مهندس یادگیری ماشین تصویربرداری پزشکی
Machine Learning Engineer, Medical Imaging
مهندس یادگیری ماشین تصویربرداری پزشکی مدل‌هایی می‌سازد که تصویرهای پزشکی را تحلیل می‌کنند: سی‌تی (CT)، ام‌آرآی (MRI)، تصویر اشعهٔ ایکس، سونوگرافی و اسلاید دیجیتال پاتولوژی. کار روزمره قطعه‌بندی اندام‌ها و ضایعه‌ها (segmentation)، هم‌ترازی تصویرها (registration)، تشخیص و اندازه‌گیری است و مدل باید تا محصولی برسد که به‌عنوان تجهیزات پزشکی مجوز می‌گیرد و پزشک در عمل با آن کار می‌کند. نام قدیمی این صفحه، «متخصص تصویربرداری پزشکی هوشمند» (AI Medical Imaging Specialist)، عنوان شغلی نیست و در جستجوی ما در اکتبر ۲۰۲۶ هیچ آگهی‌ای با آن پیدا نشد. کارفرماها همین کار را با عنوان‌هایی مثل Machine Learning Engineer, Medical Imaging، AI Applied Scientist، Data Scientist, Medical Imaging و Machine Learning Scientist (در پاتولوژی دیجیتال) آگهی می‌کنند. عنوان‌هایی که واژهٔ Specialist دارند در این حوزه بیشتر نقش‌های بالینی‌اند، مثل برچسب‌زنی تصویر.
مقدمه و تعریف شغل
مهندس یادگیری ماشین تصویربرداری پزشکی (Machine Learning Engineer, Medical Imaging) الگوریتم‌ها و مدل‌های یادگیری عمیقی می‌سازد که روی تصویرهای دوبعدی و سه‌بعدی پزشکی کار می‌کنند و آن‌ها را تا محصولی می‌برد که در بیمارستان، کلینیک یا اتاق عمل به کار می‌رود. در آگهی‌های ۲۰۲۶ کار اصلی قطعه‌بندی ساختارهای آناتومیک، هم‌ترازی تصویرهای مدالیته‌های مختلف، تشخیص و طبقه‌بندی و ساخت foundation model روی دادهٔ تصویر است. فرقش با بینایی ماشین عمومی در سه چیز است: داده (معمولاً حجم‌های سه‌بعدی از دستگاه‌هایی مثل CT و MRI)، معیار موفقیت (سنجیدن مدل با استانداردهای بالینی، کنار پزشک و فیزیکدان پزشکی) و مقررات (کار در چارچوب تجهیزات پزشکی و اصول Good Machine Learning Practice).
طبق فهرست FDA از دستگاه‌های پزشکی مجهز به AI که در آمریکا مجوز گرفته‌اند (به‌روز تا ۴ سپتامبر ۲۰۲۶)، از ۱٬۶۱۴ دستگاه این فهرست، ۱٬۲۳۰ مورد زیر پنل رادیولوژی ثبت شده‌اند (شمارش ما از جدول FDA)؛ یعنی بیشتر AIهای مجوزدار این فهرست در حوزهٔ رادیولوژی‌اند. کارفرماهای این نقش متنوع‌اند: سازندهٔ ربات جراحی (Intuitive)، نرم‌افزار برنامه‌ریزی پرتودرمانی (RaySearch)، کلینیک‌های MRI تمام‌بدن (Prenuvo)، تحلیل CT قلب (Heartflow) و پاتولوژی دیجیتال (PathAI و Artera). عنوان آگهی‌ها هم یکدست نیست و همین کار با عنوان‌های ML Engineer، Applied Scientist، Data Scientist و ML Scientist آگهی می‌شود؛ در جستجوی کار، کنار عنوان، واژه‌هایی مثل medical imaging، segmentation و DICOM را هم امتحان کنید.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس یادگیری ماشین تصویربرداری پزشکی
قطعه‌بندی و ناوبری برای جراحی رباتیک
در آگهی Intuitive، مهندس روی نرم‌افزار برنامه‌ریزی و هدایت سیستم Ion کار می‌کند؛ رباتی برای نمونه‌برداری کم‌تهاجمی از ریه. الگوریتم‌ها ساختارهای ریه را قطعه‌بندی می‌کنند، تصویرهای CT، CBCT و اشعهٔ ایکس را با هم ترکیب می‌کنند و محل هدف را پیدا می‌کنند.
قطعه‌بندی خودکار و پیش‌بینی دوز در پرتودرمانی
تیم ML در RaySearch روی قطعه‌بندی تصویر، ساخت تصویر مصنوعی، برنامه‌ریزی درمان و پیش‌بینی دوز کار می‌کند. به گفتهٔ Fabian Isensee، در پرتودرمانی پزشکان معمولاً بافت سرطانی و ساختارهای اطراف را خودشان علامت می‌زنند و این کار اغلب چند ساعت طول می‌کشد؛ مدل قطعه‌بندی بخشی از این کار را برمی‌دارد.
foundation model برای MRI تمام‌بدن
Prenuvo از مدل‌های تک‌منظوره به سمت foundation model می‌رود: backbone از پیش آموزش‌دیده با self-supervised learning، چند head برای وظایف مختلف و ترکیب تصویر با گزارش رادیولوژی، دادهٔ آزمایشگاه و سابقهٔ بیمار.
تحلیل اسلاید پاتولوژی
Artera از روی تصویر کامل اسلاید (whole-slide image) و دادهٔ بالینی مدل‌هایی می‌سازد که پیامد بیمار و سود درمان را پیش‌بینی می‌کنند یا ویژگی مولکولی را مستقیم از اسلاید تخمین می‌زنند. PathAI هم الگوریتم‌های هیستوپاتولوژی را در پژوهش، آزمایشگاه پاتولوژی و کارآزمایی بالینی به کار می‌برد.
سنجش اثر دستگاه و پروتکل بر دقت مدل
در آگهی Heartflow، دانشمند داده بررسی می‌کند شرایط متنوع تصویربرداری چطور ظاهر تصویر و در نتیجه دقت و تکرارپذیری الگوریتم‌ها را تغییر می‌دهد، روش هماهنگ‌سازی (harmonization) تصویر می‌سازد و پروتکل برچسب‌زنی برای آموزش و برای پرونده‌های FDA می‌نویسد.
اجرای بلادرنگ مدل روی دستگاه پزشکی
Intuitive از مهندس می‌خواهد مدل آموزش‌دیده را در محیط تولیدی C++ جا بدهد و با quantization، pruning و شتاب‌دهی سخت‌افزاری کاری کند که روی سیستم‌های پزشکی با منابع محدود در زمان واقعی اجرا شود.
