انجمن علمی رادیولوژی

🧠 Integration of AI-Derived Results into Radiology Reports Using Common Data Elements
📝 کاربرد عناصر داده مشترک (CDEs) به‌عنوان چارچوبی استاندارد برای ادغام یافته‌های هوش مصنوعی در گزارش‌های رادیولوژی

با ورود روزافزون هوش مصنوعی (AI) به عرصه رادیولوژی، یکی از چالش‌های اصلی چگونگی ادغام یکپارچه و استاندارد نتایج تولیدشده توسط AI در گزارش‌های رادیولوژیک است. این مطالعه با معرفی عناصر داده مشترک (Common Data Elements یا CDEs) به‌عنوان یک چارچوب استاندارد و قابل تعامل، راهکاری عملی برای ثبت و انتقال یافته‌های AI در عمل بالینی ارائه می‌دهد.

📌 روش و یافته‌های کلیدی

1️⃣ 🩻 تعریف CDEs برای اندازه‌گیری‌های کبد و طحال
پژوهشگران مجموعه‌ای از CDEs را برای اندازه‌گیری حجم و تراکم (Attenuation) کبد و طحال تعریف کردند تا این پارامترها به شکلی استاندارد و قابل مقایسه در گزارش‌ها ثبت شوند.

2️⃣ 🤖 سگمنتیشن خودکار با هوش مصنوعی
یک سامانه هوش مصنوعی، کبد و طحال را در تصاویر CT بدون کنتراست شکم و لگن سگمنت کرد و اندازه‌گیری‌های مربوط به حجم و تراکم را به‌صورت خودکار محاسبه نمود.

3️⃣ 🔗 استفاده از چارچوب DICOM-SR
داده‌های خروجی AI با استفاده از چارچوب DICOM Structured Reporting (DICOM-SR) به‌صورت برچسب‌ها و مقادیر CDE بیان شدند؛ رویکردی که امکان تبادل داده استاندارد بین سامانه‌ها را فراهم می‌کند.

4️⃣ 🏥 ادغام خودکار در گردش‌کار بالینی
سامانه‌های خودکار مقادیر CDE را از داده‌های تولیدشده توسط AI استخراج کرده، آن‌ها را در گزارش رادیولوژی وارد کردند و تصاویر تولیدشده را برای ذخیره‌سازی و نمایش به سامانه PACS ارسال نمودند.

5️⃣ 📊 مزایای بالقوه این رویکرد
استفاده از CDEs می‌تواند ارتباط میان رادیولوژیست‌ها و پزشکان ارجاع‌دهنده را بهبود بخشد، هماهنگ‌سازی داده‌ها را برای پژوهش‌های گسترده تسهیل کند و عملکرد سامانه‌های پشتیبان تصمیم‌گیری بالینی را ارتقا دهد.

🔘 جمع‌بندی
این مطالعه نشان می‌دهد که CDEs می‌توانند به‌عنوان یک چارچوب عملی و کاربردی، یافته‌های تولیدشده توسط هوش مصنوعی را به شکلی استاندارد، شفاف و قابل تعامل وارد گزارش‌های رادیولوژی کنند. این رویکرد گامی مهم در جهت یکپارچه‌سازی مسئولانه AI در عمل بالینی و ارتقای کیفیت و انسجام گزارش‌دهی در سراسر سیستم‌های بهداشتی است.

🔘 لینک دسترسی به مقاله: https://pmc.ncbi.nlm.nih.gov/articles/PMC12572421/

✍️ ترجمه و تلخیص:  یاسین علی‌پور

➖➖➖➖➖➖➖➖➖➖➖

🩻 در انجمن رادیولوژی شبکهٔ نخبگان ایران با ما همراه باشید…
✅ @Radiology_Association ☢️
🌐 www.stusciradio.com 🤖
📱 Stu.sci.radio
⚙️️ Insta Channel (Board) 🆕
📱 LinkedIn ✅
🎵 Castbox Channel
🎵 Spotify Channel
🇮🇷 @IranElitesNet

