آموزش هوش مصنوعی برای متخصصان پزشکی - آخرین آپدیت

سرفصل ها و درس ها

Module 1: هوش مصنوعی چیست و چه کاربردی برای پزشکان دارد؟ Module 1: What is AI for Doctors?

• مقدمه دوره Course Introduction

• مقدمه کتاب صوتی Audiobook Introduction

• کتاب صوتی ۱: هوش مصنوعی برای پزشکان چیست Audiobook 1 -What is AI for Doctors

• پادکست ۱: هوش مصنوعی برای پزشکان چیست Podcast 1 - What is AI for Doctors

• 1.1 از پشتیبانی تصمیم‌گیری تا هوش تشخیصی 1.1 From Decision Support to Diagnostic Intelligence

• 1.2 چه چیزی هوش مصنوعی را در پزشکی منحصربه‌فرد می‌کند؟ 1.2 What Makes AI in Medicine Unique?

• 1.3 انواع یادگیری ماشین در پزشکی 1.3 Types of Machine Learning in Medicine

• 1.4 الگوریتم‌های رایج و کاربرد آن‌ها در مراقبت‌های بهداشتی 1.4 Common Algorithms and What They Do in Healthcare

• 1.5 موارد استفاده واقعی در تخصص‌های مختلف پزشکی 1.5 Real-World Use Cases Across Medical Specialties

• 1.6 رفع باورهای غلط درباره هوش مصنوعی در سلامت 1.6 Debunking Myths About AI in Healthcare

• 1.7 ابزارهای واقعی که پزشکان امروزه استفاده می‌کنند 1.7 Real Tools in Use by Clinicians Today

Module 2: هوش مصنوعی در تشخیص و تصویربرداری Module 2: AI in Diagnostics & Imaging

• کتاب صوتی ۲: هوش مصنوعی در تشخیص و تصویربرداری Audiobook 2 -AI in Diagnostics & Imaging

• پادکست ۲: هوش مصنوعی در تشخیص و تصویربرداری Podcast 2 - AI in Diagnostics & Imaging

• 2.1 مقدمه‌ای بر شبکه‌های عصبی: باز کردن قدرت هوش مصنوعی 2.1 Introduction to Neural Networks: Unlocking the Power of AI

• 2.2 شبکه‌های عصبی کانولوشنال (CNN) برای داده‌های بصری: دیدن با چشمان هوش مصنوعی 2.2 Convolutional Neural Networks (CNNs) for Visual Data: Seeing with AI's Eyes

• 2.3 مودالیته‌های تصویری در هوش مصنوعی پزشکی: بینایی چندگانه هوش مصنوعی 2.3 Image Modalities in Medical AI: AI's Multi-Modal Vision

• 2.4 گردش کار آموزش مدل: از برچسب‌گذاری داده‌ها تا استقرار – چرخه حیات هوش مصنوعی در پزشکی 2.4 Model Training Workflow: From Data Labeling to Deployment – The AI Lifecycle in Medicine

• 2.5 همکاری انسان و هوش مصنوعی در تشخیص: قدرت هوش تقویت‌شده 2.5 Human-AI Collaboration in Diagnosis: The Power of Augmented Intelligence

• 2.6 ابزارهای هوش مصنوعی تایید شده توسط FDA در تصویربرداری تشخیصی: اعتماد و اعتبارسنجی 2.6 FDA-Approved AI Tools in Diagnostic Imaging: Trust and Validation

Module 3: مقدمه‌ای بر تحلیل داده‌های بنیادی Module 3: Introduction to Fundamental Data Analysis

• کتاب صوتی ۳: مقدمه‌ای بر تحلیل داده‌های بنیادی Audiobook 3 -Introduction to Fundamental Data Analysis

• پادکست ۳: مقدمه‌ای بر تحلیل داده‌های بنیادی Podcast 3 - Introduction to Fundamental Data Analysis

• 3.1 درک انواع داده‌های بالینی – پرونده‌های الکترونیک سلامت (EHR)، علائم حیاتی، نتایج آزمایشگاه 3.1 Understanding Clinical Data Types—EHRs, Vitals, Lab Results

• 3.2 داده‌های ساختاریافته در مقابل غیرساختاریافته در پزشکی 3.2 Structured vs. Unstructured Data in Medicine

• 3.3 نقش داشبوردها و بصری‌سازی در تصمیم‌گیری‌های بالینی 3.3 Role of Dashboards and Visualization in Clinical Decisions