تخصص‌های مختلف مهندس یادگیری ماشین تصویربرداری پزشکی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
هوش مصنوعی رادیولوژی
Radiology AI
مدل روی CT، MRI و اشعهٔ ایکس برای قطعه‌بندی، تشخیص و استخراج biomarker؛ مثل foundation model برای MRI تمام‌بدن در Prenuvo و تحلیل CT عروق کرونر در Heartflow.
پاتولوژی محاسباتی
Computational Pathology
کار با تصویرهای بسیار بزرگ اسلاید و روش‌هایی مثل multiple-instance learning؛ Artera و PathAI در این شاخه‌اند و Artera foundation model پاتولوژی خودش را از صفر آموزش می‌دهد.
هدایت تصویری و ناوبری جراحی
Image-Guided Intervention
ترکیب و هم‌ترازی تصویرهای پیش و حین عمل برای هدایت ابزار یا ربات؛ آگهی Intuitive برای سیستم Ion نمونهٔ آن است و در آن، C++ و اجرای بلادرنگ هم خواسته شده است.
AI در پرتودرمانی
Radiation Oncology AI
قطعه‌بندی خودکار اندام‌ها و تومور، ساخت تصویر مصنوعی و پیش‌بینی دوز برای برنامه‌ریزی درمان؛ حوزهٔ کار دپارتمان ML در RaySearch که با فیزیکدان پزشکی و انکولوژیست همکاری می‌کند.
علم داده و اعتبارسنجی تصویر
Imaging Data Science & Validation
تمرکز روی داده: توزیع داده در جمعیت‌های مختلف بیماران، هماهنگ‌سازی تصویرها، پروتکل برچسب‌زنی و آمار تکرارپذیری؛ مثل نقش Senior Data Scientist, Medical Imaging در Heartflow.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
مهندس بینایی ماشین بیشتر در رباتیک، خودروی خودران، پهپاد و بازرسی خط تولید کار می‌کند و با دوربین، کالیبراسیون و هندسهٔ سه‌بعدی سروکار دارد. در تصویربرداری پزشکی پایهٔ یادگیری عمیق همان است، اما داده بیشتر حجم سه‌بعدی از دستگاه‌هایی مثل CT و MRI است و جعبه‌ابزار هم فرق می‌کند: آگهی Intuitive کنار PyTorch و OpenCV، کار با MONAI، ITK و VTK را می‌خواهد. README نرم‌افزار nnU-Net هم می‌نویسد در دادهٔ زیست‌پزشکی، مدل‌های آمادهٔ آموزش‌دیده روی تصویرهای طبیعی اغلب انتخاب مناسبی نیستند. این صفحه شاخهٔ پزشکی همان مهارت‌هاست و صفحهٔ مهندس بینایی ماشین بقیهٔ صنایع را پوشش می‌دهد.
آگهی‌های صفحهٔ مهندس یادگیری عمیق بیشتر دربارهٔ شبکه‌های عصبی روی تصویر، ویدیو و دادهٔ حسگرند که اغلب باید روی سخت‌افزار محدودی مثل دوربین یا پهپاد اجرا شوند. مهندس تصویربرداری پزشکی هم شبکه را خودش آموزش می‌دهد، اما مسئلهٔ اصلی‌اش دادهٔ کم و پرهزینه با برچسب متخصص بالینی، تفاوت دستگاه‌ها و مراکز و اعتبارسنجی بالینی است؛ Artera مثلاً تکرارپذیری امتیاز مدل را در اسکنرها، مؤسسه‌ها، پروتکل‌های رنگ‌آمیزی و جمعیت‌های مختلف بیماران جزو مسئولیت‌ها آورده است.
مهندس AI بالینی بیشتر با مدل‌های زبانی، گفتار و پروندهٔ الکترونیک سلامت (EHR) محصول می‌سازد: یادداشت‌نویسی خودکار ویزیت، ایجنت گفت‌وگو با بیمار و اتصال به EHR. مهندس تصویربرداری پزشکی با پیکسل و وکسل کار می‌کند و خروجی‌اش قطعه‌بندی، اندازه‌گیری یا پیش‌بینی از روی تصویر است. وجه مشترک دو نقش مقررات تجهیزات پزشکی و کار نزدیک با پزشکان است و در مدل‌های چندوجهی به هم می‌رسند: Prenuvo برای نقش جداگانه‌ای با گرایش Agentic، fine-tuning مدل زبانی روی گزارش‌های رادیولوژی و اتصال foundation modelهای تصویر به LLM را می‌خواهد.
دانشمند داده‌های سلامت با EHR، دادهٔ بیمه و کارآزمایی بالینی به سؤال‌هایی دربارهٔ بیماری، اثر درمان و ریسک بیماران پاسخ می‌دهد و خروجی کارش بیشتر تحلیل و شواهد است. مهندس تصویربرداری پزشکی مدلی می‌سازد که خودِ تصویر را می‌خواند. مرز جایی باریک می‌شود که آمار و تصویر به هم می‌رسند: آگهی Senior Data Scientist, Medical Imaging در Heartflow هم یادگیری عمیق روی تصویر پزشکی می‌خواهد و هم آمار تکرارپذیری و توافق، مثل intraclass correlation و Bland-Altman.
