:
🔹ساخت پایپ‌لاین RAG با استفاده از File Search، Responses و Evals API

🔹ساختاردهی به محتوای منبع و ایجاد Vector Store برای بازیابی اطلاعات

🔹بازیابی محتوای مرتبط (Retrieval) و تولید پاسخ‌های مبتنی بر منبع (Grounded Answers)

🔹تنظیم رفتار بازیابی (Retrieval Tuning)، رتبه‌بندی نتایج و به‌روز نگه‌داشتن دانش (Knowledge Freshness)

🔹ارزیابی کیفیت پاسخ‌ها با Evals و سنجش دقت و کاربردی‌بودن خروجی سیستم برای کاربردهایی مثل دستیارهای دانش سازمانی، پشتیبانی مشتری و ابزارهای بالینی مبتنی بر منابع معتبر


✅✅✅ویژه توسعه‌دهندگان و کسب‌وکارهایی که می‌خواهند دستیار هوشمند مبتنی بر اسناد خودشان بسازند

🎞 این وبینار با زیرنویس فارسی اختصاصی آکادمی MedAI در دسترس شماست.

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

Читать полностью…

🪜 نردبانی که اولین پله‌اش را برداشتند!

تصور کنید فارغ‌التحصیل امسال هستید، رزومه‌تان آماده است؛ اما آگهی‌های «جونیور» که قبلاً صدها مورد بودند حالا انگار آب شده‌اند رفته‌اند زیر زمین! در همان حال، آگهی‌های «سنیور» بیشتر هم شده‌اند!!!
سؤال ما این است:
در آینده ای نزدیک این افراد سنیور را از کجا قرار است پیدا کنند، وقتی کسی دیگر جونیورها را استخدام نمی‌کند؟

🔎 این الگو تکراری است. هر بار فناوری جدیدی وارد یک صنعت شده، اول سراغ ساده‌ترین و تکراری‌ترین وظایف رفته ؛ همان وظایفی که کار روز اول کارمندهای تازه‌کار بوده. تفاوت این‌بار این است که یادگیری از طریق انجام کارهای پایه («learning by doing») خودش دارد هدف حذف قرار می‌گیرد. در ساختارهای سنتی، یک کارمند جدید با غربال کردن داده‌ها، نوشتن پیش‌نویس اول یا رفع اشکال‌های ساده، به‌مرور شمّ حرفه‌ای (professional intuition) پیدا می‌کند؛ همان چیزی که بعداً در تصمیم‌های پیچیده‌ی سطح سنیور به کار می‌آید. وقتی هوش مصنوعی این لایه از کار را جذب می‌کند، سؤال باز این است: آن شمّ حرفه‌ای از کجا شکل می‌گیرد؟

📊 طبق داده‌های Indeed، آگهی‌های شغلی سطح جونیور در سال ۲۰۲۵ نسبت به سال قبل ۷٪ کاهش یافته، در حالی که آگهی‌های سطح سنیور ۴٪ رشد داشته‌اند. در همین بازه، نرخ بیکاری فارغ‌التحصیلان تازه در سه‌ماهه‌ی چهارم ۲۰۲۵ به ۵.۷٪ رسیده که بالاترین رقم سه سال اخیر است؛ و در ایالات متحده، مشاغل سطح ورودی طی ۱۸ ماه اخیر تا ۳۵٪ کاهش داشته‌اند. در سوی دیگر ماجرا، وقتی از توسعه‌دهندگان جونیور پرسیده شده آموزش‌شان باید بیشتر روی چه تمرکز کند، ۴۹٪ «تجربه پروژه واقعی» را انتخاب کرده‌اند .(با فاصله زیاد پرتکرارترین پاسخ.) [۱][۳]

▫️ این الگو برای پزشکی هم آشناست: ساختار اینترن ----> رزیدنت ----> فوق‌تخصص/attending دقیقاً بر همین مبنا بنا شده که وظایف پایه (گرفتن شرح‌حال، نوشتن نوت، پیگیری روتین) بستر یادگیری بالینی می‌سازند. اگر روزی هریک از سطوح پایه‌‌ای ، بخش زیادی از این کارهای پایه را به AI بسپارند، آیا هنوز همان مسیر شکل‌گیری قضاوت بالینی (clinical judgment) را طی می‌کنند؟ یا لازم است این مسیر آموزشی از نو طراحی شود؟

🔚 آیا راه‌حل، بازتعریف نقش‌های ورودی است (مثلاً نیروی تازه‌کار را زودتر وارد کارهای مبتنی بر قضاوت کنیم) یا این‌که واقعا باید دست نگه‌‌داریم و کمی بیشتر نتایج این وضعیت را بررسی کنیم؟
در نظام آموزش پزشکی ایران، چه بخش‌هایی از کار «پایه‌ای» دانشجویان واقعاً قابل واگذاری به AI هستند بی‌آنکه به شکل‌گیری تجربه بالینی آسیب بزند؟

