#معرفی_سخنران

🟫 Dr. Shahriar Faghani
💠 Assistant Professor of Radiology at Mayo Clinic

🗣 Presentation Title :
"An Introduction to Uncertainty Quantification in Radiology ML/DL Models"

📚 Educational Background :
🔵 Radiology Resident, Penn. School of Medicine
🔵 Medical Doctor, TUMS
🔵 B.Sc. in Mathematics, UT

🔬 Scientific Background :
➡️ Assistant Professor of Radiology, Mayo Clinic
➡️ Postdoctoral Research Fellow, Mayo AI Lab
➡️ Top 1% at Total GPA of TUMS Medical Students
➡️ Top 2.5% at Basic Science and Pre-Internship exam
➡️ Gold Medalist, Iran Biology Olympiad
➡️ Silver Medalist, International Biology Olympiad

👤 Member of :
📌 CS/Informatics Committee, Americal Society of Radiology
📌 Trainee Committee, American Society of Functional NeuroRadiology
📌 AI Steering Committee, American Society of Spine Radiology

📝 Research Topics :
✅ NeuroRadiology
✅ Deep Learning
✅ Imaging Informatics
✅ Uncertainty Quantification

🌐MedAISummit
🌐LinkedIn 💠🔗Twitter 💠🌐Instagram

👾هوش مصنوعی Agentic: فصل جدیدی در رادیولوژی مبتنی بر AI!

❓تا به امروز، ما به هوش مصنوعی (Artificial Intelligence) در رادیولوژی به عنوان یک "ابزار" نگاه کرده‌ایم. ابزاری برای تشخیص ضایعات، دسته‌بندی تصاویر یا اندازه‌گیری تومورها. این ابزارها عمدتاً "منفعل" هستند. یعنی ما به آن‌ها یک وظیفه مشخص می‌دهیم و آن‌ها نتیجه را تحویل می‌دهند. اما چه اتفاقی می‌افتد اگر هوش مصنوعی از یک ابزار صرف، به یک "همکار فعال" و "عامل" (Agentic) تبدیل شود؟ اینجاست که مفهوم «هوش مصنوعی Agentic» وارد میدان می‌شود!

☯️هوش مصنوعی Agentic، تنها یک تحلیلگر تصویر نیست؛ بلکه یک سیستم هوشمند است که می‌تواند به طور مستقل، هدف‌گذاری و برنامه‌ریزی کند و وظایف پیچیده‌ای را در اکوسیستم رادیولوژی به سرانجام برساند. تصور کنید سیستمی را که نه تنها یک ندول ریوی مشکوک را در سی‌تی اسکن تشخیص می‌دهد، بلکه به صورت خودکار:

1⃣ نتایج را با سوابق پیشین بیمار مقایسه می‌کند.
2⃣ بر اساس گایدلاین‌های بالینی، میزان ریسک بدخیمی را ارزیابی می‌کند.
3⃣ یک گزارش اولیه استاندارد و ساختاریافته تهیه می‌کند.
4⃣ نوبت بیوپسی یا سی‌تی اسکن پیگیری (follow-up) را برای بیمار پیشنهاد یا حتی زمان‌بندی می‌کند.
5⃣ و در نهایت، تمام این اطلاعات را به شکلی خلاصه و اولویت‌بندی شده در اختیار رادیولوژیست قرار می‌دهد تا تصمیم نهایی را اتخاذ کند.


💡این هوش مصنوعی دیگر منتظر دستور نمی‌ماند، بلکه به صورت فعال (proactive) برای رسیدن به یک هدف بالینی (مثلاً "مدیریت جامع ندول ریوی بیمار") گام برمی‌دارد. این سیستم‌های Agentic می‌توانند وظایف تکراری و زمان‌بر را از دوش رادیولوژیست‌ها بردارند و به آن‌ها اجازه دهند تا بر روی پیچیده‌ترین و حیاتی‌ترین جنبه‌های کار خود، یعنی تفسیر نهایی، مشورت با پزشکان دیگر و ارتباط با بیمار، تمرکز کنند.