تأثیر در صنایع مختلف
مهندس یادگیری ماشین تصویربرداری پزشکی در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
رادیولوژی و تصویربرداری تشخیصی
در فهرست FDA از دستگاه‌های پزشکی مجهز به AI (به‌روز تا ۴ سپتامبر ۲۰۲۶)، ۱٬۲۳۰ مورد از ۱٬۶۱۴ دستگاه زیر پنل رادیولوژی ثبت شده‌اند
سرطان و پرتودرمانی
RaySearch می‌گوید نرم‌افزارش در بیش از ۱۲۰۰ کلینیک در بیش از ۵۴ کشور به کار می‌رود؛ دپارتمان ML آن روی قطعه‌بندی، ساخت تصویر مصنوعی و پیش‌بینی دوز کار می‌کند
جراحی رباتیک
سیستم Ion در Intuitive برای نمونه‌برداری کم‌تهاجمی از ریه ساخته شده و به گفتهٔ آگهی، هدف اولیه‌اش بهبود تشخیص زودهنگام سرطان ریه است؛ قطعه‌بندی و هم‌ترازی تصویر ناوبری آن را ممکن می‌کند
قلب و عروق
Heartflow از روی CT عروق کرونر مدل سه‌بعدی رنگی از شریان‌ها می‌سازد که اثر تنگی‌ها بر جریان خون را نشان می‌دهد؛ به گفتهٔ خود شرکت، برای بیش از ۷۵۰ هزار بیمار به کار رفته است
پاتولوژی و انکولوژی دقیق
به گفتهٔ Artera، آزمون مبتنی بر AI آن برای سرطان پروستات در آمریکا جزو استاندارد مراقبت است؛ مدل‌هایش از روی اسلاید و دادهٔ بالینی سود درمان را پیش‌بینی می‌کنند
پیشگیری و غربالگری
Prenuvo اسکن MRI تمام‌بدن را در کمتر از یک ساعت و بدون ماده حاجب انجام می‌دهد و تیم AI آن روی foundation model برای همین تصویرها کار می‌کند
داروسازی و کارآزمایی بالینی
PathAI الگوریتم‌های هیستوپاتولوژی را در پژوهش انتقالی، آزمایشگاه‌های پاتولوژی و کارآزمایی‌های بالینی به کار می‌برد
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
برای این کار باید پزشک یا رادیولوژیست بود
آگهی‌های مهندسی مدرک کامپیوتر، برق یا مهندسی پزشکی می‌خواهند: Intuitive کارشناسی ارشد یا دکترا در همین رشته‌ها و RaySearch کارشناسی ارشد کامپیوتر یا یادگیری ماشین. دانش بالینی بیشتر از همکاری با پزشک و فیزیکدان پزشکی به دست می‌آید؛ Artera نوشته دانش انکولوژی نامزد را در محل کار عمیق‌تر می‌کند و فقط پیش‌زمینه‌ای در زیست‌شناسی یا علوم زیست‌پزشکی، حتی از راه درس، می‌خواهد.
«متخصص تصویربرداری پزشکی با AI» یعنی همین شغل
در آگهی‌ها، عنوان‌های Specialist در این حوزه بیشتر نقش‌های بالینی‌اند. Clinical AI Specialist در Viz.ai تصویر و سیگنال پزشکی را برچسب می‌زند، نتایج برچسب‌زنی را بازبینی می‌کند و کارشناسی یا ارشد علوم اعصاب یا رشته‌های سلامت می‌خواهد. کسی که مدل می‌سازد معمولاً ML Engineer، Applied Scientist یا ML Scientist نامیده می‌شود؛ برای جستجوی کار همین عنوان‌ها را به کار ببرید.
مدل‌های آمادهٔ بینایی ماشین روی تصویر پزشکی هم همان‌طور کار می‌کنند
README نرم‌افزار nnU-Net می‌گوید این ابزار به‌خصوص در آموزش از صفر روی دادهٔ زیست‌پزشکی خوب کار می‌کند، جایی که مدل‌های آمادهٔ آموزش‌دیده روی تصویرهای طبیعی اغلب انتخاب مناسبی نیستند. در عین حال معماری‌های تازه هم وارد این حوزه شده‌اند: Intuitive کار با ViT، DINO، مدل‌های diffusion و VLM را روی دادهٔ بالینی می‌خواهد و Prenuvo foundation model با self-supervised learning می‌سازد. هر دو رویکرد را باید بشناسید و با آزمایش تصمیم بگیرید.
اگر Dice روی دادهٔ تست بالا بود، مدل آماده است
مقالهٔ Metrics Reloaded (Nature Methods، ۲۰۲۴) می‌نویسد ایراد در اعتبارسنجی الگوریتم‌های یادگیری ماشین مشکلی جهانی و دست‌کم‌گرفته‌شده است و در تحلیل تصویر زیست‌پزشکی، معیارهای انتخاب‌شده اغلب آنچه را برای حوزه مهم است نمی‌سنجند. Heartflow هم نقشی دارد که محورش فهمیدن این است که شرایط مختلف تصویربرداری چطور دقت و تکرارپذیری مدل را تغییر می‌دهد.
مقررات کار تیم حقوقی است، نه مهندس
Intuitive توسعهٔ مدل را «در هم‌راستایی دقیق با اصول GMLP» می‌خواهد و نوشتن مستندات رسمی طراحی را جزو وظایف آورده است. Artera نوشتن و دفاع از مستندات تنظیم‌گری و کیفیت را از سطح ارشد می‌خواهد و Heartflow نوشتن پروتکل برچسب‌زنی برای پرونده‌های FDA را. IMDRF اصول GMLP را در ژانویهٔ ۲۰۲۵ در ۱۰ بند نهایی کرده است.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر وقت صرف آماده‌کردن داده و اجرای آزمایش‌هایی می‌شود که یک دانشمند یا مهندس ارشد تعریف کرده است: تبدیل DICOM، بازبینی برچسب‌ها، آموزش و ارزیابی. Artera برای نقش ML Scientist یک سال تجربهٔ ساخت مدل یادگیری عمیق، در صنعت یا پژوهش جدی دوران تحصیل، را کافی می‌داند.
- ◆تبدیل یک سری DICOM به حجم سه‌بعدی و بررسی spacing و جهت تصویر پیش از آموزش
- ◆اجرای یک baseline با nnU-Net یا MONAI روی دادهٔ تازه و گزارش Dice و خطاهای رایج
- ◆مرور نمونه‌هایی که مدل در آن‌ها اشتباه کرده، همراه با متخصص برچسب‌زنی یا پزشک
- ◆نوشتن تست برای خط پردازش داده
میانی (۲–۵ سال)
مسئولیت یک مسئلهٔ مشخص، مثلاً قطعه‌بندی یک اندام، از طراحی آزمایش تا مدلی که معیار پذیرش را پاس کند. RaySearch از این سطح می‌خواهد آزمایش طراحی کنید، روش ارزیابی مناسب تعریف کنید، نتایج را با معیارهای بالینی بسنجید و با فیزیکدان پزشکی و انکولوژیست مرور کنید.
- ◆طراحی تقسیم داده بر اساس بیمار و مرکز تا دادهٔ تست به آموزش نشت نکند
- ◆مقایسهٔ دو معماری یا دو راهبرد آموزش و تصمیم دربارهٔ اینکه کدام به محصول برود
- ◆جلسه با فیزیکدان پزشکی برای مرور خروجی‌هایی که از معیار پذیرش رد شده‌اند
- ◆بهبود خط آموزش، اعتبارسنجی و inference روی دادهٔ بالینی بزرگ
ارشد (۵+ سال)
تمرکز روی تصمیم‌های معماری، طراحی مطالعهٔ اعتبارسنجی و مستندسازی برای تنظیم‌گری است. Intuitive از این سطح می‌خواهد الگوریتم را از ایدهٔ پژوهشی تا محصول تجاری تجهیزات پزشکی ببرد و در محیط C++ بلادرنگ مستقر کند و Prenuvo می‌خواهد مدل با اعتبارسنجی مستند و تأیید بالینی تحویل داده شود.
