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

زمان 

جزئیات مباحث

عنوان موضوع 

2 ساعت

بررسی آناتومی، بیماری‌ها و تصویربرداری

Anterior/Posterior Segment (Anatomy/Diseases/Imaging)

آشنایی با بخش قدامی چشم 

2 ساعت

آشنایی با بخش خلفی چشم

2 ساعت

معرفی بیماری و تظاهرات آن در مدالیتی های تصویربرداری 

Age-Related Macular Degeneration (AMD)

کاربرد هوش مصنوعی در تشخیص و پایش بیماری دژنراسیون ماکولای وابسته به سن

2 ساعت

طبقه بندی داده های AMD

2 ساعت

آنالیز اتوماتیک تصاویر افراد مبتلا به AMD

2 ساعت

معرفی بیماری و تظاهرات آن در مدالیتی های تصویربرداری

Retinal Vein Occlusion

کاربرد هوش مصنوعی در تشخیص و پایش بیماری انسداد ورید شبکیه

2 ساعت

آنالیز اتوماتیک بیماری و مقالات مرتبط

2 ساعت

معرفی بیماری و تظاهرات آن در مدالیتی های تصویربرداری 

Keratoconus(KCN)

کاربرد هوش مصنوعی در تشخیص و پایش بیماری قوز قرنیه

2 ساعت

آنالیز اتوماتیک بیماری از روی مدالیتی ها و بررسی مقالات مرتبط

2 ساعت

معرفی فرمول های مبتنی بر هوش مصنوعی

IOL Power Calculation

محاسبه قدرت لنز داخل چشمی پس از جراحی کاتاراکت

2 ساعت

بررسی مقالات و ابزارهای هوش مصنوعی در محاسبات لنز داخل چشمی

2 ساعت

معرفی بیماری ها و تظاهرات آن در مدالیتی های تصویربرداری 

Neuro-Ophthalmology

کاربرد هوش مصنوعی در تشخیص و پایش بیماریهای نوروافتالمولوژی

2 ساعت

استفاده از هوش مصنوعی در بررسی تصاویر افراد مبتلا به بیماری‌های مغزی همچون MS

2 ساعت

معرفی بیماری ها و تظاهرات آن در مدالیتی های تصویربرداری

Eye is the window to the Brain

چشم: دریچه‌ای به مغز و سلامت عصبی

2 ساعت

بررسی استفاده از هوش مصنوعی در تشخیص با بررسی بیماری آلزایمر و پارکینسون و گرفتگی عروق کرونر و ...

دوره مقدماتی آموزش پایتون (8 جلسه)

توضیحات

مطالب

عنوان

چند مثال از الگوریتم و روندنما + مثال کامپیوتری

گزینه‌های پیش‌رو برای نصب پایتون (نصب پایتون و یا توزیع‌های آناکوندا، گوگل کولب، ژوپیتر و …)

محیط توسعه انتخاب می‌شود.

این جلسه می‌تواند به صورت کارگاهی انجام شود بهتر است.

الگوریتم نویسی

شروع صفر

۱

برنامه‌سازی رایانه‌ای

انواع زبان‌های رایانه

چرا پایتون؟

نصب و اجرا و بکارگیری (در ویندوز و لینوکس)

شروع برنامه نویسی!

در این جلسه با مفاهیم و اجزای کلیدی پایتون آشنا می‌شویم. 

همچنان نگاهی به الگوریتم نویسی داریم.

انتهای جلسه برای جمع‌بندی یک تمرین داریم.

واژگان کلیدی پایتون

آشنایی با پایتون

۲

اعداد و عملگرها، تعریف متغیرو انواع نوع داده

گزاره‌های شرطی

یک مثال درباره حلقه‌ها

انواع حلقه‌ها در پایتون

تمرین: بازی حدس عدد

تفکیک فضای نام در زبان برنامه‌نویسی بررسی می‌شود، 

دوباره به الگوریتم و روندنما برمی‌گردیم! (جهت توضیح انواع متغیر)

* در صورت امکان مفهوم شیء گرایی و کلاس مطرح می‌شود (اما برای سطح مقدماتی توصیه نمی‌شود)

فضای نام و تفکیک حافظه

توابع و متدها

۳

تعریف تابع و نگارش تابع در پایتون

مفهوم تعریف و فراخوانی یک تابع

متغیر محلی و سراسری (بازبینی ساختار حافظه)

مثال و بکارگیری توابع

مفهوم شیء گرایی و کلاس*

در این جلسه نگاهی به یک مفهوم ماژول می‌اندازیم. 