بررسی مدل‌های بزرگ بینایی-زبان در رادیولوژی
منتشرشده در RSNA / Radiology
در سال‌های اخیر، مدل‌های بزرگ بینایی-زبان (Vision-Language Models) به‌عنوان نسل جدیدی از هوش مصنوعی که هم متن و هم تصویر را پردازش می‌کنند، توجه زیادی در رادیولوژی جلب کرده‌اند. این مدل‌ها می‌توانند گزارش‌های رادیولوژی را خلاصه کنند، سوال‌های بالینی را پاسخ دهند و در برخی موارد به تشخیص یا تولید گزارش کمک کنند؛ اما عملکرد واقعی آن‌ها در شرایط بالینی هنوز محدود است و نیاز به بررسی دقیق دارد.
۱. عملکرد GPT-4V در آزمون تشخیصی رادیولوژی
یکی از مقالات مشهور منتشرشده در Radiology، عملکرد GPT-4 با قابلیت بینایی (GPT-4V) را روی سوال‌های آزمون آموزش تشخیص رادیولوژی بررسی کرده است:
📎 “Performance of GPT-4 with Vision on Text- and Image-based ACR Diagnostic Radiology In-Training Examination Questions”
این مطالعه نشان داد GPT-4V در پاسخ به سوال‌های متنی عملکرد نسبتاً خوبی دارد، اما در تفسیر تصاویر رادیولوژی نقاط ضعف جدی دارد؛ برای مثال دقت روی سوال‌های تصویری زیر ۵۰٪ بود، درحالی‌که دقت روی سوال‌های صرفاً متنی بسیار بالاتر بود. این یعنی مدل در تحلیل بصری مستقیم تصاویر پزشکی قابل اعتماد نیست و حتی گاهی پاسخ درست را براساس تفسیر اشتباه تصویر می‌دهد — که می‌تواند خطرناک باشد.
۲. اصول به‌کارگیری LLMها در رادیولوژی
مقاله دیگری با عنوان زیر در همان مجله، نقش مدل‌های زبانی بزرگ مانند GPT را در مدیریت داده‌های متنی رادیولوژی بررسی می‌کند:

📎 “Best Practices for Large Language Models in Radiology”
این مقاله تأکید می‌کند حتی اگر مدل‌های زبانی در خلاصه‌سازی و استخراج اطلاعات مفید باشند، برای قابل‌اعتماد شدن نتایج به راهکارهای اصولی برای ایمنی بالینی، بهینه‌سازی پرسش‌ها و آموزش تخصصی نیاز است.
۳. جمع‌بندی شواهد علمی
مرور نظام‌مند شواهد موجود نشان می‌دهد که این مدل‌ها هنوز در وظایف تشخیصی واقعی و تحلیل بصری پیچیده قابل اعتماد نیستند و تنها در نقش‌های کمک‌یار ارزش عملی دارند:
✅ خلاصه‌سازی گزارش‌ها
✅ ایجاد تاریخچه بالینی
✅ استخراج داده‌ها
⚠️ دقت پایین در تفسیر تصویر و تولید یافته‌های بالینی
پژوهش‌ها نشان داده‌اند حتی وقتی مدل متن را به‌خوبی تحلیل می‌کند، تفسیر تصویر همچنان مستلزم تنظیم‌های دقیق، اعتبارسنجی گسترده و نظارت انسانی در محیط‌های واقعی بیمارستانی است.

✍🏻 گردآورنده: مبینا وطن خواه
۱. https://pubmed.ncbi.nlm.nih.gov/39225605/

۲. https://pubmed.ncbi.nlm.nih.gov/38226883/

۳.https://pubmed.ncbi.nlm.nih.gov/38470238/


➖➖➖➖➖➖➖➖➖➖➖

🩻 در انجمن رادیولوژی شبکهٔ نخبگان ایران با ما همراه باشید…
✅ @Radiology_Association ☢️
🌐 www.stusciradio.com 🤖
📱 Stu.sci.radio
⚙️️ Insta Channel (Board) 🆕
📱 LinkedIn ✅
🎵 Castbox Channel
🎵 Spotify Channel
🇮🇷 @IranElitesNet

🎬 ویدئوی آموزشی واکاوی فصل اول کتاب بوشبرگ: Introduction to Medical Imaging

در این ویدئوی جامع، فصل اول کتاب فیزیک تصویربرداری پزشکی بوشبرگ (ویراست سوم) از منظر طراحان سوالات آزمون بورد تحلیل شده و مهم‌ترین نکات تستی و مفاهیم کلیدی آن استخراج گردیده است.

🔰 محورها و نکات کلیدی بررسی‌شده در ویدئو:

1️⃣ تاریخچه و مدالیته‌های عبوری (Transmission Imaging):
• کشف اشعه X توسط رنتگن در ۸ نوامبر ۱۸۹۵ و اصول اولیه رادیوگرافی [1, 2].
• فلوروسکوپی: تصویربرداری پیوسته و زنده (Real-time) [3].
• ماموگرافی: استفاده از انرژی‌های پایین پرتو X برای ایجاد کنتراست بافتی بالا و تکنیک توموسنتز جهت کاهش همپوشانی آناتومیک [4, 5].
• سی‌تی اسکن (CT): ایجاد مقاطع توموگرافیک سه‌بعدی و حذف کامل اورلپ ساختارها [6, 7].

2️⃣ مدالیته‌های گسیلشی و عملکردی (Emission & Functional Imaging):
• پزشکی هسته‌ای (Planar, SPECT, PET): تصویربرداری بر پایه توزیع رادیوایزوتوپ‌ها و ارزیابی فیزیولوژیک [8, 9].
• مکانیسم تابش انهدامی (Annihilation) و تولید دو فوتون ۵۱۱ کیلوالکترون‌ولتی متقابل در PET[10].