- ◆تعریف مطالعهٔ اعتبارسنجی و معیارهای پذیرش با تیم‌های بالینی و تنظیم‌گری
- ◆تصمیم دربارهٔ بهینه‌سازی مدل (quantization، pruning، TensorRT یا ONNX) برای اجرا روی سخت‌افزار دستگاه
- ◆نوشتن مستندات طراحی و بازبینی کد و آزمایش‌های تیم
- ◆تعیین نقشهٔ راه فنی یک حوزه و منتورینگ اعضای تازه
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈طراحی، آموزش و ارزیابی مدل‌های یادگیری عمیق برای قطعه‌بندی، تشخیص و طبقه‌بندی روی تصویرهای دوبعدی و سه‌بعدی پزشکی
- ◈هم‌ترازی و ترکیب تصویرهای مدالیته‌های مختلف، مثل CT، CBCT و اشعهٔ ایکس
- ◈ساخت خط داده برای آموزش، اعتبارسنجی، ارزیابی و inference روی دیتاست‌های بالینی بزرگ
- ◈طراحی آزمایش، تعریف روش ارزیابی و سنجیدن خروجی مدل با معیارهای بالینی و معیار پذیرش
- ◈تعریف معیار برچسب‌زنی و استاندارد کیفیت داده، همراه با متخصصان بالینی
- ◈بهینه‌سازی و استقرار مدل در نرم‌افزار دستگاه، از جمله ادغام در C++ برای اجرای بلادرنگ
- ◈همکاری نزدیک با فیزیکدان پزشکی، پزشک، تیم محصول و مهندسان نرم‌افزار
- ◈دنبال کردن مقاله‌ها و روش‌های تازه و تصمیم دربارهٔ اینکه کدام ارزش ورود به محصول را دارد
- ◈مستندسازی طراحی و اعتبارسنجی برای فرایند تنظیم‌گری تجهیزات پزشکی
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس یادگیری ماشین تصویربرداری پزشکی موفق به آن‌ها نیاز دارد
مهارت‌های فنی
Intuitive، RaySearch، Heartflow و PathAI آن را صریحاً می‌خواهند؛ RaySearch بر کد تمیز و قابل‌نگهداری در سطح پروداکشن تأکید می‌کند
چارچوب اصلی آموزش مدل؛ Prenuvo تسلط در سطح متخصص می‌خواهد
هستهٔ کار؛ از قطعه‌بندی ساختارهای ریه در Intuitive تا قطعه‌بندی برای پرتودرمانی در RaySearch
DICOM، حجم سه‌بعدی و ویژگی‌های فیزیکی تصویربرداری؛ Heartflow «فهم عمیق ساختار دادهٔ تصویر پزشکی» را شرط گذاشته است
RaySearch طراحی آزمایش، تعریف روش ارزیابی مناسب و تحلیل رفتار مدل را جزو کار روزمره آورده است
Intuitive آن را کنار قطعه‌بندی می‌خواهد و RaySearch آن را امتیاز می‌داند
جعبه‌ابزار تخصصی تصویر پزشکی که Intuitive صریحاً می‌خواهد
Intuitive کار با nnU-Net، ViT، DINO، مدل‌های diffusion و VLM را روی دادهٔ بالینی می‌خواهد
Intuitive تسلط به C++ و ابزارهایی مثل TensorRT یا ONNX را برای اجرای بلادرنگ می‌خواهد
کنترل نسخه، code review، تست و CI/CD؛ شرط آگهی RaySearch
شرط Prenuvo (masked image modeling، contrastive learning، روش‌های JEPA) و امتیاز Artera (مثلاً DINOv3)
Heartflow تسلط به intraclass correlation، Bland-Altman و Gage R&R را می‌خواهد
مهارت‌های نرم
Intuitive ارتباط گفتاری و نوشتاری عالی با تیم‌های بالینی و مهندسی را می‌خواهد و RaySearch همکاری نزدیک با فیزیکدان پزشکی و انکولوژیست را
RaySearch کسی را می‌خواهد که برای یک مسئله خودش بررسی کند، برنامه بریزد و اجرا کند و بداند کی از همکار کمک بگیرد
PathAI توان توضیح مفاهیم فنی به غیرمتخصص را ترجیح می‌دهد و Heartflow تبدیل تحلیل‌های پیچیده به بینش روشن را
Prenuvo استاندارد بالای دقت علمی را در کنار سرعت تحویل می‌خواهد
مستندات رسمی طراحی در Intuitive و مستندات تنظیم‌گری و کیفیت در Artera
دانش حوزه‌ای
شناخت CT، CBCT، MRI و اشعهٔ ایکس؛ Heartflow تجربه با دادهٔ CT از چند سازنده و شناخت پروتکل‌های اخذ و بازسازی تصویر را امتیاز می‌داند
GMLP در Intuitive، فرایند 510(k) به‌عنوان امتیاز در Prenuvo و محصولات SaMD در Heartflow
Prenuvo معیار برچسب‌زنی و استاندارد کیفیت داده را بر عهدهٔ دانشمند می‌گذارد و Heartflow نوشتن پروتکل برچسب‌زنی را
Artera تکرارپذیری امتیاز مدل را در اسکنرها، مؤسسه‌ها و جمعیت‌های مختلف بیماران جزو مسئولیت‌ها آورده است
Artera پیش‌زمینه‌ای در انکولوژی، زیست‌شناسی یا علوم زیست‌پزشکی را، از درس، پژوهش یا کار، می‌خواهد
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس یادگیری ماشین تصویربرداری پزشکی
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه‌ها: Python، ریاضی و آمار
Python را تا حدی یاد بگیرید که با آرایه‌ها و فایل‌ها راحت کار کنید و جبر خطی و آمار پایه را مرور کنید. آگهی RaySearch، در کنار Python در سطح کد پروداکشن، دانش ساختمان داده، الگوریتم، آمار و ریاضیات کاربردی را شرط گذاشته است. Git را هم از همین ابتدا یاد بگیرید.
یادگیری عمیق و بینایی ماشین با PyTorch
شبکه‌های کانولوشنی، معماری U-Net، Vision Transformer و روش‌های ارزیابی مدل را یاد بگیرید و با PyTorch پیاده کنید. PyTorch در آگهی‌های Intuitive، RaySearch، Prenuvo، Heartflow و Artera نام برده شده است.
دادهٔ تصویر پزشکی: DICOM، NIfTI و ITK
تصویر پزشکی معمولاً حجمی سه‌بعدی است که فاصلهٔ وکسل، جهت و اطلاعات دستگاه همراهش ذخیره می‌شود. یاد بگیرید یک سری DICOM را بخوانید، به حجم سه‌بعدی تبدیل کنید، resample کنید و در 3D Slicer ببینید. آگهی Heartflow «فهم عمیق ساختار دادهٔ تصویر پزشکی و واقعیت‌های فیزیکی و بالینی تصویربرداری» را شرط گذاشته و Intuitive کار با ITK و VTK را.