منابع:
۱. https://www.weforum.org/stories/2026/06/ai-decimate-entry-level-jobs-expert-insights/
۲. https://weforum.org/stories/2026/03/how-ai-is-changing-the-nature-of-entry-level-work
۳. https://www.weforum.org/stories/artificial-intelligence/as-ai-reshapes-entry-level-software-jobs-where-will-senior-developers-come-from/

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

Читать полностью…

📘 هک‌کردن سلامت: چگونه هوش مصنوعی نظام سلامت را بازآفرینی می‌کند؟

🧠 کتاب Hacking Healthcare تصویری از آینده‌ی سلامت ارائه می‌دهد؛ آینده‌ای که در آن هوش مصنوعی صرفاً یک ابزار تکنولوژیک نیست، بلکه می‌تواند ساختارهای سنتی مراقبت سلامت را از نو طراحی کند. تام لاوری در این کتاب به بررسی نقش هوش مصنوعی در حل چالش‌های پیچیده‌ی نظام سلامت و حرکت از مدل‌های قدیمی به سیستم‌هایی هوشمندتر و کارآمدتر می‌پردازد.

📖 نویسنده‌ی کتاب، تام لاوری، با تکیه بر تجربه‌ی خود در حوزه‌ی هوش مصنوعی و تحول دیجیتال سلامت، تلاش می‌کند فاصله‌ی میان فناوری و اجرای واقعی را کاهش دهد. تمرکز اصلی کتاب بر این پرسش است: رهبران حوزه سلامت چگونه می‌توانند از هوش مصنوعی برای ایجاد تغییر واقعی استفاده کنند؟

🎯 کتاب Hacking Healthcare برای مدیران، سیاست‌گذاران، متخصصان سلامت و تمام کسانی که به آینده‌ی هوش مصنوعی در پزشکی علاقه‌مندند یک چارچوب فکری و اجرایی برای بازاندیشی در نظام سلامت فراهم می‌کند؛ کتابی درباره‌ی عبور از «استفاده از AI» به سمت بازآفرینی سیستم سیستم با AI...

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

Читать полностью…

🥼👨‍⚕انسان هنوز تصمیم گیرنده نهایی 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

Читать полностью…

📘از رویا تا اجرا: نقشه‌ی راه رهبران سلامت در عصر هوش مصنوعی

🧠 کتاب AI in Health در شانزده فصل، مسیری مشخص را طی می‌کند: از تاریخچه‌ی هوش مصنوعی و چرایی مصرف‌گرایی در سلامت آغاز می‌شود، به فصل‌های عملی‌تری چون نقش هوش مصنوعی در رادیولوژی و مدیریت اخلاق هوش مصنوعی می‌رسد و سرانجام به چارچوبی اجرایی برای رهبران ختم می‌شود.

📖 نویسنده‌ی این کتاب، تام لاوری، مدیر سابق هوش مصنوعی سلامت در مایکروسافت است. او تجربه‌ی چندین‌ساله‌اش را در قالب راهنمایی عملی و نه صرفاً نظری برای مدیران و رهبران سازمان‌های سلامت تدوین کرده است.

🎯 مطالعه‌ی این کتاب برای تمامی علاقه‌مندان به پیاده‌سازی هوش مصنوعی در یک سازمان بهداشتی، چارچوبی فصل‌بندی‌شده برای عبور از حرف به عمل فراهم می‌آورد.

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

Читать полностью…

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

| Instagram |

Читать полностью…

📱 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 |

Читать полностью…

🖥 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

Читать полностью…

🧬 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

Читать полностью…

🧮 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

Читать полностью…

🔹کانال آکادمی Med-AI در بله

✅ برای اطلاع از آخرین اخبار، محتوا و دوره‌های آموزشی در حوزه هوش مصنوعی (در شرایط محدودیت اینترنت بین‌الملل) به کانال آکادمی در پیامرسان بله بپیوندید.

❇️ لینک کانال بله

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

Читать полностью…

🖥چگونه در ۳۰ دقیقه وبسایت بسازیم؟

😺 برگزار شده توسط OpenAI Academy

👨‍🏫مدرس:
👤Keelan Schule
🔹Education Solutions Engineer OpenAI

📚محورها:
🔹آشنایی با قابلیت ChatGPT Sites برای ساخت وب‌سایت
🔹روش استفاده عملی از ChatGPT برای طراحی و ساخت سایت
🔹کاربردهای این ابزار برای افراد و سازمان‌ها
🔹پرسش و پاسخ