3️⃣ مدالیته‌های غیرپرتودهنده (امواج مکانیکی و رزونانس مغناطیسی):
• سونوگرافی (Ultrasound): تصویربرداری پالس-پژواک (Pulse-echo) بر پایه امواج صوتی با فرکانس بالا و ارزیابی عروقی با داپلر [11-13].
• رزونانس مغناطیسی (MRI): بهره‌گیری از گشتاور مغناطیسی پروتون‌های هیدروژن در میدان‌های قوی و ویژگی‌های T1 و T2 بافتی [14-17].

4️⃣ پارامترهای کیفیت تصویر (Image Properties):
• تباین (Contrast): بررسی عوامل ذاتی و بیرونی موثر بر کنتراست در مدالیته‌های مختلف [17-19].
• تفکیک مکانی (Spatial Resolution): مقایسه حد رزولوشن مکانی مدالیته‌ها (بالاترین میزان در ماموگرافی و کمترین در SPECT و PET) [20, 21].

#بورد_رادیولوژی #فیزیک_پزشکی #بوشبرگ #ارتقا

➖➖➖➖➖➖➖➖➖➖➖

🩻 در انجمن رادیولوژی شبکهٔ نخبگان ایران با ما همراه باشید…
✅ @Radiology_Association ☢️
🌐 www.stusciradio.com 🤖
📱 Stu.sci.radio
⚙️️ Insta Channel (Board) 🆕
📱 LinkedIn ✅
🎵 Castbox Channel
🎵 Spotify Channel
🇮🇷 @IranElitesNet

⏺دفترچه سؤالات آزمون شفاهی (OSCE) هفتاد و سومین دوره #دانشنامه تخصصی (#بورد) رادیولوژی

✅ همراه با پاسخ کلیدی

➖➖➖➖➖➖➖➖➖➖➖

🩻 در انجمن رادیولوژی شبکهٔ نخبگان ایران با ما همراه باشید…
✅ @Radiology_Association ☢️
🌐 www.stusciradio.com 🤖
📱 Stu.sci.radio
⚙️️ Insta Channel (Board) 🆕
📱 LinkedIn ✅
🎵 Castbox Channel
🎵 Spotify Channel
🇮🇷 @IranElitesNet

#خلاصه_مقالات

«ارزیابی چندملیتی یک ابزار هوش مصنوعی مبتنی بر رادیوگرافی برای تشخیص شکستگی‌های اسکلت ضمیمه‌ای و عملکرد پزشکان» در ژورنال معتبر Radiology منتشر شده است.

۱. هدف مطالعه (Objective)
ارزیابی دقت و عملکرد تعمیم‌پذیر یک مدل هوش مصنوعی تجاری (از پیش‌آموزش‌دیده) در تشخیص شکستگی‌های اسکلت ضمیمه‌ای (Appendicular Skeleton) در سه بیمارستان و مرکز تروما سطح یک در سه کشور اروپایی مختلف و همچنین بررسی تأثیر کمک هوش مصنوعی بر دقت تشخیصی پزشکان و رادیولوژیست‌ها در شرایط واقعی بالینی.
۲. مواد و روش‌ها (Materials & Methods)
طراحی مطالعه: مطالعه گذشته‌نگر، چندمرکزی (Multicenter) و چندخواننده‌ای متقاطع (Multireader Multicase Crossover).
مراکز همکار:
بیمارستان Bispebjerg در دانمارک
بیمارستان Charité برلین در آلمان
مرکز پزشکی Erasmus در هلند
حجم نمونه: ۱۵۰۰ بیمار (۵۰۰ گرافی متوالی از هر مرکز) با میانگین سنی ۴۳.۳ سال که با شک به شکستگی‌های اندام فوقانی و تحتانی (از شانه و کلاویکل تا انگشتان دست و پا) مراجعه کرده بودند.
استاندارد مرجع (Ground Truth): گزارش‌های اولیه، یادداشت‌های بالینی، گرافی‌های اولیه و در صورت وجود CT/MRI فالوآپ که توسط رادیولوژیست‌های ماسکولواسکلتال مجرب بازبینی و آنوتیشن شده بود.
ابزار هوش مصنوعی: نرم‌افزار تجاری بر پایه Deep CNN برای تشخیص شکستگی و رسم کادر محدودکننده (Bounding Box) دور محل شکستگی.
۳. یافته‌ها و نتایج کلیدی (Key Results)
عملکرد کلی ابزار هوش مصنوعی در بیمارستان‌ها:
دقت تفکیک مدل بر اساس سطح زیر منحنی راک (AUC): بین ۰.۹۰ تا ۰.۹۵ در هر سه بیمارستان (بدون تفاوت معنادار آماری بین مراکز؛ P = 0.23).
حساسیت (Sensitivity): بین ۸۰٪ تا ۸۶٪ در مراکز مختلف.
ویژگی (Specificity): بین ۹۳٪ تا ۹۶٪ در مراکز مختلف.
تحلیل زیرگروه‌های آناتومیک:
در یکی از مراکز، حساسیت مدل در ناحیه مچ، دست و انگشتان پایین‌تر بود (۷۵٪ در مقایسه با ۹۱٪ و ۹۴٪ در دو مرکز دیگر؛P=0.004) که نشان‌دهنده لزوم اعتبارسنجی محلی (Local Validation) در برخی پروتکل‌های خاص تصویربرداری است.
تأثیر بر عملکرد پزشکان (Reader Performance):
استفاده از هوش مصنوعی باعث افزایش معنادار حساسیت بالینی پزشکان به میزان ۱۱٪ شد (P < .001)، در حالی که ویژگی تشخیصی آن‌ها بدون افت حفظ گردید (۰.۶٪ تغییر؛ P = 0.34).
بیشترین سودمندی و افزایش دقت تشخیصی در پزشکان با تجربه کمتر (رزیدنت‌ها و پزشکان عمومی اورژانس) مشاهده شد.
۴. نتیجه‌گیری نهایی (Conclusion)
مدل هوش مصنوعی در برابر تغییرات محیطی و تفاوت پروتکل‌های رادیوگرافی در کشورهای مختلف، عملکرد قوی، پایدار و قابل اعتمادی از خود نشان داد.
دستیار هوش مصنوعی بدون کاهش ویژگی یا افزایش موارد مثبت کاذب، خطای پزشکان را در ندیدن شکستگی‌ها (Missed Fractures) به طور چشمگیری کاهش می‌دهد و می‌تواند به عنوان یک ابزار تریاژ و پشتیبان تصمیم‌گیری بالینی در بخش‌های شلوغ اورژانس عمل کند.