قطعه‌بندی و ارزیابی با MONAI و nnU-Net
با آموزش‌های MONAI یک مدل قطعه‌بندی سه‌بعدی بسازید و بعد همان مسئله را با nnU-Net حل کنید، که خودش پیش‌پردازش، معماری و آموزش را با دیتاست تطبیق می‌دهد. پیش از مدل، داده را بشناسید: یک آموزش freeCodeCamp (۲۰۲۶) نشان می‌دهد چطور ویژگی‌های داده باید تصمیم‌های خط پردازش را تعیین کنند. معیار ارزیابی را هم آگاهانه انتخاب کنید؛ چارچوب Metrics Reloaded برای همین ساخته شده است.
منابع پیشنهادی
اعتبارسنجی بالینی، مقررات و استقرار
مدلی که در محصول پزشکی به کار می‌رود باید با دادهٔ چند مرکز و دستگاه سنجیده شود، مستند شود و در نرم‌افزار دستگاه با سرعت کافی اجرا شود. اصول Good Machine Learning Practice را بخوانید؛ IMDRF آن‌ها را در ژانویهٔ ۲۰۲۵ در ۱۰ بند نهایی کرده است. بعد یاد بگیرید مدل را به ONNX ببرید و با ابزاری مثل TensorRT سریع‌تر کنید؛ Intuitive هر دو را در شرایط آگهی آورده است.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
زبان و چارچوب یادگیری عمیق
چارچوب متن‌باز تصویر پزشکی روی PyTorch؛ به گزارش NVIDIA تا مارس ۲۰۲۳ بیش از یک میلیون بار دانلود شده و Intuitive آن را در شرایط آگهی آورده است
کار با دادهٔ تصویر پزشکی
نرم‌افزار رایگان و متن‌باز برای دیدن، پردازش، قطعه‌بندی، هم‌ترازی و تحلیل تصویر سه‌بعدی پزشکی
مدل‌ها و ابزارهای آماده
چارچوب قطعه‌بندی که خط پردازش را خودش با دیتاست تطبیق می‌دهد؛ نقطهٔ شروع رایج و در آگهی Intuitive نام برده شده است
قطعه‌بندی بیشتر ساختارهای اصلی آناتومی در تصویر CT یا MR؛ برای baseline یا ساخت برچسب اولیه
استقرار و بهینه‌سازی
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
ML Scientist / مهندس جونیور
۰ تا ۲ سال
آماده‌سازی داده، اجرای آزمایش و ارزیابی مدل زیر نظر یک دانشمند یا مهندس ارشد. Artera برای ML Scientist در پاتولوژی محاسباتی یک سال تجربهٔ ساخت مدل یادگیری عمیق، در صنعت یا پژوهش جدی دوران تحصیل، می‌خواهد و بازهٔ ۱۴۰ تا ۱۸۰ هزار دلار اعلام کرده است
مهندس یادگیری ماشین تصویربرداری پزشکی
۲ تا ۵ سال
~$142K
میانگین سالانه (آمریکا)
مسئولیت یک مسئله، مثلاً قطعه‌بندی یک اندام، از طراحی آزمایش تا مدلی که معیار پذیرش بالینی را پاس کند. RaySearch حداقل ۴ سال تجربه می‌خواهد و PathAI برای سطح II، کارشناسی ارشد به‌اضافهٔ ۲ تا ۴ سال
مهندس ارشد / Senior Applied Scientist
۵+ سال
بردن الگوریتم از ایدهٔ پژوهشی تا محصول تجهیزات پزشکی، طراحی مطالعهٔ اعتبارسنجی، استقرار در C++ و مستندسازی. Intuitive، Heartflow و PathAI (سطح III) پنج سال تجربه یا بیشتر می‌خواهند؛ Heartflow و PathAI با دکترا به سه سال رضایت می‌دهند
Staff / Tech Lead
پس از سطح ارشد
رهبری فنی یک محصول بالینی از صورت‌بندی مسئله با تیم‌های بالینی و آمار زیستی تا پروندهٔ تنظیم‌گری و استقرار. Artera برای این نقش ۵ سال تجربه به‌اضافهٔ ۲ سال رهبری فنی می‌خواهد و بازهٔ ۱۸۰ تا ۲۶۰ هزار دلار اعلام کرده است
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
دادهٔ برچسب‌خوردهٔ کم و پرهزینه
عمومیبرچسب تصویر پزشکی را معمولاً متخصص بالینی می‌زند و این کار وقت‌گیر است. Viz.ai برای همین کار نقش جداگانهٔ Clinical AI Specialist با پیش‌زمینهٔ علوم سلامت دارد و Prenuvo و Heartflow تعریف معیار و پروتکل برچسب‌زنی را بر عهدهٔ دانشمند ML گذاشته‌اند.
تفاوت دستگاه‌ها، مراکز و پروتکل‌ها
عمومیمدلی که روی دادهٔ یک بیمارستان خوب کار می‌کند ممکن است روی دستگاه یا پروتکل دیگری افت کند. Heartflow نقشی دارد که محور آن بررسی اثر شرایط تصویربرداری بر دقت و تکرارپذیری مدل است و Artera تکرارپذیری امتیاز مدل در اسکنرها، مؤسسه‌ها و پروتکل‌های رنگ‌آمیزی را از مهندس ارشد می‌خواهد.
حجم بالای تصویرهای سه‌بعدی
تحقیقاتیبه نوشتهٔ بلاگ NVIDIA، هر تصویر مغز در پروژهٔ Jorge Cardoso حدود ۱۶ میلیون وکسل داشت و حافظهٔ هر GPU از نوع A100 فقط برای پردازش یک یا دو تصویر کافی بود. مدیریت حافظه، آموزش روی تکه‌های تصویر و محاسبهٔ توزیع‌شده بخشی از کار روزمره است.
مقررات و مستندسازی
شرکت بزرگدر محصولی که تجهیزات پزشکی محسوب می‌شود، توسعهٔ مدل باید مستند و قابل‌ردیابی باشد. Intuitive توسعه در چارچوب اصول GMLP و نوشتن مستندات رسمی طراحی را می‌خواهد و Artera نوشتن و دفاع از مستندات تنظیم‌گری را. در اروپا، طبق متن قانون AI، قواعد سیستم‌های پرخطر برای AI در تجهیزات پزشکی از ۲ اوت ۲۰۲۸ اجرا می‌شود.