کمی به ریاضیات ماتریسی دبیرستان رجوع می‌کنیم! و با کتابخانه numpy آشنا می‌شویم.

تعریف ماژول و بسته‌ (کتابخانه استاندارد و غیر)

ماژول‌ها و بسته‌ها

۴

انواع دستیابی به بسته‌ها و ماژول‌ها

کتابخانه  numpy

کار با کتابخانه numpy و انواع داده در این کتابخانه

مطالعه راهنماهای هر کتابخانه

سایر کتابخانه‌ها

5

توابع رسم در پایتون

کتابخانه  pandas

در این جلسه، چند شیوه بارگزاری و بارگیری فایل و داده‌ها بررسی می‌شوند.

اطلاعات داخل فایل‌ها خوانده و نمایش داده می‌شوند.

* چند نمونه فایل جهت پردازش بررسی می‌شوند.

انواع فایل (متنی، باینری، جدولی)

کار با فایل و داده‌ها

6

دستورات سطح پایین کار با فایل‌ها

داده‌های  csv 

داده‌های تصویری

کتابخانه‌های استاندارد برای هرکدام

اجزای یک برنامه پایتون

جمع‌بندی دوره مقدماتی

7

استانداردهای  PEP

تعریف چند پروژه ساده (کار با فایل و پیاده‌سازی چند الگوریتم)

رفع اشکال روی پروژه‌های ساده

اتمام دوره مقدماتی

8

سرفصل دوره هوش مصنوعی مقدماتی (10 جلسه)

این جلسه یکسری مفاهیم کلی آموزش داده می‌شود. هدف این جلسه کد نویسی نیست، بله فراگیری و آماده‌سازی افرادی هست که هیچ پیش‌زمینه‌ای در هوش مصنوعی ندارند.

تصمیم‌گیری چیست؟ تعریف شواهد، ناظر و اندازه‌گیری

 تصمیم

۱

مثال دسته‌بندی 

تصمیم براساس جدول فراوانی

تعمیم جدول فراوانی به تابع چگالی احتمال

تعریف هوش مصنوعی

مفهوم یادگیری و مدل کردن

 انواع یادگیری

آماده‌سازی داده‌ها (مفهوم برچسب، آموزش/آزمون)

انواع مدل احتمال : پارامتری، ناپارامتری

 تصمیمِ احتمالاتی

۲

تصمیم‌گیری کامل (براساس رابطه بیز)

مفهوم احتمال پسین، پیشین و درستنمایی (براساس مثال)

تخمین با دانش پیشین/بیشینه احتمال پسین و درستنمایی

پیاده‌سازی مثال عملی با کتابخانه numpy

در این جلسه مفاهیم مربوط به چند تصمیم‌گیری ناپارامتری به صورت ساده بیان می‌شود، سپس با کمک کتابخانه scikit-learn با نحوه پیاده‌سازی هر کدام آشنا خواهیم شد.

تصمیم براساس فاصله (خوشه‌بندی و نزدیکترین همسایه)

ساده‌سازیِ ناپارامتریِ تصمیمِ احتمالاتی

۳

مرز تصمیم و ماشین بردار پشتیبان

تصمیم‌گیری درختی

مدل‌های مخلوط

مشکلات مربوط به ابعاد داده و انواع روش کاهش بعد 

آشنایی با کتابخانه scikit-learn

در این جلسه با شروع از شیوه‌های مدل کردن تابع درستنمایی و ضعف مدل‌های ناپارامتری در توابع پیچیده، به بررسی ساده‌ترین نوع شبکه عصبی پرداخته می‌شود.

شبکه عصبی پرسپترون چگونه آموزش داده می‌شود، و چطور بفهمیم که این شبکه به درستی کار می‌کند، مباحث مطرح شده در این جلسه خواهد بود.

