سخنرانان کلیدی

چکیده
تصور کنید سامانه‌های بینایی رایانه‌ای که معماری خود را تکامل می‌دهند، پارامترهایشان را بهینه می‌کنند و ویژگی‌های تصویری جدیدی کشف می‌کنند — همگی بدون طراحی صریح انسانی. این همان وعدهٔ محاسبات تکاملی (EC) است؛ خانواده‌ای از الگوریتم‌های الهام‌گرفته از انتخاب طبیعی. در این سخنرانی بررسی می‌کنیم که چگونه محاسبات تکاملی با خودکارسازی طراحی معماری شبکه‌های عصبی، تنظیم دقیق ابرپارامترها و حتی بهینه‌سازی راهبردهای پیش‌پردازش، به توانمندسازی بینایی رایانه‌ای کمک می‌کند. از تکامل عصبی تا برنامه‌نویسی ژنتیک، رویکردهای تکاملی در حال دگرگون‌کردن شیوهٔ خلق و بهبود هوش بصری هستند. کاربردهای عملی شامل تکامل مدل‌های بینایی مبتنی بر کانولوشن و ترنسفورمر، کشف فیلترهای ویژهٔ کار و یکپارچه‌سازی محاسبات تکاملی با خطوط لولهٔ یادگیری عمیق برای سازگاری و کارایی بیشتر را بررسی خواهیم کرد. این نشست با نگاهی به جهت‌گیری‌های نوظهور به پایان می‌رسد؛ جایی که هوش مصنوعی تکامل‌محور به‌طور پیوسته با داده‌ها و محیط‌های جدید سازگار می‌شود — و راه را برای نسل بعدی سامانه‌های بینایی خودتکامل هموار می‌سازد.

زندگی‌نامه
سید جلال‌الدین موسوی‌راد (عضو ارشد IEEE) استادیار دانشگاه مید سوئد در ساندسوال، سوئد است. پیش از این، پژوهشگر پسادکترا در دانشگاه مید سوئد و پژوهشگر پسادکترا در دانشگاه بایرا اینتریور پرتغال بود که در آنجا در پروژهٔ اروپایی GreenStamp مشارکت داشت. او همچنین به‌عنوان پژوهشگر مهمان با یک گروه پژوهشی پیشرو در دانشگاه شیان جیائوتنگ–لیورپول در سوژو، چین، تجربهٔ پژوهشی بین‌المللی کسب کرده است. او نویسندهٔ یک کتاب، نُه فصل کتاب و بیش از ۱۸۰ مقالهٔ منتشرشده در مجلات و مجموعه مقالات بین‌المللی است. علایق پژوهشی او شامل یادگیری ماشین، محاسبات تکاملی، بینایی رایانه‌ای، هوش مصنوعی کاربردی و سامانه‌های اندازه‌گیری است.

چکیده
هوش مصنوعی به‌سرعت حوزه تصویربرداری پزشکی را دگرگون کرده و به سامانه‌های محاسباتی امکان داده تا الگوها را تشخیص دهند و از داده‌های بصری پیچیده اطلاعات معنادار استخراج کنند. در سال‌های اخیر، ظهور مدل‌های بینایی‌ـ‌زبانی (VLM) با پیوند دادن درک بصری به زبان طبیعی، پارادایم تازه‌ای پدید آورده و فرصت‌هایی برای سامانه‌های هوش مصنوعی فراهم کرده که نه‌تنها تصاویر را تحلیل می‌کنند، بلکه درباره آن‌ها استدلال می‌کنند، یافته‌ها را بیان می‌کنند و دانش چندوجهی زیست‌پزشکی را یکپارچه می‌سازند.

پاتولوژی دیجیتال حوزه‌ای بسیار جذاب برای این دگرگونی است. تصاویر تمام‌اسلاید حجم عظیمی از اطلاعات بصری و مکانی، از ریخت‌شناسی سلولی تا معماری بافتی، را در خود دارند و چالش‌های محاسباتی و روش‌شناختی چشمگیری ایجاد می‌کنند. رویکردهای سنتی یادگیری عمیق در وظایفی مانند طبقه‌بندی بافت، تشخیص سرطان و پیش‌بینی نشانگرهای زیستی نتایج امیدبخشی کسب کرده‌اند، اما این رویکردها اغلب وظیفه‌محورند و به حجم زیادی داده برچسب‌خورده دقیق نیاز دارند.