اجرای بلادرنگ روی سخت‌افزار محدود
شرکت بزرگدر جراحی و مداخله، مدل باید در زمان واقعی جواب بدهد. Intuitive از مهندس می‌خواهد مدل را با quantization، pruning و شتاب‌دهی سخت‌افزاری در محیط C++ روی سیستم‌های پزشکی با منابع محدود اجرا کند؛ کاری که مهارتی جدا از آموزش مدل می‌خواهد.
انتخاب معیار ارزیابی درست
عمومییک عدد خوب در Dice می‌تواند خطاهای مهم بالینی را پنهان کند. مقالهٔ Metrics Reloaded می‌نویسد در تحلیل تصویر زیست‌پزشکی، معیارهای انتخاب‌شده اغلب آنچه را برای حوزه مهم است نمی‌سنجند و این مانع ورود روش‌های یادگیری ماشین به عمل می‌شود.
حقوق و بازار کار جهانی
حقوق جهانی مهندس یادگیری ماشین تصویربرداری پزشکی
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- PathAI posting, Machine Learning Engineer II (Boston; master's + 2–4 years or PhD + 0–2), first published Aug 11, 2026: salary range; median = midpoint
- PathAI posting, Machine Learning Engineer III (Boston; master's + 5 years or PhD + 3), first published Sep 8, 2026: salary range; median = midpoint
- Heartflow posting, Senior Data Scientist, Medical Imaging (San Francisco; 5+ years or 3+ with PhD), first published Sep 21, 2026: base range, plus bonus and equity; median = midpoint
- Intuitive posting, Sr. Machine Learning Engineer, Medical Imaging (Sunnyvale; 5+ years), posted Oct 21, 2026: Region 1 band (a Region 2 band of $167,300–$240,700 is also printed); median = midpoint
- Prenuvo posting, Senior AI Applied Scientist II (Vancouver; minimum 4 years of ML experience), first published Sep 21, 2026: base salary range in CAD; median = midpoint
- Optima Search Europe, ML Engineer Salary UK HealthTech 2026 (May 4, 2026; recruiter's indicative base ranges): Senior; median = midpoint
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: دادهٔ تصویر پزشکی
DICOM و NIfTI را بشناسید، یک سری CT را به حجم سه‌بعدی تبدیل کنید و در 3D Slicer ببینید.
ماه ۲: اولین مدل قطعه‌بندی با MONAI
آموزش قطعه‌بندی سه‌بعدی طحال را اجرا کنید و بعد روی دادهٔ دیگری تکرارش کنید؛ اول داده را بشناسید، بعد مدل را بسازید.
ماه ۳: nnU-Net و ارزیابی درست
nnU-Net را روی یک تسک Decathlon اجرا کنید و با مدل خودتان مقایسه کنید؛ معیارها را با Metrics Reloaded انتخاب کنید.
ماه ۴: هم‌ترازی و دادهٔ چندمرکزی
یک پروژهٔ registration بسازید و مدل قطعه‌بندی را روی دادهٔ مرکز دیگری بسنجید.
ماه ۵: مقررات و اعتبارسنجی
اصول GMLP را بخوانید و فهرست FDA را مرور کنید تا ببینید چه محصولاتی مجوز گرفته‌اند؛ برای یکی از پروژه‌ها یک گزارش اعتبارسنجی کوتاه بنویسید.
ماه ۶: استقرار و پورتفولیو
یک مدل را به ONNX ببرید و زمان اجرا را بسنجید، پروژه‌ها را با README روشن منتشر کنید و برای نقش‌های جونیور یا ML Scientist اقدام کنید.
پروژه‌های پیشنهادی برای رزومه
قطعه‌بندی سه‌بعدی طحال با MONAI
مبتدیآموزش رسمی MONAI برای قطعه‌بندی طحال روی دیتاست Medical Segmentation Decathlon را اجرا کنید، بعد آن را تغییر دهید: augmentation دیگری امتحان کنید و اثرش را روی Dice گزارش کنید. خروجی را در 3D Slicer روی تصویر اصلی نشان دهید.
خط پردازش DICOM تا حجم آمادهٔ آموزش
مبتدییک سری CT از TCIA بگیرید، با pydicom و SimpleITK آن را به حجم سه‌بعدی تبدیل کنید، spacing را یکسان کنید، windowing بزنید و نتیجه را به NIfTI ذخیره کنید. برای هر مرحله تست بنویسید و در README توضیح دهید چرا جهت و فاصلهٔ وکسل مهم است.
nnU-Net در برابر baseline، با ارزیابی درست
متوسطروی یکی از تسک‌های Decathlon، nnU-Net را با مدل MONAI خودتان مقایسه کنید. داده را بر اساس بیمار تقسیم کنید، معیارها را با راهنمای Metrics Reloaded انتخاب کنید (مثلاً Dice در کنار یک معیار فاصلهٔ مرزی) و نمونه‌های شکست را جداگانه تحلیل کنید.
هم‌ترازی (registration) دو تصویر از یک بیمار
متوسطدو تصویر از یک بیمار در دو زمان مختلف یا با دو مدالیته را با SimpleITK هم‌تراز کنید: اول rigid و بعد deformable. دقت را با چند نقطهٔ نشانه (landmark) که خودتان در 3D Slicer علامت می‌زنید بسنجید و نتیجه را گزارش کنید.
سنجش تعمیم‌پذیری بین مراکز و استقرار سریع مدل
پیشرفتهمدلی را روی دادهٔ یک مرکز یا یک سازندهٔ دستگاه آموزش دهید و روی دادهٔ مرکز دیگری بسنجید تا افت دقت را ببینید؛ یک روش هماهنگ‌سازی یا augmentation را برای کم کردن این افت امتحان کنید. در پایان مدل را به ONNX ببرید و زمان اجرا را پیش و پس از بهینه‌سازی گزارش کنید.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
متخصص انفورماتیک پزشکی در بخش پردازش تصویر پزشکی مرکز تحقیقات سرطان آلمان (DKFZ)، در تیم Klaus Maier-Hein. به گفتهٔ خودش در گزارش Helmholtz، در پرتودرمانی پزشکان معمولاً بافت سرطانی و ساختارهای اطراف را خودشان علامت می‌زنند و این کار اغلب چند ساعت طول می‌کشد؛ هدف کار تیم او برداشتن بخشی از این بار است.