• 3.4 تشخیص الگو و شناسایی سیگنال در داده‌های بیمار 3.4 Pattern Recognition and Signal Detection in Patient Data

• 3.5 شناسایی بیماران در معرض خطر از طریق روندها و امتیازهای هوش مصنوعی 3.5 Identifying At-Risk Patients via Trends and AI Scores

Module 4: تحلیل‌های پیش‌بینی‌کننده و پشتیبانی از تصمیم‌گیری بالینی – توانمندسازی مراقبت پیشگیرانه از بیمار Module 4: Predictive Analytics & Clinical Decision Support – Empowering Proactive Patient Care

• کتاب صوتی ۴: تحلیل‌های پیش‌بینی‌کننده و پشتیبانی از تصمیم‌گیری بالینی – توانمندسازی مراقبت پیشگیرانه از بیمار Audiobook 4 -Predictive Analytics & Clinical Decision Support – Empowering Proactive Patient Care

• پادکست ۴: تحلیل‌های پیش‌بینی‌کننده و پشتیبانی از تصمیم‌گیری بالینی – توانمندسازی مراقبت پیشگیرانه از بیمار Podcast 4 - Predictive Analytics & Clinical Decision Support – Empowering Proactive Patient Care

• 4.1 مدل‌های پیش‌بینی برای طبقه‌بندی ریسک – سپسیس و بستری مجدد در بیمارستان 4.1 Predictive Models for Risk Stratification – Sepsis and Hospital Readmissions

• 4.2 رگرسیون لجستیک، درخت‌های تصمیم و مدل‌های گروهی (Ensemble) 4.2 Logistic Regression, Decision Trees, Ensemble Models

• 4.3 هشدارهای آنی – سیستم‌های هشدار زودهنگام (MEWS, NEWS) 4.3 Real-Time Alerts – Early Warning Systems (MEWS, NEWS)

• 4.4 حساسیت در مقابل ویژگی (Sensitivity vs. Specificity) – انتخاب معیار بر اساس نیاز بالینی 4.4 Sensitivity vs. Specificity – Metric Choice by Clinical Need

• 4.5 موارد استفاده در ICU و اورژانس برای مداخلات تحریک‌شده توسط هوش مصنوعی 4.5 ICU and ER Use Cases for AI-Triggered Interventions

Module 5: پردازش زبان طبیعی (NLP) و هوش مصنوعی مولد در کاربردهای بالینی Module 5: NLP and Generative AI in Clinical Use

• کتاب صوتی ۵: پردازش زبان طبیعی (NLP) و هوش مصنوعی مولد در کاربردهای بالینی Audiobook 5 -NLP and Generative AI in Clinical Use

• پادکست ۵: پردازش زبان طبیعی (NLP) و هوش مصنوعی مولد در کاربردهای بالینی Podcast 5 - NLP and Generative AI in Clinical Use

• 5.1 مبانی NLP در مراقبت‌های بهداشتی 5.1 Foundations of NLP in Healthcare

• 5.2 مدل‌های زبانی بزرگ (LLMs) در پزشکی 5.2 Large Language Models (LLMs) in Medicine

• 5.3 مهندسی پرامپت (Prompt Engineering) در زمینه‌های بالینی 5.3 Prompt Engineering in Clinical Contexts

• 5.4 موارد استفاده هوش مصنوعی مولد – خلاصه‌سازی، متن‌های مشاوره، ترجمه 5.4 Generative AI Use Cases – Summarization, Counselling Scripts, Translation

• 5.5 هوش محیطی: نسل بعدی مستندسازی بالینی 5.5 Ambient Intelligence: Next-Gen Clinical Documentation

• 5.6 محدودیت‌ها و ریسک‌های NLP و هوش مصنوعی مولد در پزشکی 5.6 Limitations & Risks of NLP and Generative AI in Medicine

• 5.7 مطالعه موردی 5.7 Case Study

Module 6: استفاده اخلاقی و عادلانه از هوش مصنوعی Module 6: Ethical and Equitable AI Use

• کتاب صوتی ۶: استفاده اخلاقی و عادلانه از هوش مصنوعی Audiobook 6 -Ethical and Equitable AI Use

• پادکست ۶: استفاده اخلاقی و عادلانه از هوش مصنوعی Podcast 6 - Ethical and Equitable AI Use

• 6.1 سوگیری الگوریتمی – تاثیر بر نژاد، جنسیت و وضعیت اجتماعی-اقتصادی 6.1 Algorithmic Bias – Race, Gender, Socioeconomic Impact