ضعف روش‌های ناپارامتری در مدل کردن تابع درستنمایی

ساده‌سازیِ پارامتریِ تصمیمِ احتمالاتی

۴

سادگی ماشین بردار پشتیبان و تعمیم به شبکه عصبی پرستپرون

آموزش شبکه با روش پس‌انتشار خطا/ بهینه‌سازی پارامتر شبکه

مفهوم فرابرازش و تعمیم‌پذیری در آموزش مدل‌های پارامتری

روش ارزیابی متقابل و بررسی تعمیم‌پذیری شبکه

معیارهای ارزیابی

پیاده‌سازی چند مثال ساده با کتابخانه scikit-learn

در این جلسه با کتابخانه‌های مهم یادگیری عمیق آشنا می‌شویم.

انواع لایه‌ها موجود بررسی خواهند شد.

درنهایت یک مثال ساده شبیه جلسه قبل با این کتابخانه‌ها اجرا می‌شود.

مهندسی ویژگی دربرابر یادگیری ویژگی

مقدمه یادگیری عمیق

۵

انواع دادگان (عددی، برداری، دنباله، تصویر و ...)

چرا مدل عمیق؟

معرفی کتابخانه‌ها: tensorflow, jax, pytorch, keras

آشنایی با کتابخانه tensorflow و Pytorch

مثال آزمون، پیاده‌سازی پرسپترون چند لایه 

بر روی یکی از دادگان مرکز تحقیقات یک مسأله دسته‌‌بندی اجرا می‌شود.

مدل‌های مشهور نیز بررسی می‌شوند.

معرفی مجموعه دادگان مرکز تحقیقات

حل یک مسأله دسته‌بندی

6

اجرای یک مثال عملی از آماده‌سازی داده تا پیاده‌سازی یک شبکه در دسته‌بندی داده‌ها

تعریف تفسیرپذیری

تفسیرپذیری مدل

7

روش‌‌های GradCam

روش‌های Multiple Instance Learning

انتخاب یک مجموعه داده مناسب از دادگان مرکز تحقیقات

حل یک مسأله ناحیه‌بندی

8

تعریف مسأله ناحیه‌بندی، و نحوه آماده‌سازی داده‌ها

مدل‌های مشهور ناحیه‌بندی

اجرا و پیاده‌سازی مسأله ناحیه‌بندی روی یک داده واقعی

دادگان برچسب خورده درحوزه پزشکی

مشکلات پیشِ‌رو

9

مسائل با ناظرِ ضعیف و بکارگیری از کمک پزشک

حل یک مسأله multiple instance learning

حل یک مسأله به صورت «انسان در چرخه» پردازش

افزودن داده

چکار کنیم مدل بهتر کار کند؟

10

مدل‌های پیش آموزش دیده

تولید داده جدید

جمع‌بندی

هزینه شرکت کننده آزاد

هزینه دانشجویان و فارغ التحصیلان رشته های غیر مرتبط

هزینه دانشجویان مرتبط و  دانشجویان و  پرسنل دانشگاه علوم پزشکی اصفهان

بسته اول (8 ساعت) A-EYE I 

برگزار شده است و  بصورت افلاین موجود  است.

یک میلیون تومان

پانصد هزار تومان

دویست هزار تومان

بسته دوم (44 ساعت) A-EYE II  
در حال برگزاری است

سه میلیون و دویست هزار تومان

یک میلیون و ششصد هزار تومان

ششصد و چهل هزار تومان

بسته سوم (8 جلسه عملی) بخش اول A-EYE III

برگزار شده است و  بصورت افلاین موجود  است و  برای افرادی که در بسته سوم بخش دوم عملی شرکت می کنند رایگان است  

یک میلیون تومان

پانصد هزار تومان

دویست هزار تومان

بسته سوم (10 جلسه عملی) بخش دوم A-EYE III

در  حال ثبت نام

یک میلیون و دویست هزار تومان

ششصد هزار تومان

سیصد هزار تومان

کل دوره با تخفیف 80 درصدی

دو میلیون و پانصد میلیون تومان

یک میلیون و دویست و پنجاه هزار تومان

500 هزار تومان