نویسندهٔ اول مقالهٔ nnU-Net در Nature Methods است؛ نامی که مخفف تلفظی «no new net» است، چون به‌جای معماری تازه، تنظیم یک روش استاندارد را برای هر دیتاست نظام‌مند و خودکار می‌کند. طبق گزارش Helmholtz (مارس ۲۰۲۱)، تیم او در Medical Segmentation Decathlon با فاصلهٔ زیاد اول شد و در سال پیش از آن، ۹ مسابقه از ۱۰ مسابقهٔ قطعه‌بندی را الگوریتم‌هایی بر پایهٔ همین برنامه بردند. nnU-Net رایگان و متن‌باز منتشر شده است.
nnU-Net معماری تازه‌ای اختراع نکرد؛ کاری را که هر تیم برای هر دیتاست دستی انجام می‌داد نظام‌مند و خودکار کرد. به نظر می‌رسد در این حوزه، مهندسی دقیق و قابل‌تکرار گاهی بیش از یک معماری تازه اثر دارد.
پژوهشگر AI در تصویربرداری پزشکی در King's College London و CTO مرکز London AI Centre. بلاگ NVIDIA او را هم‌زمان معلم، CTO، کارآفرین، پژوهشگر و از اعضای مؤسس کنسرسیوم متن‌باز MONAI معرفی می‌کند.
به نوشتهٔ بلاگ NVIDIA، تیم او با MONAI و ابرکامپیوتر Cambridge-1 راهی برای ساخت تصویرهای سه‌بعدی واقعی‌نما و با وضوح بالا از مغز انسان پیدا کرد و ۱۰۰ هزار تصویر مصنوعی مغز را رایگان در اختیار پژوهشگران سلامت گذاشت. هر کدام از این تصویرها حدود ۱۶ میلیون وکسل دارد.
کار او نشان می‌دهد در تصویربرداری پزشکی، ساختن ابزار و دادهٔ مشترک می‌تواند به اندازهٔ ساختن یک مدل خاص اثر بگذارد. مشارکت در پروژه‌های متن‌باز این حوزه، مثل MONAI، راهی برای یادگرفتن و دیده‌شدن است؛ RaySearch هم مشارکت در پروژه‌های متن‌باز را امتیاز می‌داند.
دانشمند کامپیوتر اسرائیلی-آمریکایی، متولد کیشینیف (مولداوی)، که در ۲۰ سالگی به اسرائیل مهاجرت کرد و در ۲۰۰۳ دکترای کامپیوتر را از دانشگاه Columbia گرفت. استاد MIT و مسئول هوش مصنوعی در MIT Jameel Clinic است. طبق ویکی‌پدیا، پژوهش او پیش‌تر روی پردازش زبان طبیعی بود.
پس از ابتلا به سرطان پستان در ۲۰۱۴، پژوهشش را به انکولوژی برد. طبق ویکی‌پدیا، با Connie Lehman در Massachusetts General Hospital سیستمی به نام Mirai ساخت که با تحلیل ماموگرافی، احتمال ابتلا به سرطان پستان را تا پنج سال جلوتر پیش‌بینی می‌کند. در ۲۰۱۷ بورس MacArthur را گرفت.
مسیر او نشان می‌دهد تخصص در یک شاخهٔ دیگر AI را می‌شود به تصویر پزشکی آورد، به شرط همکاری نزدیک با پزشکان؛ همان همکاری بالینی که آگهی‌های این شغل هم می‌خواهند.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Sr. Machine Learning Engineer, Medical Imaging
تحلیل نیازمندی‌ها
MS or PhD in Computer Science, Electrical Engineering, Biomedical Engineering, or a related field.
مدرک تحصیلات تکمیلی شرط است و مهندسی پزشکی (Biomedical Engineering) هم صریحاً در کنار کامپیوتر و برق آمده است. RaySearch هم کارشناسی ارشد می‌خواهد، اما Artera برای نقش جونیور خود صریحاً نوشته دکترا لازم نیست.
ضروری5+ years of hands-on industrial experience in algorithm development, with a deep specialization in medical imaging and computer vision. A proven track record of shipping commercial AI/ML software products is bonus.
پنج سال تجربهٔ صنعتی، آن هم با تخصص در تصویر پزشکی، یعنی این نقش برای ورود به حوزه نیست. سابقهٔ عرضهٔ یک محصول تجاری AI امتیاز است؛ یعنی کسی که مدلی را تا دست مشتری برده باشد.
ضروریExceptional proficiency in Python and C++, with a deep understanding of modern software component design for production environments.
Python برای پژوهش و آموزش مدل و C++ برای نرم‌افزار دستگاه. در این آگهی مدل باید در محیط C++ اجرا شود، پس C++ فقط امتیاز نیست.
ضروریProven hands-on experience with ML frameworks and software toolkits, including PyTorch, OpenCV, MONAI, ITK, VTK, and model optimization tools such as TensorRT or ONNX.
این فهرست تقریباً همهٔ جعبه‌ابزار این شغل است: PyTorch برای آموزش، MONAI و ITK و VTK برای تصویر پزشکی و TensorRT یا ONNX برای اجرای سریع. هر کدام را در یک پروژهٔ پورتفولیو نشان دهید.
مهمExperience or knowledge of the development of AI/ML features in strict alignment with Good Machine Learning Practice (GMLP) principles, ensuring data representativeness and model transparency.
«Experience or knowledge» یعنی آشنایی هم پذیرفته می‌شود. GMLP اصولی است که FDA، Health Canada و MHRA در ۲۰۲۱ منتشر کردند و IMDRF در ۲۰۲۵ نهایی کرد؛ دو نکته‌ای که آگهی برجسته کرده، نماینده بودن داده و شفافیت مدل است.
مهمExcellent verbal and written communication skills for effective cross-functional collaboration with clinical and engineering teams.
مهندس باید بتواند با پزشک و مهندس سیستم دربارهٔ خطاهای مدل و نیازهای بالینی حرف بزند و تصمیم‌ها را مکتوب کند.
مهمتحلیل مسئولیت‌ها
Drive the full cycle of medical imaging analysis software development, developing algorithms from R&D concepts into robust, commercial medical device products.
کار از ایدهٔ پژوهشی شروع می‌شود و به محصولی ختم می‌شود که تجهیزات پزشکی محسوب می‌شود؛ یعنی هم پژوهش و هم مهندسی محصول و هم مستندسازی بر عهدهٔ شماست.
Design, prototype, and implement advanced medical imaging and machine learning algorithms tailored for advanced lung structure segmentation, registration, target localization, respiratory anomaly detection, and bronchial analysis.
قطعه‌بندی و هم‌ترازی دو مهارت اصلی‌اند. در این آگهی خروجی مدل مستقیم در ناوبری ربات به کار می‌رود، پس خطای کوچک در مرز یک ساختار هم اهمیت دارد.
Apply and fine-tune state-of-the-art architectures, including nnU-Net, Vision Transformers (ViTs), DINO, Diffusion models, and Vision Language Models (VLMs), for clinical datasets.
