مسابقه طرح مسائل کاربرد هوش مصنوعی در صنعت پزشکی داخلی با داده بومی در اولین کنگره بین المللی هوش مصنوعی در علوم پزشکی (AIMS2023)

موضوع چالش:

این چالش نیاز به یک رویکرد چند رشته ای برای به کارگیری ML در پزشکی را نشان می دهد که شامل همکاری بین دانشمندان کامپیوتر، متخصصان پزشکی و سیاست گذاران است. غلبه بر این چالش مستلزم تحقیق و توسعه مداوم و همچنین همکاری نزدیک بین ذینفعان مختلف در این زمینه است. داده های پزشکی اغلب ناقص و آغشته به نویز هستند و آموزش مدل های ML دقیق را دشوار می کند. علاوه بر این، ممکن است نگرانی‌هایی در مورد حفظ حریم خصوصی و امنیت در استفاده از اطلاعات سلامت شخصی وجود داشته باشد. همچنین مدل‌های ML می‌توانند بسیار پیچیده و تفسیر آن‌ها دشوار باشد، که در حوزه پزشکی که در آن تصمیم‌ها پیامدهای قابل‌توجهی دارند، این موضوع چالش ایجاد میکند. از سوی دیگر مدل‌های ML باید به روشی یکپارچه و کاربرپسند در جریان کار بالینی موجود ادغام شوند تا به طور مؤثر توسط متخصصان پزشکی مورد استفاده قرار گیرند. محققان ML ممکن است درک عمیقی از حوزه پزشکی نداشته باشند، که می تواند اثربخشی مدل های آنها را محدود کند. یکی از بزرگترین چالش ها در استفاده از یادگیری ماشین در سلامت، کیفیت و کمیت داده ها است و نیاز به داده های دقیق با حجم کافی جهت آموزش مدل ها و الگوریتم ها ضروری می باشد.

• ملاحظات اخلاقی و قانونی: هنگام استفاده از یادگیری ماشینی در مراقبت های بهداشتی، به ویژه در رابطه با حریم خصوصی و امنیت داده های بیمار، ملاحظات اخلاقی و قانونی وجود دارد.
  عدم تعادل طبقاتی: در برخی از برنامه های مراقبت های بهداشتی، تعداد موارد مثبت (به عنوان مثال، بیماران مبتلا به یک بیماری خاص) ممکن است بسیار کمتر از تعداد موارد منفی باشد (به عنوان مثال، افراد نرمال). این عدم تعادل طبقاتی می تواند توسعه مدل های دقیق یادگیری ماشین را چالش برانگیز کند.
  تعمیم: داده های مراقبت های بهداشتی اغلب از یک جمعیت بیمار خاص یا سیستم مراقبت های بهداشتی جمع آوری می شود، که می تواند تعمیم نتایج به سایر جمعیت های بیمار یا سیستم های مراقبت های بهداشتی را چالش برانگیز کند.
  اعتبارسنجی بالینی: مدل‌های یادگیری ماشینی باید از طریق آزمایش‌های بالینی و آزمایش‌های دنیای واقعی تأیید شوند تا مطمئن شوند که برای استفاده در مراقبت‌های بهداشتی مؤثر و ایمن هستند.
  توجه به موارد فوق الذکر و در نظر گرفتن مسائل مربوط به کیفیت و کمیت داده ها در پروپوزال پیشنهادی مزیت محسوب خواهد شد.
  
  

این چالش به عنوان یک تلاش مشترک بین دانشگاه علوم پزشکی ایران و دانشگاه علوم پزشکی هوشمند سازماندهی شده است. این چالش یک مسابقه آزاد است که هر تیم و یا فرد علاقه مند واجد شرایط می تواند در آن شرکت کند. قابل ذکر است که یک شرکت کننده نمی تواند در بیش از یک تیم باشد. با توجه به ماهیت چالش، لزوم استفاده از تخصص های علوم پزشکی و مهندسی درکنار هم امری ضروری است لذا تیم های شرکت کننده حتما باید در کنار اعضای مهندسی، حداقل یک نفر از دانشجویان یا فارغ التحصیلان رشته های علوم پزشکی را به عنوان هم گروهی همراه داشته باشند. 

مرحله مقدماتی: 

• هدف از این چالش، ارائه یک پروپوزال پیشنهادی طرح مسائل کاربرد هوش مصنوعی در صنعت پزشکی و سلامت دیجیتال با داده بومی داخلی مشخص است. پروپوزال پیشنهادی می بایست شامل موارد زیر باشد.

مرحله نهایی:

• شرکت کنندگان باید نتایج مرحله مقدماتی خود را تا 31 فروردین 1402 ارسال کنند. تیم های برتر تا 15 اردیبهشت 1402 انتخاب شده و برای شرکت در مرحله نهایی چالش دعوت خواهند شد. مرحله نهایی این چالش در هفته سوم اریبهشت ماه به صورت حضوری برگزار خواهد شد و برندگان نهایی در اولین کنگره بین المللی هوش مصنوعی در علوم پزشکی در جزیره کیش اعلام خواهند شد.

موارد ارسالی:

• 1. گزارشی بین 2000 تا 4000 کلمه‌ از مسئله پیشنهادی، نوع داده ها و پیش پردازش های مورد نیاز بر روی داده، مدل پیشنهادی، معیار های ارزیابی و گانت چارت انجام پژوهش خواهد بود. نتایج بدست آمده با فرمت pdf با نام Report_AIMS2023 قرار دهید.
• 2. ارائه نمونه Sample از داده های خام بومی با توضیحات داده.
• 3. کلیه موارد ذکر شده را در فایل zip. با نام LIP_team_name_AIMS2023 قرار دهید و به ایمیل LIP.AIMS2023@gmail.com ارسال کنید(team name نام تیم انتخابی شماست.)
• در صورتی که موارد ذکر شده کامل ارسال نشود نتایج شما داوری نخواهد شد.