✍️ گردآورنده: یاسا پیروزی

➖➖➖➖➖➖➖➖➖➖➖

🩻 در انجمن رادیولوژی شبکهٔ نخبگان ایران با ما همراه باشید…
✅ @Radiology_Association ☢️
🌐 www.stusciradio.com 🤖
📱 Stu.sci.radio
⚙️️ Insta Channel (Board) 🆕
📱 LinkedIn ✅
🎵 Castbox Channel
🎵 Spotify Channel
🇮🇷 @IranElitesNet

🎁 AI-Assisted Detection of Hepatic Lesions on Abdominal MRI: A Case-Based Review

📝 مروری بر نقش هوش مصنوعی در تشخیص ضایعات کبدی در MRI؛ بررسی یک مطالعه موردی از منابع RSNA

در سال‌های اخیر، هوش مصنوعی (AI) به‌عنوان یک ابزار کمکی در تفسیر MRI شکم، به‌ویژه در تشخیص ضایعات کبدی، مورد توجه گسترده قرار گرفته است. مطالعات منتشرشده در منابع وابسته به RSNA نشان داده‌اند که الگوریتم‌های مبتنی بر Deep Learning می‌توانند در شناسایی، سگمنتیشن و طبقه‌بندی ضایعات کبدی مانند Hepatocellular Carcinoma (HCC)، متاستازها و همانژیوم‌ها عملکرد قابل‌قبولی داشته باشند. هدف اصلی این فناوری، افزایش دقت تشخیص، کاهش موارد از دست‌رفته و کمک به تصمیم‌گیری بالینی رادیولوژیست است.

در یک مطالعه موردی، تصاویر MRI کبد ابتدا توسط رادیولوژیست و سپس با کمک سیستم AI ارزیابی شدند. نتایج نشان داد که استفاده هم‌زمان از AI و رادیولوژیست، حساسیت تشخیص ضایعات کوچک را افزایش داده و در برخی موارد باعث کشف ضایعاتی شد که در بررسی اولیه کمتر مورد توجه قرار گرفته بودند. همچنین AI توانست در تعیین حدود ضایعه (Segmentation) و ارائه اندازه‌گیری‌های استاندارد، به یکنواختی گزارش‌ها کمک کند.

📌 چالش‌های کلیدی

1) 🩻 کاهش دقت در ضایعات کوچک یا غیرتیپیک

الگوریتم‌های AI در ضایعات بسیار کوچک، ضایعات با ظاهر غیرمعمول یا بیماران مبتلا به سیروز پیشرفته ممکن است دقت کمتری داشته باشند و همچنان نیاز به تفسیر نهایی توسط رادیولوژیست وجود دارد.

2) 📊 وابستگی به کیفیت تصاویر MRI

حرکت بیمار، آرتیفکت‌های تصویربرداری، تفاوت پروتکل‌های MRI و کیفیت پایین تصاویر می‌توانند عملکرد مدل‌های AI را کاهش داده و احتمال خطای تشخیصی را افزایش دهند.

3) ⚠️ احتمال مثبت یا منفی کاذب

AI ممکن است برخی ساختارهای طبیعی یا تغییرات خوش‌خیم را به‌اشتباه ضایعه گزارش کند (False Positive) یا برخی ضایعات غیرمعمول را تشخیص ندهد (False Negative). بنابراین نتایج AI باید همواره در کنار قضاوت بالینی تفسیر شوند.