این سخنرانی بررسی می‌کند که چگونه مدل‌های بنیادی و مدل‌های بینایی‌ـ‌زبانی می‌توانند به رفع این چالش‌ها کمک کنند و رویکردی انعطاف‌پذیرتر و تعمیم‌پذیرتر برای پاتولوژی محاسباتی فراهم آورند. در این ارائه، یکپارچه‌سازی اطلاعات بصری حاصل از تصاویر تمام‌اسلاید با اطلاعات متنی برگرفته از گزارش‌های پاتولوژی، متون علمی و دانش بالینی بحث خواهد شد. همچنین بررسی می‌شود که یادگیری چندوجهی چگونه می‌تواند از یادگیری بدون‌نمونه و کم‌نمونه، بهبود یادگیری بازنمایی، سامانه‌های هوش مصنوعی تعاملی و رویکردهای نوین به کشف علمی پشتیبانی کند.

با تکیه بر تحولات اخیر در پاتولوژی دیجیتال و هوش مصنوعی زیست‌پزشکی، این گفتار چالش‌های عملی استقرار مدل‌های بینایی‌ـ‌زبانی در جریان‌های کاری واقعی زیست‌پزشکی را نیز بررسی می‌کند؛ از جمله کیفیت داده، انطباق دامنه، تفسیرپذیری، زیرساخت محاسباتی، حریم خصوصی و اعتبارسنجی بالینی. به تمایز میان توانمندی‌های چشمگیر مدل‌ها در محیط‌های پژوهشی و الزامات سامانه‌های هوش مصنوعی قابل اعتماد و از نظر بالینی معنادار توجه خواهد شد.

در نهایت، مدل‌های بینایی‌ـ‌زبانی این ظرفیت را دارند که هوش مصنوعی پزشکی را از وظایف منفرد تحلیل تصویر فراتر برده و به سامانه‌هایی سوق دهند که شواهد بصری را با دانش زیست‌پزشکی و تخصص انسانی یکپارچه می‌کنند. این سخنرانی مروری خواهد بود بر فرصت‌ها، چالش‌ها و جهت‌گیری‌های آینده مدل‌های بینایی‌ـ‌زبانی در پاتولوژی دیجیتال و تصویربرداری پزشکی، با هدف تشویق همکاری میان جامعه بینایی ماشین و جامعه پژوهش‌های زیست‌پزشکی.

زندگی‌نامه
دکتر بهاوش کاتاریا دانشیار دانشکده محاسبات و فناوری مؤسسه تحقیقات پیشرفته در گاندینگر هند است. او دکتری مهندسی کامپیوتر دارد و بیش از ۱۸ سال تجربه یکپارچه در آموزش، پژوهش و رهبری دانشگاهی در نهادهای برجسته هند و آمریکا دارد؛ از جمله مؤسسه علوم هند (IISc) بنگلور و دانشکده پزشکی دانشگاه اِموری در آتلانتا که در آنجا به‌عنوان پژوهشگر پسادکتری با حمایت NIH فعالیت می‌کرد. او پیش‌تر ریاست گروه علوم کامپیوتر دانشگاه کادی ساروا ویشواویدیالایا در گاندینگر را بر عهده داشت. حوزه‌های پژوهشی او شامل هوش مصنوعی، یادگیری ماشین، یادگیری عمیق، بینایی ماشین و کاربردهای ترجمه‌ای آن‌ها در پاتولوژی دیجیتال، تحلیل تصاویر پزشکی و اطلاع‌رسانی تصاویر تمام‌اسلاید در مقیاس بزرگ است. او در نشریات IEEE Transactions، الزویر و اسپرینگر منتشر کرده، هشت ثبت اختراع و ثبت طرح در بریتانیا و هند دارد و شش کتاب و فصل کتاب نوشته یا در نگارش آن‌ها همکاری کرده است.

