عنوان  مبحث

زمان  

1- مقدمه‌ای به هوش مصنوعی در چشم پزشکی 

        معرفی کلی دوره

• هوش مصنوعی چیست؟

• معرفی کلی هوش مصنوعی (Artificial Intelligence) و مفاهیم پایه

• زیرشاخه‌های اصلی: یادگیری ماشین (Machine Learning)، یادگیری عمیق (Deep Learning)، و هوش مصنوعی نمادین  (Symbolic AI)

• کاربردهای مهم در پزشکی: از تشخیص بیماری تا درمان‌های فردمحور

• چرا هوش مصنوعی در کانون توجهات قرار گرفت؟

• پیشرفت‌های اخیر در قدرت محاسباتی و داده‌های کلان   (Big Data)

• اهمیت در حوزه‌های پیچیده پزشکی.

1 ساعت

2- پیاده‌سازی هوش مصنوعی در عمل

• مراحل کلیدی: جمع‌آوری داده‌ها، آماده‌سازی داده‌ها، انتخاب مدل، ارزیابی و پیاده‌سازی مدل، آموزش و بکارگیری مدل،  ارتباط هوش مصنوعی، یادگیری ماشین و یادگیری عمیق

• آشنایی با اصطلاحات کلیدی مثل مدل‌های پیش‌بینی (Predictive Models)، شبکه‌های عصبی  (Neural Networks)، و مفاهیم مثل رگرسیون (Regression) و طبقه‌بندی(Classification)

• سناریوهای پرتکرار در قبولاندن هوش مصنوعی به متخصصین

1 ساعت

3- پرامپت‌نویسی موثر برای سیستم‌های هوش مصنوعی

• پرامپت‌نویسی موثر برای مدل‌های زبانی بزرگ:

• تعریف و اهمیت پرامپت‌نویسی.

• معرفی تکنیک‌های پرامپت‌نویسی ساده و پیشرفته برای دریافت پاسخ‌های مرتبط در زمینه‌های پزشکی و تحلیل داده‌ها.

• تکنیک‌های پرامپت‌نویسی چندمرحله‌ای:

• تقویت سؤالات و هدایت مدل برای ایجاد پاسخ‌های دقیق.

• بررسی مدل‌های زبانی چندگانه:

• آشنایی با توانایی مدل‌ها در پردازش و ترجمه اطلاعات پزشکی.

• کاربرد چت‌بات‌ها و LLMها در سیستم‌های هوشمند چشم‌پزشکی:

• آشنایی با چت‌بات‌های پزشکی و روش‌های طراحی چت‌بات‌های تعاملی برای پاسخ به سؤالات رایج بیماران یا پزشکان

1 ساعت

4- کاربردهای کلی هوش مصنوعی در سلامت و چشم پزشکی

• کاربردهای هوش مصنوعی در چشم پزشکی:

• تحقیقات: توسعه مدل‌های تشخیصی و پیش‌بینی بیماری

• درمان: سیستم‌های کمک‌پزشکی، تشخیص هوشمند، بهبود کیفیت خدمات درمانی

• بیزینس: کاهش هزینه‌های بهداشتی و درمانی

• مسائل حوزه چشم پزشکی که هوش مصنوعی می‌تواند کمک کند

• از جمله: بیماری‌های نادر، پیش‌بینی بیماری‌ها

• معرفی نمونه اپلیکیشن‌های هوش مصنوعی در چشم پزشکی

• غربالگری بیماری‌های چشمی با استفاده از تکنیک‌های تصویربرداری دیجیتال.

• هوش مصنوعی در آموزش پزشکی:

• نقش هوش مصنوعی در شبیه‌سازی‌های جراحی، یادگیری‌های مبتنی بر داده و دستیارهای هوشمند

1 ساعت 

5- ابزارهای تشخیصی هوشمند در کلینیک‌های چشم‌پزشکی.