4) 🔒 اعتبارسنجی و کاربرد بالینی

بسیاری از مدل‌های موجود در مراکز محدود آموزش دیده‌اند و هنوز برای استفاده گسترده در جمعیت‌های مختلف نیازمند اعتبارسنجی چندمرکزی و استانداردسازی هستند.

📌 جمع‌بندی

مطالعات منتشرشده در RSNA نشان می‌دهند که هوش مصنوعی می‌تواند به‌عنوان یک دستیار هوشمند در تشخیص ضایعات کبدی با MRI، دقت و سرعت تفسیر تصاویر را افزایش دهد و به استانداردسازی گزارش‌های رادیولوژی کمک کند. با این حال، AI جایگزین رادیولوژیست نیست و بهترین نتایج زمانی حاصل می‌شود که الگوریتم‌های هوش مصنوعی در کنار تجربه و قضاوت بالینی پزشک مورد استفاده قرار گیرند.

🔘 منابع پیشنهادی:

• Radiology: Artificial Intelligence (RSNA) – Liver Imaging & AI
https://pubs.rsna.org/journal/ai

• RSNA Journals – Abdominal MRI & Artificial Intelligence
https://pubs.rsna.org/

✍️ ترجمه و تلخیص: احسان قزلباش

➖➖➖➖➖➖➖➖➖➖➖

🩻 در انجمن رادیولوژی شبکهٔ نخبگان ایران با ما همراه باشید…
✅ @Radiology_Association ☢️
🌐 www.stusciradio.com 🤖
📱 Stu.sci.radio
⚙️️ Insta Channel (Board) 🆕
📱 LinkedIn ✅
🎵 Castbox Channel
🎵 Spotify Channel
🇮🇷 @IranElitesNet

🧠 Future Trends Review
Digital Twins in Radiology: The Next Frontier of AI-Driven Precision Medicine

فناوری Digital Twin (توأمان دیجیتال) با تلفیق تصویربرداری چندوجهی، هوش مصنوعی و مدل‌سازی محاسباتی، بازنمایی‌های مجازی پویا و اختصاصیِ هر بیمار می‌سازد. این فناوری که ریشه در صنایع مهندسی و تولید دارد، اکنون در حال ورود به قلب پزشکی دقیق و رادیولوژی است.

---

1️⃣ شبیه‌سازی بیماری (Disease Simulation)

مرورهای سیستماتیک اخیر روی مطالعات متعدد نشان داده‌اند که Digital Twinها در حوزه‌های زیر کاربرد یافته‌اند:

▪️ شبیه‌سازی پیشرفت اسکولیوز در ستون فقرات
▪️ مدل‌سازی فشار خون پورتال کبدی
▪️ شبیه‌سازی ابلیشن کبدی
▪️ مشخصه‌یابی تومورهای مغزی
▪️ ارزیابی غیرتهاجمی قلب و قفسه سینه

این مدل‌ها با پایش زنده‌ی پارامترهای سلامت/سبک زندگی، به‌طور مداوم به‌روزرسانی می‌شوند.

---

2️⃣ پیش‌بینی پاسخ به درمان (Treatment Response Prediction)

در حوزه رادیوتراپی، Digital Twin با پایش پیوسته‌ی پارامترهای اختصاصی بیمار، امکان تطبیق پویای درمان را فراهم می‌کند.

▪️ تلفیق داده‌های تصویربرداری بلادرنگ با نشانگرهای زیستی
▪️ تنظیم پیش‌دستانه‌ی استراتژی درمانی توسط آنکولوژیست‌ها
▪️ بلوغ بالینی بیشتر رادیوتراپی نسبت به رادیولوژی تشخیصی در این زمینه

یک نمونه‌ی کاربردی: توأمان‌های دیجیتال مبتنی بر دینامیک سیالات محاسباتی (CFD) برای بهینه‌سازی برنامه‌ریزی رادیوامبولیزاسیون کبد در حال توسعه‌اند.

---

3️⃣ پایش بیماران (Patient Monitoring)

▪️ پایش از راه دور و بلادرنگ وضعیت دستگاه‌های تصویربرداری (CT، MRI)
▪️ تشخیص و پیش‌بینی مشکلات پیش از وقوع با کمک AI
▪️ ایجاد سابقه‌ی تاریخچه‌ای و پیش‌بینی عملکرد آینده‌ی هر دستگاه
▪️ صدور هشدارهای زودهنگام برای تداوم مراقبت از بیمار

---

4️⃣ پزشکی دقیق مبتنی بر هوش مصنوعی (AI-Driven Precision Medicine)

نسل پیشرفته‌ی این فناوری با عنوان «Intelligent Digital Twin» شناخته می‌شود که به‌طور خودمختار:

▪️ از داده‌ها یاد می‌گیرد
▪️ اطلاعات را تحلیل می‌کند
▪️ پیامدها را پیش‌بینی می‌نماید
▪️ عملکرد سیستم فیزیکی متناظر را بهینه می‌سازد

در RSNA 2025 با محوریت «Imaging the Individual»، تأکید شد رادیولوژی از یک ابزار تشخیصی صرف به سنگ‌بنای مراقبت شخصی‌سازی‌شده تبدیل می‌شود. برنامه‌ی پژوهشی «All of Us» نیز با نزدیک به ۸۶۵ هزار شرکت‌کننده و داده‌های تصویربرداری، ژنومیک و پرونده سلامت الکترونیک، یکی از بزرگ‌ترین طرح‌های پزشکی دقیق جهان به‌شمار می‌رود.