🏛با زیرنویس فارسی اختصاصی آکادمی Med-AI شبکه نخبگان ایران

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

Читать полностью…

🎙️خلاصهٔ وبینار: بازتعریف معنای رهبری در عصر هوش مصنوعی

از تحلیل‌گری تا اعتمادسازی

در این وبینار، سخنران بحث را با یک سؤال محوری شروع کرد: اگر ماشین بتواند تحلیل کند، پیش‌بینی کند، بنویسد و تصمیم بگیرد، دقیقاً وظیفهٔ رهبر چیست؟

🔎 چرا adoption کافی نیست؟
اولین نکته‌ای که سخنران مطرح کرد این بود که پیاده‌سازی هوش مصنوعی یک پدیدهٔ جهانی و یکسان است اما رهبری گلوگاه واقعی آن است. با اینکه اکثر مدیران ارشد از پیاده‌سازی ایجنت‌های AI خبر داده‌اند، تنها حدود ۲۹٪ سازمان‌ها بازگشت سرمایهٔ قابل‌توجه گزارش کرده‌اند. جمع‌بندی سخنران این بود که: «همه یک فناوری دارند؛ شکاف بین برنده‌ها و بازنده‌ها فنی نیست، رهبری‌ست.» او این ادعا را با مقایسهٔ اروپا (ثروتمند اما عقب‌مانده) در برابر امارات و چین (رهبری متمرکز و هدفمند) اثبات کرد.

📊 چهار مهارتی که AI از رهبر می‌گیرد
سخنران در ادامه چهار وظیفهٔ سنتی رهبری را برشمرد و نشان داد AI هرکدام را به چالش می‌کشد:
▫️ تحلیل: با مثال سیستم AI فیفا که تحلیل تاکتیکی حرفه‌ای را در اختیار همهٔ ۴۸ تیم گذاشت.
▫️ پیش‌بینی: مدل‌ها امروز دقیق‌تر از تحلیل‌گران سنتی پیش‌بینی می‌کنند.
▫️ قضاوت و تصمیم: الگوریتم می‌تواند تصمیم بگیرد اما پاسخ‌گو نیست.
▫️ ارتباطات: با ارجاع به نمونهٔ ساتیا نادلا و جنسن هوانگ.
او این بخش را با جمله‌ای جمع‌بندی کرد: «شناخت به یک کالای همگانی تبدیل شده است.»

⚙️ از اطلاعات به اعتماد
سخنران سپس توضیح داد وقتی همه به یک سطح اطلاعات دسترسی دارند، اقتدار دیگر از انحصار اطلاعات نمی‌آید. او سه شیفت کلیدی در نقش رهبری را معرفی کرد:
۱) از پاسخ‌دهی به سؤال‌پرسی
۲) سِمَت دیگر پیروی کارکنان را تضمین نمی‌کند؛ اقتدار از شفافیت می‌آید
۳) اعتماد در انظار عمومی ساخته و از بین می‌رود

🚫 مسئولیت را نمی‌شود اتوماتیک کرد
یکی از تأکیدهای اصلی وبینار این بود که مسئولیت قابل واگذاری به الگوریتم نیست. سخنران نمونهٔ هلند در سال ۲۰۲۱ را مطرح کرد: خطای سیستماتیک یک الگوریتم تشخیص کلاه‌برداری، به بحران سیاسی و استعفای دولت انجامید! این مورد یادآور آن است که پاسخ‌گویی همیشه با رهبران انسانی می‌ماند.

🧩 دو مطالعهٔ موردی
در بخش پایانی، سخنران دو نمونه را تحلیل کرد: نادلا در ۲۰۱۹ بدون داده یا شواهد قطعی، یک میلیارد دلار در OpenAI سرمایه‌گذاری کرد؛ تصمیمی مبتنی بر judgment و نه دیتا («از know-it-all به learn-it-all»). در مقابل، جنسن هوانگ از جلسات یک‌به‌یک و قضاوت یکطرفه پرهیز می‌کند و تصمیم‌ها را جمعی و علنی می‌گیرد . این موارد بیانگر آن است که AI و کاربردهای آن در لیدرشیپ بیش از هرچیز دیگری با سبک رهبری در ارتباطی تنگاتنگ هست .

🔚 جمع‌بندی وبینار
سخنران در پایان به مفهوم «رمانس رهبری» اشاره کرد: نگاه اسطوره‌ای و احساسی به نقش رهبر، در حالی‌که بسیاری از نتایج را بازار و سیستم رقم می‌زنند. با این حال، به گفتهٔ او، همدلی و ارتباط انسانی دست‌کم فعلاً جایگزین‌ناپذیر مانده‌اند.

سخنران وبینار را با این سؤال جمع بندی کرد : وقتی AI سازمان‌ها را «مسطح» می‌کند و لایه‌های میانی هماهنگی کمرنگ می‌شوند، رهبر آینده چه نقشی خواهد داشت؟

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

Читать полностью…