• 6.2 قابلیت توضیح و شفافیت (SHAP و LIME) 6.2 Explainability and Transparency (SHAP and LIME)

• 6.3 اعتبارسنجی هوش مصنوعی در میان جمعیت‌های مختلف 6.3 Validating AI Across Populations

• 6.4 استانداردهای نظارتی – انطباق با HIPAA، GDPR و FDA/EMA 6.4 Regulatory Standards – HIPAA, GDPR, FDA/EMA Compliance

• 6.5 تدوین سیاست‌های استفاده اخلاقی از هوش مصنوعی 6.5 Drafting Ethical AI Use Policies

• 6.6 مطالعه موردی: سوگیری در تشخیص اشباع اکسیژن خون 6.6 Case Study: Biased Pulse Oximetry Detection

Module 7: ارزیابی ابزارهای هوش مصنوعی در عمل Module 7: Evaluating AI Tools in Practice

• کتاب صوتی ۷: ارزیابی ابزارهای هوش مصنوعی در عمل Audiobook 7 -Evaluating AI Tools in Practice

• پادکست ۷: ارزیابی ابزارهای هوش مصنوعی در عمل Podcast 7 - Evaluating AI Tools in Practice

• 7.1 معیارهای اصلی: درک مفاهیم پایه 7.1 Core Metrics: Understanding the Basics

• 7.2 تفسیر ماتریس اغتشاش و منحنی ROC 7.2 Confusion Matrix & ROC Curve Interpretation

• 7.3 مطابقت معیارها با بافت بالینی 7.3 Metric Matching by Clinical Context

• 7.4 تفسیر خروجی‌های هوش مصنوعی: ارتقای تصمیم‌گیری بالینی 7.4 Interpreting AI Outputs: Enhancing Clinical Decision-Making

• 7.5 ارزیابی انتقادی ادعاهای فروشندگان: تضمین قابلیت اطمینان و اثربخشی 7.5 Critical Evaluation of Vendor Claims: Ensuring Reliability and Effectiveness

• 7.6 پرچم‌های قرمز در ابزارهای تجاری هوش مصنوعی: شناسایی و کاهش ریسک‌ها 7.6 Red Flags in Commercial AI Tools: Recognizing and Mitigating Risks

• 7.7 چک‌لیست: «۱۰ سوالی که باید قبل از خرید ابزارهای هوش مصنوعی بپرسید» 7.7 Checklist: “10 Questions to Ask Before Buying AI Tools”

Module 8: پیاده‌سازی هوش مصنوعی در محیط‌های بالینی Module 8: Implementing AI in Clinical Settings 

• کتاب صوتی ۸: پیاده‌سازی هوش مصنوعی در محیط‌های بالینی Audiobook 8 -Implementing AI in Clinical Settings

• پادکست ۸: پیاده‌سازی هوش مصنوعی در محیط‌های بالینی Podcast 8 - Implementing AI in Clinical Settings

• 8.1 شناسایی موارد استفاده هوش مصنوعی مختص هر بخش 8.1 Identifying Department-Specific AI Use Cases

• 8.2 نگاشت هوش مصنوعی به جریان‌های کاری (پیش از تشخیص، درمان، پیگیری) 8.2 Mapping AI to Workflows (Pre-diagnosis, Treatment, Follow-up) 

• 8.3 برنامه‌ریزی آزمایشی: جدول زمانی، داده‌ها و چرخه‌های بازخورد 8.3 Pilot Planning: Timeline, Data, Feedback Cycles

• 8.4 نقش‌های تیمی – پیشگام بالینی، متخصص هوش مصنوعی، مدیر IT 8.4 Team Roles – Clinical Champion, AI Specialist, IT Admin

• 8.5 نظارت بر خطاهای هوش مصنوعی – تحلیل ریشه خطا 8.5 Monitoring AI Errors – Root Cause Analysis

• 8.6 مدیریت تغییر در تیم‌های بالینی 8.6 Change Management in Clinical Teams

• 8.7 مثال: جریان کاری اورژانس با ادغام تریاژ هوش مصنوعی 8.7 Example: ER Workflow with Triage AI Integration

• 8.8 مقیاس‌پذیری راهکارهای هوش مصنوعی در کل سیستم سلامت 8.8 Scaling AI Solutions Across the Healthcare System

• 8.9 ارزیابی تاثیر و عملکرد هوش مصنوعی پس از استقرار 8.9 Evaluating AI Impact and Performance Post-Deployment

• خلاصه دوره Course Summary