---

📚 References:

1️⃣ Pesapane F, et al. *Digital Twins in Radiology.* J Clin Med. 2022.
2️⃣ *Digital twins in radiology: a systematic review of applications, challenges, and future perspectives.* European Journal of Radiology. 2025.
3️⃣ *Digital twin applications in radiology and radiotherapy.* ScienceDirect. 2026.
4️⃣ *Digital Twin Technology In Radiology.* J Imaging Informatics in Medicine (Springer). 2025.
5️⃣ RSNA News — President's Address, RSNA 2025 ("Imaging the Individual").

🔗 لینک منابع:

Radiology:
https://pubs.rsna.org/journal/radiology

Radiology: Artificial Intelligence:
https://pubs.rsna.org/journal/ai

RSNA News:
https://www.rsna.org/news
➖➖➖➖➖➖➖➖➖➖➖➖➖➖

✍️ ترجمه و تلخیص: مبینا عاشوری

➖➖➖➖➖➖➖➖➖➖➖

🩻 در انجمن رادیولوژی شبکهٔ نخبگان ایران با ما همراه باشید…
✅ @Radiology_Association ☢️
🌐 www.stusciradio.com 🤖
📱 Stu.sci.radio
⚙️️ Insta Channel (Board) 🆕
📱 LinkedIn ✅
🎵 Castbox Channel
🎵 Spotify Channel
🇮🇷 @IranElitesNet

❓#دفترچه_سؤالات هفتاد و سومین دوره آزمون دانشنامه تخصصی رادیولوژی (#بورد)

📆 برگزار شده در مورخه ۱۲ شهریور ۱۴۰۵

#Board_Exam
➖➖➖➖➖➖➖➖➖➖➖

🩻 در انجمن رادیولوژی شبکهٔ نخبگان ایران با ما همراه باشید…
✅ @Radiology_Association ☢️
🌐 www.stusciradio.com 🤖
📱 Stu.sci.radio
⚙️️ Insta Channel (Board) 🆕
📱 LinkedIn ✅
🎵 Castbox Channel
🎵 Spotify Channel
🇮🇷 @IranElitesNet

✅ #پاسخنامه_کلیدی اولیه هفتاد و سومین دوره آزمون دانشنامه تخصصی رادیولوژی (#بورد)

📆 برگزار شده در مورخه ۱۲ شهریور ۱۴۰۵

#Board_Exam
➖➖➖➖➖➖➖➖➖➖➖

🩻 در انجمن رادیولوژی شبکهٔ نخبگان ایران با ما همراه باشید…
✅ @Radiology_Association ☢️
🌐 www.stusciradio.com 🤖
📱 Stu.sci.radio
⚙️️ Insta Channel (Board) 🆕
📱 LinkedIn ✅
🎵 Castbox Channel
🎵 Spotify Channel
🇮🇷 @IranElitesNet

🎓 آرزوی موفقیت برای داوطلبان آزمون بورد رادیولوژی ۱۴۰۵

فردا، روز ثمره‌ی ماه‌ها تلاش، کشیک، مطالعه و پشتکار است.

برای همه‌ی رزیدنت‌های عزیز رادیولوژی آرزوی آرامش، تمرکز و موفقیت داریم. امیدواریم دانشی که با زحمت به دست آورده‌اید، بهترین همراهتان در جلسه‌ی آزمون باشد.

به امید درخشش تک‌تک شما و کسب بهترین نتایج. 🌱

🩻 در انجمن رادیولوژی شبکهٔ نخبگان ایران با ما همراه باشید…
✅ @Radiology_Association ☢️
🌐 www.stusciradio.com 🤖
📱 Stu.sci.radio
⚙️ Insta Channel (Board) 🆕
📱 LinkedIn ✅
🎵 Castbox Channel
🎵 Spotify Channel
🇮🇷 @IranElitesNet

🧠 Artificial Intelligence for Clinical Trial Imaging: Improving Efficiency and Imaging Biomarkers
امروزه تصویربرداری پزشکی یکی از ارکان اصلی کارآزمایی‌های بالینی، به‌ویژه در حوزه‌های انکولوژی، نورولوژی، قلب و عروق و بیماری‌های التهابی محسوب است. با افزایش حجم داده‌های تصویری و پیچیدگی مطالعات چندمرکزی، استفاده از هوش مصنوعی (Artificial Intelligence; AI) به‌عنوان ابزاری برای استانداردسازی، افزایش دقت و تسریع تحلیل تصاویر، به سرعت در حال گسترش است.