-          بررسی اثرات هوش مصنوعی:

o          بهبود دقت تشخیص و کاهش خطاهای پزشکی

o          افزایش کارایی سیستم‌های چشم پزشکی و کاهش هزینه‌ها در سیستم‌های بهداشتی

-             چالش‌های به‌کارگیری هوش مصنوعی در چشم پزشکی:

o          مسائل مربوط به امنیت داده‌ها و حریم شخصی (Data Privacy)

o          قابلیت اطمینان مدل‌ها و نیاز به تفسیرپذیری (Interpretability)

o          مباحث اخلاقی در استفاده از هوش مصنوعی

o          قوانین و مقررات جدید برای تنظیم استفاده از هوش مصنوعی

o          جمع‌آوری دادگان و برچسب گذاری از دیدگاه نیروی انسانی مورد نیاز

o          معرفی مطالعات موفق و ارزیابی فنی در جلسات با متخصصین حوزه

1 ساعت

6-         آشنایی با داده‌های رایج در چشم پزشکی و تحلیل آماری داده های مرتبط با آنها

-          انواع داده‌ها و نحوه استفاده در چشم پزشکی:

o          داده‌های تصویری، سیگنال‌ها (ERG, EOG, VEP)، متون پزشکی

-          تحلیل آماری داده ها و نتایج:

o          مفاهیم کلیدی مثل: دقت (Accuracy)، حساسیت (Sensitivity) و ویژگی (Specificity)

o          AUC (سطح زیر منحنی)

o          ROC (منحنی مشخصه عملکرد) 

o          p-value 

1 ساعت

7-         پردازش داده ها

-          پردازش تصویر:

o          سطوح مختلف پردازش تصویر

o          تشخیص لبه‌ها و شناسایی ویژگی‌ها: شناسایی لبه‌ها و ویژگی‌های مهم در تصاویر شبکیه و قرنیه برای تشخیص ناهنجاری‌ها.

o          تقسیم‌بندی تصاویر (Segmentation): جداسازی لایه‌های مختلف شبکیه و مناطق آسیب‌دیده.

o          پردازش تصویر با یادگیری عمیق: استفاده از شبکه‌های عصبی عمیق برای تحلیل تصاویر و تشخیص بیماری‌ها.

o          تشخیص خودکار بیماری‌ها: الگوریتم‌های خودکار برای تشخیص بیماری‌های چشمی از تصاویر.

-          پردازش سیگنال:

o          تحلیل سیگنال‌های ERG (الکترو رتینوگرام): تحلیل پاسخ‌های الکتریکی شبکیه برای تشخیص بیماری‌ها.

o          تحلیل سیگنال‌های EOG (الکترو اوکولوگرام): پردازش سیگنال‌های ناشی از حرکت‌های چشم برای ارزیابی عملکرد اپیتلیوم رنگی.

o          تحلیل سیگنال‌های VEP (پتانسیل‌های برانگیخته تصویری):

تحلیل پاسخ‌های الکتریکی قشر بصری برای تشخیص اختلالات عصبی.

-          پردازش متون:

o          تحلیل پرونده‌های پزشکی الکترونیکی (EMR): استخراج اطلاعات مهم از پرونده‌های پزشکی با استفاده از NLP.

o          یادداشت‌های پزشکان و نتایج آزمایش‌ها: تحلیل متون پزشکی برای استخراج اطلاعات کلیدی.

o          تجزیه و تحلیل متون تحقیقاتی: استفاده از NLP برای جستجو و تحلیل متون علمی در چشم‌پزشکی.

1 ساعت

8.          پژوهش و مقاله‌نویسی مقدماتی در هوش مصنوعی و چشم‌پزشکی

-          آشنایی با جستجوی علمی و اصطلاحات مرتبط با AI و چشم پزشکی:

o          شناخت منابع و کلمات کلیدی، روش‌های جستجوی مقالات

-          درک ساختار کلی مقالات پژوهشی در حوزه هوش مصنوعی پزشکی

o          آشنایی با اجزای تخصصی مرتبط با هوش مصنوعی در مقالات

-          مروری بر مقالات علمی مرتبط چشم پزشکی

1 ساعت