دکتر عطاالله جدیری شیخ‌زاده

دانشگاه علوم پزشکی تبریز؛ گروه مهندسی پزشکی

سخنرانی 1: چشم، دریچه‌ای به سلامت با بهره‌گیری از هوش مصنوعی

چکیده سخنرانی

شبکیه و عصب بینایی، دریچه‌ای منحصربه‌فرد و غیرتهاجمی به بدن انسان فراهم می‌کنند و حاوی اطلاعات ساختاری و عروقی هستند که ممکن است علاوه بر اختلالات چشمی، وضعیت سلامت مغز، دستگاه قلبی‌عروقی و سایر دستگاه‌های بدن را نیز بازتاب دهند. پیشرفت‌های اخیر هوش مصنوعی، به‌ویژه یادگیری عمیق، فرصت‌های تازه‌ای برای استخراج اطلاعات معنادار بالینی از تصاویر چشم ایجاد کرده‌اند؛ اطلاعاتی که شناسایی آن‌ها با ارزیابی بصری متداول ممکن است دشوار باشد.

در این سخنرانی، مروری بر پژوهش‌های ما درباره کاربرد هوش مصنوعی در تحلیل تصاویر توموگرافی انسجام نوری (OCT) و فوندوس برای تشخیص، طبقه‌بندی و پیش‌بینی بیماری‌های چشمی و سیستمیک ارائه می‌شود. توسعه رویکردهای مبتنی بر یادگیری عمیق و شبکه‌های عصبی کانولوشنی برای تحلیل تصاویر شبکیه، از جمله تشخیص و طبقه‌بندی خودکار آسیب‌شناسی‌های شبکیه و استفاده از نشانگرهای زیستی ساختاری استخراج‌شده از OCT برای ارزیابی بیماری و پیشرفت آن، بررسی خواهد شد. همچنین ظرفیت تصویربرداری شبکیه فراتر از چشم‌پزشکی بررسی می‌شود تا مشخص شود آیا الگوهای ثبت‌شده در تصاویر OCT و فوندوس می‌توانند اطلاعاتی درباره وضعیت‌های عصبی و قلبی‌عروقی فراهم کنند.

نمونه‌هایی از چند پروژه پژوهشی گروه مهندسی پزشکی دانشگاه علوم پزشکی تبریز ارائه خواهد شد که عملکرد، چالش‌ها و پیامدهای بالینی رویکردهای مبتنی بر هوش مصنوعی در تحلیل تصاویر پزشکی را نشان می‌دهند. محدودبودن مجموعه‌داده‌های پزشکی، تصویربرداری چندوجهی، تعمیم‌پذیری و تفسیرپذیری مدل‌ها و انتقال مدل‌های هوش مصنوعی از محیط پژوهش به کاربرد بالینی، از موضوعات مورد توجه ویژه خواهند بود.

در مجموع، این سخنرانی نشان می‌دهد که چگونه همگرایی مهندسی پزشکی، تصویربرداری چشم و هوش مصنوعی می‌تواند چشم را از عضوی که موضوع تشخیص است، به منبعی گسترده‌تر از اطلاعات سلامت تبدیل کند؛ رویکردی همسو با این مفهوم نوظهور که چشم، علاوه بر دریچه بینایی، دریچه‌ای به سلامت عمومی بدن نیز هست.

دکتر یاشار عمی‌زاده

بیمارستان مهر تبریز؛ بخش جراحی چشم

سخنرانی 2: هوش مصنوعی به‌عنوان دستیار تشخیصی در موارد چالش‌برانگیز چشم‌پزشکی

چکیده سخنرانی

توسعه سریع هوش مصنوعی، فرصت‌های تازه‌ای برای بهبود تشخیص و تصمیم‌گیری بالینی در چشم‌پزشکی فراهم کرده است. تشخیص در چشم‌پزشکی اغلب به تلفیق تصویربرداری چندوجهی، یافته‌های بالینی، سابقه بیمار و الگوهای ظریفی متکی است که شناسایی آن‌ها، به‌ویژه در موارد پیچیده یا غیرمعمول، می‌تواند دشوار باشد. در چنین شرایطی، هوش مصنوعی می‌تواند با شناسایی الگوهای پنهان، کمی‌سازی نشانگرهای زیستی تصویری و کمک به تشخیص افتراقی موارد دشوار، از چشم‌پزشکان پشتیبانی کند.

این ارائه، نقش بالقوه هوش مصنوعی به‌عنوان دستیار تشخیصی در چشم‌پزشکی را بررسی می‌کند و بر موارد چالش‌برانگیزی تمرکز دارد که در آن‌ها ارزیابی بالینی متداول ممکن است با عدم قطعیت همراه باشد یا به ادغام حجم زیادی از اطلاعات نیاز داشته باشد. کاربردهای هوش مصنوعی در تصویربرداری شبکیه، شامل توموگرافی انسجام نوری و عکاسی فوندوس، در کنار رویکردهای نوظهور شناسایی بیماری‌های سیستمیک و عصبی از طریق نشانگرهای زیستی چشمی مطرح خواهند شد.