۱. انتخاب دقیق‌تر بیماران (AI-assisted Patient Selection)

هوش مصنوعی با تحلیل تصاویر CT، MRI، PET/CT و PET/MRI و استخراج ویژگی‌های کمی، می‌تواند بیماران واجد شرایط ورود به مطالعه را با دقت بیشتری شناسایی کند. علاوه بر این، الگوریتم‌های یادگیری عمیق قادرند فنوتیپ‌های تصویربرداری (Imaging Phenotypes) را شناسایی و احتمال پاسخ به درمان یا پیش‌آگهی بیمار را پیش از آغاز درمان بررسی کنند. این امر موجب کاهش خطاهای انتخاب نمونه و افزایش صحت نتایج کارآزمایی می‌شود.

۲. ارزیابی خودکار Imaging Biomarkers

یکی از مهم‌ترین کاربردهای AI، استخراج خودکار Imaging Biomarkers است. این بیومارکرها شامل حجم ضایعه، اندازه‌گیری‌های RECIST، مقادیر ADC در MRI، شاخص‌های متابولیک نظیر SUVmax و Total Lesion Glycolysis در PET، و همچنین ویژگی‌های Radiomics مانند Texture، Shape و Histogram Analysis هستند. خودکارسازی این فرآیند علاوه بر کاهش زمان تحلیل، خطای بین پژوهشگران (Interobserver Variability) را به حداقل رسانده و تکرارپذیری نتایج را افزایش می‌دهد.

۳. پایش پاسخ به درمان (Treatment Response Monitoring)

در بسیاری از کارآزمایی‌های بالینی، ارزیابی پاسخ درمان بر اساس تغییرات اندازه ضایعات انجام می‌شود؛ با این حال، الگوریتم‌های هوش مصنوعی قادرند تغییرات بسیار ظریف در ساختار، بافت و عملکرد ضایعات را پیش از تغییرات مورفولوژیک آشکار شناسایی کنند. این قابلیت امکان ارزیابی زودهنگام اثربخشی درمان، تشخیص مقاومت دارویی و پیش‌بینی بقای بیمار را فراهم می‌سازد و می‌تواند طراحی مطالعات تطبیقی (Adaptive Clinical Trials) را نیز تسهیل کند.

۴. افزایش بهره‌وری در مطالعات چندمرکزی

در کارآزمایی‌های چندمرکزی، تفاوت در پروتکل‌های تصویربرداری، تجهیزات و روش‌های تحلیل می‌تواند موجب ناهمگنی داده‌ها شود. هوش مصنوعی با انجام کنترل کیفیت تصاویر، سگمنتیشن خودکار، استانداردسازی اندازه‌گیری‌ها و تولید گزارش‌های ساختاریافته، زمان تحلیل تصاویر را به میزان قابل توجهی کاهش داده و هماهنگی بین مراکز مختلف را افزایش می‌دهد. این موضوع نه تنها هزینه مطالعات را کاهش می‌دهد، بلکه کیفیت داده‌های نهایی را نیز ارتقا می‌بخشد.

۵. چالش‌ها و چشم‌انداز آینده

با وجود پیشرفت‌های چشمگیر، استفاده از AI در کارآزمایی‌های بالینی همچنان با چالش‌هایی مانند نیاز به اعتبارسنجی، شفافیت الگوریتم‌ها، سوگیری داده‌ها، حفظ حریم خصوصی بیماران و الزامات قانونی سازمان‌های نظارتی روبه‌رو است. با این حال، انتظار می‌رود در آینده نزدیک، هوش مصنوعی به بخشی جدایی‌ناپذیر از طراحی، اجرا و تحلیل کارآزمایی‌های بالینی تبدیل شود و نقش مهمی در توسعه Precision Medicine و Imaging-driven Clinical Trials ایفا کند.

جمع‌بندی
هوش مصنوعی دیگر صرفاً یک ابزار کمکی در تصویربرداری پزشکی نیست؛ بلکه به یکی از ارکان اصلی کارآزمایی‌های بالینی مدرن تبدیل شده است. از انتخاب دقیق بیماران و استخراج خودکار Imaging Biomarkers تا پایش پاسخ به درمان و استانداردسازی مطالعات چندمرکزی، AI می‌تواند دقت، سرعت و قابلیت تکرار مطالعات را به شکل چشمگیری افزایش داده و مسیر توسعه درمان‌های نوین را هموار سازد.