باید هم روش‌های جاافتاده‌ای مثل nnU-Net را بلد باشید و هم معماری‌های تازه را روی دادهٔ بالینی امتحان کنید. «fine-tune» نشان می‌دهد بیشتر کار تطبیق مدل‌های موجود است، نه ساختن از صفر.
Architect and execute model deployment pipelines, seamlessly integrating trained models into high-performance C++ production environments, utilizing techniques like quantization, pruning, and hardware acceleration to ensure real-time performance on constrained medical systems.
این بخش شغل را از پژوهش جدا می‌کند: مدل باید روی سخت‌افزار دستگاه در زمان واقعی اجرا شود. quantization و pruning حجم و زمان محاسبه را کم می‌کنند و باید بدانید چقدر از دقت را فدا می‌کنند.
Support system integration and testing while generating formal design documentation and patent applications.
مستندات رسمی طراحی بخشی از پروندهٔ یک تجهیزات پزشکی است. نوشتن روشن و دقیق در این شغل به اندازهٔ کدنویسی اهمیت دارد.
نتیجه‌گیری کلی
این آگهی تصویر کامل این شغل در یک شرکت بزرگ تجهیزات پزشکی است: مهندسی با دست‌کم ۵ سال تجربهٔ صنعتی که الگوریتم تصویر پزشکی را از ایدهٔ پژوهشی تا محصول تجاری می‌برد، هم مدل‌های تازه (nnU-Net، ViT، DINO، diffusion، VLM) را به کار می‌گیرد و هم آن‌ها را در C++ برای اجرای بلادرنگ بهینه می‌کند، و همهٔ این کار را در چارچوب اصول GMLP انجام می‌دهد. بازهٔ حقوق اعلام‌شده در آگهی برای منطقهٔ ۱، ۱۹۶٬۸۰۰ تا ۲۸۳٬۲۰۰ دلار و برای منطقهٔ ۲، ۱۶۷٬۳۰۰ تا ۲۴۰٬۷۰۰ دلار است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
در پروفایل صنعت «Medical and Healthcare services» در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، کارفرمایانِ این صنعت برای گروه «متخصصان AI و یادگیری ماشین» رشد خالص ۳۸٪ از ۲۰۲۵ تا ۲۰۳۰ پیش‌بینی کرده‌اند؛ رشد خالص همین گروه در همهٔ صنایع ۸۲٪ است. WEF عنوان جداگانه‌ای برای مهندس تصویربرداری پزشکی ندارد و این نزدیک‌ترین گروه در طبقه‌بندی آن است.
منبع: WEF Future of Jobs Report 2025 — Medical and Healthcare services industry profile
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
طبق ماده ۱۱۳ قانون AI اتحادیهٔ اروپا (در artificialintelligenceact.eu)، قواعد سیستم‌های AI پرخطر برای محصولاتی که در پیوست I آمده‌اند، از جمله تجهیزات پزشکی (MDR) و تجهیزات تشخیص آزمایشگاهی (IVDR)، از ۲ اوت ۲۰۲۸ اجرا می‌شود.
کارفرمایان صنعت مراقبت سلامت در نظرسنجی Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، برای متخصصان AI و یادگیری ماشین رشد خالص ۳۸٪ تا ۲۰۳۰ پیش‌بینی کرده‌اند.
دو آگهی از آگهی‌های بررسی‌شده نشان می‌دهند شیوهٔ کار در حال تغییر است. Artera می‌نویسد توسعهٔ ML را «agent-first» کرده و از دانشمند انتظار دارد به‌جای نوشتن دستی حلقهٔ آموزش و تنظیم hyperparameterها، ایجنت‌هایی را هدایت و ارزیابی کند که فرضیه می‌سازند و آزمایش اجرا می‌کنند؛ Heartflow هم استفادهٔ روزانه از ابزارهای agentic و LLMها را شرط گذاشته است. در این آگهی‌ها وزن کار از نوشتن کد آموزش به صورت‌بندی مسئله، طراحی اعتبارسنجی و قضاوت دربارهٔ داده رفته است. ریسک دیگر مقررات است: در اروپا قواعد سیستم‌های AI پرخطر برای تجهیزات پزشکی از ۲ اوت ۲۰۲۸ اجرا می‌شود و تیم‌ها باید چرخهٔ توسعه را با آن هماهنگ کنند.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۲۹ منبع بررسی شده است.
- Sr. Machine Learning Engineer, Medical Imaging — Intuitive (job posting)
- Sr. Machine Learning Engineer, Medical Imaging — Intuitive (web.archive.org copy)
- Machine Learning Engineer — RaySearch Laboratories (job posting)
- Senior AI Applied Scientist II — Prenuvo (job posting)
- Senior AI Applied Scientist II (Agentic) — Prenuvo (job posting)
- Senior Data Scientist, Medical Imaging — Heartflow (job posting)
- Machine Learning Engineer II (Applied Research & Model Development) — PathAI (job posting)
- Machine Learning Engineer III (Applied Research & Model Development) — PathAI (job posting)
- Machine Learning Scientist, Computational Pathology — Artera (job posting)
- Senior/Staff Machine Learning Engineer (Tech Lead, Model Dev) — Artera (job posting)
- Clinical AI Specialist — Viz.ai (job posting)
- Optima Search Europe — Machine Learning Engineer Salary UK HealthTech 2026
- World Economic Forum — The Future of Jobs Report 2025 (PDF), Industry Profile: Medical and Healthcare services
- FDA — List of Artificial Intelligence-Enabled Medical Devices
- FDA — Good Machine Learning Practice for Medical Device Development: Guiding Principles
- EU AI Act — Article 113: Entry into Force and Application
- EU AI Act — Annex I: List of Union Harmonisation Legislation
- Helmholtz — How AI is revolutionising medical image analysis (nnU-Net, Fabian Isensee)
- nnU-Net — GitHub (MIC-DKFZ)
- Isensee et al. — nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation (Nature Methods, 2021)
- Maier-Hein et al. — Metrics reloaded: recommendations for image analysis validation (Nature Methods, 2024)
- NVIDIA Blog — The Man With 100,000 Brains: AI's Big Donation to Science (Jorge Cardoso)
- King's College London — Dr Jorge Cardoso
- Regina Barzilay — Wikipedia
- NVIDIA Technical Blog — MONAI Reaches 1 Million Download Milestone
- MONAI — GitHub (AI Toolkit for Healthcare Imaging)
- Medical Segmentation Decathlon
- TotalSegmentator — GitHub
- freeCodeCamp — How to Train a Tumor Segmentation Model on Ultrasound Data with MONAI (2026)