📌البته، حرکت به سوی Agentic AI چالش‌های جدیدی را نیز به همراه دارد. مهم‌ترین دغدغه، حفظ کنترل و نظارت انسانی است. این سیستم‌ها نباید به "جعبه‌های سیاه" خودکاری تبدیل شوند که بدون شفافیت تصمیم‌گیری می‌کنند. طراحی آن‌ها باید به گونه‌ای باشد که رادیولوژیست همیشه در رأس هرم تصمیم‌گیری و مسئولیت‌پذیری باقی بماند و بتواند در هر مرحله‌ای، اقدامات سیستم را تأیید، اصلاح یا متوقف کند. چرا که ایمنی بیمار و ملاحظات اخلاقی همیشه حرف اول را می‌زند!

🐦 هوش مصنوعی Agentic، یک رویا نیست، بلکه گامی بعدی در تکامل هوش مصنوعی در پزشکی است. این فناوری پتانسیل آن را دارد که رادیولوژی را از یک حوزه عمدتاً تشخیصی، به یک مرکز هوشمند برای مدیریت مسیر درمانی بیمار تبدیل کند.✨
✅ در این چشم‌انداز، رادیولوژیست نه تنها یک مفسر تصویر، بلکه یک مدیر اطلاعات بالینی است که با دستیاری یک هوش مصنوعی فعال و کارآمد، بهترین و سریع‌ترین خدمات را به بیمار ارائه می‌دهد.

💬دانشگاه‌ها، بیمارستان‌ها و شرکت‌های بسیاری نیز در این مسیر گام برداشته‌اند و برای مثال، می‌توان نام Mayo Clinic را به عنوان یکی از برترین مراکز علمی و تحقیقاتی در زمینهٔ هوش مصنوعی در پزشکی ذکر کرد.

🔷در ارائه‌ای در رویداد MedAI Summit به این موضوع بسیار مهم خواهیم پرداخت🔷

🌐MedAISummit
🌐LinkedIn 💠 🔗Twitter 💠
🌐Instagram

#معرفی_سخنران

⭐️ Dr. Pouria Rouzrokh
💠 Radiology Resident at Yale University | Assistant Professor of Radiology at Mayo Clinic

🗣 Presentation Title :

"Agentic AI in radiology : from generative AI to Agentic AI"

📚 Educational Background :
🔵 Doctor of Medicine (MD), Tehran University of Medical Sciences
🔵 Master of Public Health (MPH)
🔵 Master of Health Professions Education (MHPE)

🔬 Professional Appointments & Research Roles :
➡️ Assistant Professor of Radiology, Mayo Clinic
➡️ Research Associate, Radiology Informatics Lab, Mayo Clinic AI Lab
➡️ Postdoctoral Research Fellow, Radiology Informatics Lab, Mayo Clinic AI Lab
➡️ Radiology Resident, Yale University

👤 Memberships & Leadership Roles :
📌 Radiological Society of North America (RSNA)
🔘 Associate Director for Deep Learning Labs, Chicago, IL (Hybrid)
🔘 Member of the RadioGraphics Trainee Editorial Board (RG Team)
📌 Society for Imaging Informatics in Medicine (SIIM)
🔘 Member, Education Sub-Committee
📌 Mayo Clinic AI Lab (Radiology Informatics Lab), Active researcher in radiology AI

🏅 Selected Achievements :
💠 RSNA Honored Educator Award (2025)
💠 RSNA Trainee Research Prize (2022 & 2023)
💠 Recognized for contributions to AI education and medical imaging research

📝 Research Interests :
✅ Artificial Intelligence & Deep Learning in Radiology
✅ Imaging Informatics & Data Science
✅ Radiology Workflow Optimization
✅ Medical Education & Innovation

😀 لینک ثبت‌نام در رویداد

🌐 MedAISummit
🌐LinkedIn 💠🔗Twitter 💠🌐Instagram

⬅️ ساختن آیندهٔ صنعت سلامت با هوش مصنوعی مولد!