گردآورنده: پریا مظفری

References
• Enhancing clinical trial imaging workflow with AI integration
DOI: 10.1200/JCO.2025.43.16_suppl.e13662
https://doi.org/10.1200/JCO.2025.43.16_suppl.e13662
• A Review on the Use of Imaging Biomarkers in Oncology Clinical Trials: Quality Assurance Strategies for Technical Validation
DOI: 10.3390/tomography9050149
https://doi.org/10.3390/tomography9050149
• Imaging biomarker roadmap for cancer studies
DOI: 10.1038/nrclinonc.2016.162
https://doi.org/10.1038/nrclinonc.2016.162
• Effects of Artificial Intelligence Implementation on Efficiency in Medical Imaging: A Systematic Review and Meta-analysis
DOI: 10.1038/s41746-024-01248-9
https://doi.org/10.1038/s41746-024-01248-9

➖➖➖➖➖➖➖➖➖➖➖

🩻 در انجمن رادیولوژی شبکهٔ نخبگان ایران با ما همراه باشید…
✅ @Radiology_Association ☢️
🌐 www.stusciradio.com 🤖
📱 Stu.sci.radio
⚙️ Insta Channel (Board) 🆕
📱 LinkedIn ✅
🎵 Castbox Channel
🎵 Spotify Channel
🇮🇷 @IranElitesNet

انجمن علمی رادیولوژی pinned a photo

📣5️⃣ پنجمین فراخوان سالانه عضویت در تیم اجرایی انجمن رادیولوژی شبکه نخبگان ایران

➖➖➖➖➖➖➖➖➖➖

📈 انجمن رادیولوژی شبکه نخبگان ایران، از علاقه‌مندان فعال، مسئولیت‌پذیر و خلاق دعوت می‌نماید تا در راستای توسعه فعالیت‌های علمی و رسانه‌ای این انجمن، به تیم اجرایی بپیوندند.

🤝 حوزه‌های همکاری:
📱 طراحی پوستر و تدوین ویدئو
📱 گویندگی پادکست
📱 تولید محتوای کانال تلگرامی انجمن
📱 تولید محتوای صفحه اینستاگرام انجمن
📱 تولید و بارگذاری محتوای علمی وب‌سایت انجمن

🔋💎همچنین، برای نخستین بار اعضای علاقه‌مند می‌توانند از ابتدای مسیر همکاری، متناسب با علایق و توانمندی‌های خود، در پروژه‌های پژوهشی انجمن نیز مشارکت نمایند.

⌛️مهلت اعلام آمادگی:
۵ الی ۱۲ شهریور ۱۴۰۵

💡 برای اعلام علاقه‌مندی و دریافت اطلاعات بیشتر، لطفاً به آیدی زیر پیام ارسال فرمایید:

@ssar_reg

💪 با پیوستن به تیم اجرایی، در ساختن یک جریان علمی پویا و اثرگذار در حوزه رادیولوژی همراه ما باشید.

➖➖➖➖➖➖➖➖➖➖➖

🩻 در انجمن رادیولوژی شبکهٔ نخبگان ایران با ما همراه باشید…
✅ @Radiology_Association ☢️
🌐 www.stusciradio.com 🤖
📱 Stu.sci.radio
⚙️ Insta Channel (Board) 🆕
📱 LinkedIn ✅
🎵 Castbox Channel
🎵 Spotify Channel
🇮🇷 @IranElitesNet

📢 فرصت #بورسیه RISE Forum انجمن انکولوژی مداخله‌ای (SIO)

🎗️انجمن انکولوژی مداخله‌ای (Society of Interventional Oncology) اعلام کرد که درخواست‌های بورسیه RISE Forum برای سال ۲۰۲۷ باز شده است.
این بورسیه ویژه محققان و پژوهشگران تازه‌کار در حوزه انکولوژی مداخله‌ای (Interventional Oncology) در نظر گرفته شده است.

مزایای بورسیه شامل:
1️⃣کمک‌هزینه سفر (از ۲۰۰ تا ۱۱۰۰ دلار بسته به محل سکونت)
2️⃣کمک‌هزینه اقامت
3️⃣عضویت رایگان در SIO تا پایان سال ۲۰۲۷
4️⃣تخفیف ۵۰ درصدی ثبت‌نام در همایش سالانه SIO ۲۰۲۷

فروم RISE یک برنامه تخصصی نیم‌روزه در تاریخ ۲۴ فوریه ۲۰۲۷ در تورنتو کانادا برگزار می‌شود و بر پژوهش، نوآوری و تبادل علمی در حوزه انکولوژی مداخله‌ای تمرکز دارد.

⏳ مهلت ارسال درخواست: ۱۸ سپتامبر ۲۰۲۶


✅ لینک ثبت‌نام و ارسال درخواست:
https://portal.sio-central.org/awards/view/RISE-FORUM-SCHOLARSHIP

📄 صفحه رسمی اطلاعات:
https://www.sio-central.org/Events/Annual-Scientific-Meeting/RISE-Forum

➖➖➖➖➖➖➖➖➖➖➖

🩻 در انجمن رادیولوژی شبکهٔ نخبگان ایران با‌ ما همراه باشید…
✅ @Radiology_Association ☢️
🌐 www.stusciradio.com 🤖
📱 Stu.sci.radio
⚙️️ Insta Channel (Board) 🆕
📱 LinkedIn ✅
🎵 Castbox Channel
🎵 Spotify Channel
🇮🇷 @IranElitesNet