1⃣ روند رشد اندام را پیش‌بینی کرده و احتمال بروز ناهنجاری‌های رشدی را پیش از ظهور بالینی مشخص می‌کنند.
2⃣ می‌توانند تأثیر مداخلات درمانی مانند ارتوز یا جراحی را در قالب شبیه‌سازی پیش‌بینی کنند.
3⃣ با ادغام داده‌های چندوجهی، درمان را شخصی‌سازی کرده و بهترین مسیر اصلاحی را برای هر بیمار پیشنهاد دهند.
4⃣ به عنوان یک دستیار تصمیم‌یار بالینی (AI clinical assistant) در کنار پزشک، برنامه‌ی درمانی را هوشمند و مبتنی بر داده می‌سازند.

"AI-Driven Prediction and Treatment Planning in Pediatric Orthopaedic Deformities"

🔒 حریم خصوصی و امنیت داده‌ها: در پاسخ به این سوال که «چگونه اطمینان حاصل کنیم که اطلاعات پزشکی بیماران محرمانه باقی می‌ماند و از دسترسی‌های غیرمجاز محافظت می‌شود؟» چرا که نشت این داده‌ها می‌تواند به تبعیض و سوءاستفاده منجر شود.
💠 رضایت آگاهانه: در پاسخ به این سوال که «آیا بیماران به درستی می‌دانند داده‌هایشان چگونه و برای چه هدفی استفاده می‌شود؟» زیرا کسب رضایت شفاف و آگاهانه، یک اصل بنیادین اخلاقی است که نباید نادیده گرفته شود.
🎯 سوگیری الگوریتم‌ها: اگر شبکه‌های عصبی با داده‌های جمع‌آوری‌شده از یک گروه خاص جمعیتی آموزش ببینند، ممکن است برای سایر گروه‌ها عملکرد دقیقی نداشته باشند. این سوگیری می‌تواند نابرابری‌های موجود در سیستم سلامت را حتی تشدید هم کند که مطلوب ما نیست.
💠 مسئولیت‌پذیری: یک سوال مهم وجود دارد و آن، این است که «وقتی یک مدل هوش مصنوعی در تشخیص یا درمان دچار خطا می‌شود، چه کسی مسئول است؟» پزشک، توسعه‌دهنده الگوریتم یا بیمارستان؟ بنابراین تعیین چارچوب‌های مشخص برای مسئولیت‌پذیری ضروری است.

"Ethical and Safety Considerations for Medical Data in Neural Networks"

💠 در مسابقه Hactivity Time، شما فرصتی خواهید داشت تا به‌صورت عملی با مفهوم حملات متنی تهاجمی (Adversarial Text Attacks) آشنا شوید.
⏪ این چالش جایی است که خلاقیت و دانش زبانی شما می‌تواند از الگوریتم‌ها پیشی بگیرد! هدف ما هم از این حملات، نه فریب دادن مدل‌ها، بلکه درک عمیق‌تر رفتار آن‌ها، بررسی الگوهای زبانی، ساختارهای امنیتی و محدودیت‌های هم‌راستایی (Alignment) در برابر ورودی‌های غیرمنتظره است.