☑️ هوش مصنوعی مولد (Gen AI) فناوری‌ای است که می‌تواند با بهبود تشخیص‌های پزشکی، شخصی‌سازی درمان‌ها و افزایش کارایی مراقبت از بیماران، آینده صنعت سلامت را به شکل دیگری رقم بزند. برای دانشجویان پزشکی و متخصصان غیر فنی اما، آشنایی با Generative AI فرصتی است برای مشارکت در تحولی که پزشک و کار پزشکی را با هوش مصنوعی پیوند می‌دهد.

🔙 هوش مصنوعی مولد یا (Gen AI) از مدل‌های زبانی بزرگ (LLMs) و سایر مدل‌های پایه‌ای (Foundation models) استفاده می‌کند که توسط مهندسان هوش مصنوعی برای توسعه ابزارهایی مانند تحلیل داده‌های پزشکی، تهیه گزارش‌های بالینی یا پیش‌بینی بیماری‌ها به کار می‌روند. و این فناوری به افراد غیرمتخصص در برنامه‌نویسی هم این امکان می‌دهد تا برنامه‌های کاربردی‌ای بسازند که به پزشکان و سایر افراد مشغول در صنعت سلامت در تصمیم‌گیری‌های دقیق‌تر یا بهبود فرآیندهای درمانی (از کارهای تکراری گرفته تا پروسه‌های طاقت‌فرسا‌ و...) کمک کند.

در حوزه مراقبت‌های سلامت، Gen AI کاربردهای عملی و ملموسی دارد. این فناوری می‌تواند در

🩻‌ تحلیل تصاویر پزشکی برای تشخیص زودهنگام بیماری‌ها، 🧪 کمک به تحقیقات دارویی یا 📝 ساده‌سازی وظایف اداری مانند مدیریت اطلاعات بیماران و بسیاری از موارد دیگر نقش داشته باشد و صرفا برای مثال، ابزارهای مبتنی بر Gen AI می‌توانند به متخصصان قلب در شناسایی بیماران پرخطر یاری رسانند یا به پزشکان امکان دهند تمرکز بیشتری بر مراقبت مستقیم از بیماران داشته باشند. 🫀

🎆در یکی از جلسات رویداد که به کارگاه آموزشی اختصاص دارد، در خدمت متخصص قلبی هستیم که از دانشگاه علوم پزشکی تهران فارغ‌التحصیل شده است و در دیجی‌کالا مهندس نرم‌افزار است و در زمینه ساخت محصولات مبتنی بر Gen AI فعالیت می‌کند. این کارگاه برای افراد غیرفنی علاقه‌مند به «طراحی و ساخت محصولات دیجیتال مبتنی بر هوش مصنوعی مولد» طراحی شده است تا پس از آشنایی با مقدمات و اصول این زمینه، مسیر خود را برای ساختن آیندهٔ صنع سلامت آغاز کنند!🎆

🌐MedAISummit
🌐LinkedIn 💠 🔗Twitter 💠🌐Instagram

#معرفی_سخنران

⭐️ Dr. Reza Shahnazar
💠Cardiologist, Al Engineer & Entrepreneur

🗣 Workshop's Title :

"Introduction & Principles of Building GenAI-based applications in the Healthcare Industry."

📚 Educational Background :
🔵 Medical Doctor, TUMS
🔵 Cardiologist, TUMS

🔬 Scientific Background & published articles :
➡️ Machine learning applications in medical diagnostics
➡️ Clinical informatics and digital health innovation

👤 Industrial Background :
📌 Software Engineer at Digikala
📌 Product Marketing Manager at Digikala
📌 Co-founder & CPO at ZiDoctor
📌 Technical PM & Full-Stack Developer

🏅 Achievements :
💠 Gold Medalist, Iran Biology Olympiad

🔗لینک ثبت‌نام در رویداد

🌐MedAISummit
🌐LinkedIn 💠🔗Twitter 💠🌐Instagram