چکیده
بینایی ماشین به‌عنوان یکی از حوزه‌های کلیدی هوش مصنوعی، ظرفیت قابل‌توجهی برای استخراج اطلاعات معنادار از داده‌های بصری و تبدیل آن‌ها به بینش‌های قابل‌استفاده در تصمیم‌گیری دارد. پیشرفت روش‌های پردازش تصویر و یادگیری عمیق، زمینه توسعه کاربردهای متنوعی را در حوزه سلامت، تصویربرداری پزشکی، کنترل کیفیت صنعتی، تحلیل اسناد و تحول دیجیتال سازمان‌ها فراهم کرده است. بااین‌حال، دستیابی به ارزش واقعی این فناوری صرفاً به افزایش دقت الگوریتم‌ها وابسته نیست، بلکه به کیفیت داده‌ها، اعتبارسنجی علمی، تناسب راهکار با نیازهای کاربران، یکپارچه‌سازی با فرایندهای عملیاتی و رعایت الزامات اخلاقی و امنیتی نیز بستگی دارد.

این سخنرانی با رویکردی میان‌رشته‌ای، ظرفیت‌های بینایی ماشین را در پشتیبانی از تشخیص و تحلیل تصاویر پزشکی، بخش‌بندی و اندازه‌گیری کمّی، بهبود جریان کار و ارتقای بهره‌وری بررسی می‌کند. همچنین، نقش این فناوری در بازطراحی فرایندهای سازمانی، توسعه خدمات هوشمند و تقویت پیوند میان دانشگاه، صنعت و مراکز نوآوری مورد توجه قرار می‌گیرد. در ادامه، چالش‌هایی مانند سوگیری الگوریتمی، تعمیم‌پذیری، محرمانگی داده‌ها، شفافیت، نظارت انسانی و پایش مستمر عملکرد تبیین می‌شوند. در پایان، نقشه راهی مبتنی بر شناخت مسئله، ارزیابی داده و فناوری، اعتبارسنجی، اجرای آزمایشی و سنجش ارزش عملیاتی ارائه می‌شود. پیام محوری سخنرانی آن است که بینایی ماشین زمانی به پیشران پایدار نوآوری تبدیل می‌شود که توانمندی فنی با نیاز واقعی، شواهد معتبر، مسئولیت‌پذیری و ارزش‌آفرینی قابل‌اندازه‌گیری همراه شود.

زندگی‌نامه
دکتر مریم حاجی اسمعیلی، متخصص حوزه بینایی ماشین و پردازش تصاویر پزشکی، از فعالان حوزه هوش مصنوعی و کاربردهای آن در تحلیل داده‌های بصری و توسعه راه‌حل‌های فناورانه هستند. حوزه‌های تخصصی ایشان شامل بینایی ماشین، پردازش تصویر و کاربردهای هوش مصنوعی در تحلیل تصاویر پزشکی است. ایشان همچنین مسئول مرکز نوآوری بانک رفاه کارگران را بر عهده دارند و در حوزه پیوند ظرفیت‌های فناوری با نیازهای سازمانی و توسعه نوآوری فعالیت می‌کنند. حضور ایشان در چهاردهمین کنفرانس ملی و چهارمین کنفرانس بین‌المللی بینایی ماشین و پردازش تصویر (MVIP 2026) در جایگاه سخنران کلیدی، فرصتی برای بررسی پیوند میان پیشرفت‌های علمی بینایی ماشین، کاربردهای هوش مصنوعی در سلامت و الزامات تحول دیجیتال فراهم می‌کند.

چکیده
این سخنرانی مروری است بر اینکه هوش مصنوعی و یادگیری عمیق چگونه تحلیل تصاویر سی‌تی‌اسکن ریه را دگرگون می‌کنند؛ از تشخیص و قطعه‌بندی خودکار ضایعات ریوی تا گزارش‌دهی کمّی و پشتیبانی از تصمیم بالینی. در این ارائه، پیشرفت‌هایی که در عمل مفید بوده‌اند، دام‌های روش‌شناختی که ترجمه به کلینیک را محدود می‌کنند، و اولویت‌های پژوهشی سال‌های پیش‌رو بررسی می‌شود.

زندگی‌نامه
دکتر حمید ابریشمی مقدم استاد گروه مهندسی پزشکی دانشکدهٔ مهندسی برق و کامپیوتر دانشگاه صنعتی خواجه‌نصیرالدین طوسی در تهران است. او دکتری مهندسی پزشکی خود را در سال ۱۹۹۸ از دانشگاه فناوری کمپینی (UTC) فرانسه با پایان‌نامه‌ای در زمینهٔ قطعه‌بندی تصاویر چندبعدی قلب در MRI دریافت کرد. حوزه‌های پژوهشی او شامل بینایی ماشین، بازشناسی الگو، پردازش تصویر و تصویربرداری پزشکی است.