هوش مصنوعی باید ابزاری مکمل برای چشم‌پزشک در نظر گرفته شود که می‌تواند دقت تشخیص را افزایش دهد، تغییرپذیری را کاهش دهد، از تصمیم‌گیری بالینی پشتیبانی کند و احتمالاً تشخیص زودهنگام بیماری را تسهیل کند. این ارائه همچنین محدودیت‌های مهم، از جمله سوگیری مجموعه‌داده‌ها، تعمیم‌پذیری، توضیح‌پذیری و خطر اتکای بیش از حد به پیش‌بینی‌های خودکار را بررسی خواهد کرد.

ادغام موفق هوش مصنوعی در چشم‌پزشکی، علاوه بر عملکرد مدل، به همکاری مؤثر میان چشم‌پزشکان، پژوهشگران هوش مصنوعی و نظام‌های سلامت وابسته است. از این منظر، آینده تشخیص در چشم‌پزشکی می‌تواند بر توانمندسازی پزشک به کمک هوش مصنوعی استوار باشد، نه جایگزینی او.

دکتر حسین ربانی

دانشگاه علوم پزشکی اصفهان؛ دانشکده فناوری‌های نوین پزشکی، گروه بیوالکتریک و مهندسی پزشکی

سخنرانی 3: الگوریتم‌های هوش مصنوعی در تحلیل تصاویر چشم: از مدل‌سازی ریاضی تا هوش مصنوعی مبتنی بر فیزیک و مولد

چکیده سخنرانی

این سخنرانی، مدل‌سازی را به‌عنوان پلی بنیادی میان دانش پزشکی، استدلال ریاضی و هوش مصنوعی معرفی می‌کند. با استفاده از تصویربرداری چشم، به‌ویژه OCT شبکیه، به‌عنوان نمونه اصلی، بررسی می‌شود که چگونه دانش مربوط به شکل‌گیری تصویر، ساختارهای زیستی، نویز و سازمان‌یافتگی فضایی را می‌توان به مدل‌های ریاضی و آماری تبدیل کرد.

با ارائه نمونه‌هایی از پژوهش‌های ما، مسیر بحث از مدل‌های آماری و آمیخته به صورت‌بندی‌های مبتنی بر انرژی، برآورد بیزی، بهینه‌سازی و در نهایت یادگیری عمیق و هوش مصنوعی مولد پیش می‌رود. این سخنرانی نشان می‌دهد که مدل‌سازی ریاضی کلاسیک و هوش مصنوعی نوین می‌توانند چارچوبی پیوسته تشکیل دهند: مدل‌سازی مسئله، صورت‌بندی هدف، واردکردن دانش پیشین، بهینه‌سازی راه‌حل و یادگیری از داده‌ها.

این دیدگاه به درک این موضوع کمک می‌کند که چرا برخی مدل‌های هوش مصنوعی، هنگامی که ساختار مسئله پزشکی را در نظر می‌گیرند، می‌توانند از داده‌ها کارآمدتر استفاده کنند و تفسیرپذیرتر و مقاوم‌تر باشند. در پایان، نقش این رویکرد مدل‌سازی در توسعه سامانه‌های هوش مصنوعی هوشمندتر و معنادارتر از نظر بالینی برای چشم‌پزشکی و تصویربرداری پزشکی بررسی خواهد شد.

دکتر سعید پیرمرادی

دانشگاه علوم پزشکی تبریز؛ مرکز تحقیقات علوم اعصاب

سخنرانی 4: ریزعروق شبکیه و کلان‌داده‌های سلامت: نقش یادگیری عمیق در پیش‌بینی بیماری‌های قلبی–عروقی و کلیوی

چکیده سخنرانی

عروق شبکیه، نمایی در دسترس، غیرتهاجمی و با وضوح بالا از ریزگردش خون انسان فراهم می‌کنند. به دلیل شباهت‌های ساختاری و فیزیولوژیک با مویرگ‌های گلومرولی کلیه و ریزگردش خون کرونری، تصویربرداری فوندوس شبکیه می‌تواند منبعی غنی از کلان‌داده‌های مرتبط با سلامت عمومی بدن باشد. با این حال، استخراج تغییرات ظریف ریزعروقی و الگوهای پیچیده نهفته در این مجموعه‌داده‌های پُربُعد، به چارچوب‌های الگوریتمی پیشرفته نیاز دارد.

این ارائه بر نقش محوری یادگیری عمیق و بینایی ماشین در تبدیل تصاویر شبکیه به نشانگرهای زیستی تشخیصی و پیش‌بینی‌کننده بیماری‌های سیستمیک تمرکز دارد. با مرور پژوهش‌های پیشرو نشان داده می‌شود که چگونه شبکه‌های عصبی کانولوشنی (CNN) و زنجیره‌های پردازش مبتنی بر یادگیری عمیق چندوجهی، با استفاده از تصاویر استاندارد و فوق‌گسترده‌میدان (UWF) شبکیه و ادغام آن‌ها با پارامترهای بالینی، می‌توانند غربالگری زودهنگام و غیرتهاجمی بیماری مزمن کلیه (CKD)، پیش‌بینی افت نرخ برآوردشده فیلتراسیون گلومرولی (eGFR) و ارزیابی خطر قلبی‌عروقی از طریق برآورد کلسیم عروق کرونر (CAC) بدون مواجهه با پرتو را امکان‌پذیر کنند.

ملاحظات کلیدی مهندسی نیز بررسی خواهند شد؛ از جمله ادغام داده‌های چندوجهی، تعمیم‌پذیری مدل در هم‌گروه‌های جمعیتی چندمرکزی و به‌کارگیری روش‌های هوش مصنوعی توضیح‌پذیر (XAI)، مانند نقشه‌های برجستگی و مقادیر SHAP، برای روشن‌کردن عملکرد معماری‌های جعبه‌سیاه و تقویت اعتماد بالینی. در پایان، مسیر عملی تبدیل این مدل‌های یادگیری عمیق به راهکارهای غربالگری مقیاس‌پذیر و مبتنی بر جامعه تشریح خواهد شد.

دکتر حسین پارسایی

دانشیار گروه فیزیک و مهندسی پزشکی، دانشگاه علوم پزشکی شیراز؛ رئیس هیئت‌مدیره شرکت دانش‌بنیان پارس نوین سلامت هوشمند

سخنرانی 5: از تصویر تا محصول دانش‌بنیان: تجربه سه‌ساله کاربرد هوش مصنوعی در تحلیل تصاویر فوندوس برای تشخیص و پایش بیماری‌های شایع چشم

چکیده سخنرانی

تصویربرداری فوندوس، ابزاری مهم و در دسترس برای ارزیابی ساختارهای خلفی چشم و شناسایی طیف گسترده‌ای از تغییرات آسیب‌شناختی است. در سال‌های اخیر، پیشرفت‌های هوش مصنوعی فرصت‌های تازه‌ای برای تحلیل خودکار تصاویر فوندوس با هدف کمک به تشخیص و پایش بیماری‌های چشم فراهم کرده‌اند. با این حال، تبدیل یک ایده پژوهشی و مدل هوش مصنوعی به راهکاری پزشکی و قابل اعتماد و در نهایت محصولی دانش‌بنیان، مستلزم غلبه بر چالش‌هایی فراتر از توسعه الگوریتم است.

این سخنرانی، تجربه سه‌ساله یک تیم در توسعه و به‌کارگیری هوش مصنوعی برای تحلیل تصاویر فوندوس با هدف تشخیص و پایش بیماری‌های شایع چشم را ارائه می‌کند. این مسیر با تعریف مسئله بالینی و تشکیل تیمی چندرشته‌ای آغاز شد و با توسعه الگوریتم، ارزیابی و اعتبارسنجی، طراحی سامانه و عرضه یک محصول دانش‌بنیان ادامه یافت. تمرکز پروژه بر تحلیل تصاویر فوندوس برای شناسایی و ارزیابی تغییرات مرتبط با گلوکوم، رتینوپاتی دیابتی و دژنراسیون ماکولای وابسته به سن بوده است.

یکی از محورهای اصلی، تیم‌سازی و همکاری مؤثر میان متخصصان هوش مصنوعی، مهندسان پزشکی و متخصصان بالینی، به‌ویژه چشم‌پزشکان، است. مشارکت فعال بالینی در سراسر پروژه، از تعریف مسئله و نیازهای واقعی تا برنامه‌ریزی گردآوری و برچسب‌گذاری داده‌ها، تفسیر یافته‌ها، ارزیابی خروجی مدل‌ها و طراحی راهکارهای سازگار با جریان کار بالینی، به هدایت پروژه و کاهش فاصله میان توسعه فنی و کاربرد بالینی کمک کرده است.

چالش‌های عملی، از جمله کیفیت و ناهمگونی تصاویر، طراحی و برچسب‌گذاری داده‌های پزشکی، عدم توازن کلاس‌ها، تعمیم‌پذیری مدل، انتخاب معیارهای ارزیابی مناسب، تفسیرپذیری و الزامات تبدیل الگوریتم پژوهشی به ابزاری قابل استفاده در محیط واقعی نیز بررسی خواهند شد. درس‌های آموخته‌شده از فاصله میان عملکرد آزمایشگاهی و نیازهای کاربران و محیط‌های بالینی به اشتراک گذاشته می‌شوند.

این تجربه نشان می‌دهد که توسعه موفق هوش مصنوعی در پزشکی به انتخاب الگوریتم مناسب یا دستیابی به دقت بالا محدود نمی‌شود؛ بلکه به مسئله بالینی مشخص، داده‌های باکیفیت، همکاری مستمر متخصصان فنی و بالینی، اعتبارسنجی مناسب و نگاه محصول‌محور نیاز دارد. مسیر حرکت از داده و الگوریتم به محصول دانش‌بنیان، به‌عنوان نمونه‌ای از ظرفیت همکاری میان هوش مصنوعی، مهندسی پزشکی و تخصص‌های بالینی برای ایجاد راهکارهای نوآورانه چشم‌پزشکی ارائه خواهد شد.