دکتر آذر کاظمی

دکتر آذر کاظمی مسیر علمی خود را با تحصیل در رشته مهندسی نرم‌افزار در مؤسسه آموزش عالی اشراق آغاز کرد و سپس در مقطع کارشناسی ارشد انفورماتیک پزشکی از دانشگاه علوم پزشکی شیراز و دکتری انفورماتیک پزشکی از دانشگاه علوم پزشکی مشهد ادامه داد. پژوهش‌های اولیه او بر تلفیق علم داده‌های پزشکی، تحلیل داده‌های بالینی و یادگیری ماشین متمرکز بود و موضوعاتی همچون پیش‌بینی پیامدهای درمانی، طبقه‌بندی خطر و مدیریت داده‌های پاتولوژی را دربر می‌گرفت.

مسیر پژوهشی او در ادامه به سمت پاتولوژی دیجیتال و محاسباتی، با تمرکز ویژه بر کاربرد هوش مصنوعی در تصاویر هیستوپاتولوژی اسلاید کامل (Whole-Slide Images)، سوق یافت. او در دانشگاه فنی مونیخ به توسعه چارچوب‌های پاتولوژی محاسباتی برای تشخیص سرطان و زیرگونه‌بندی مورفولوژیک پرداخت و هم‌زمان بر ایجاد پایپ‌لاین‌های بازتولیدپذیر داده‌های پاتولوژی، یادگیری با نظارت ضعیف و مدل‌های پایه پاتولوژی (Pathology Foundation Models) کار کرد. پژوهش‌های او بیماری‌هایی از جمله سرطان مری، گلیوما و سرطان کولورکتال را دربر گرفته و همچنین ارزیابی نشانگرهای زیستی از طریق تحلیل لنفوسیت‌های نفوذکننده به تومور و برهم‌کنش تومور–استروما را شامل شده است.

یکی از محورهای اصلی فعالیت‌های دکتر کاظمی، افزایش قابلیت اعتماد و تفسیرپذیری بالینی هوش مصنوعی پزشکی است. پژوهش‌های او ارزیابی هدایت‌شده توسط متخصصان، تفسیرپذیری مدل‌ها، تغییرپذیری در حاشیه‌گذاری داده‌ها و اعتبارسنجی مدل‌های پایه در داده‌های واقعی پاتولوژی را بررسی کرده‌اند. از جمله فعالیت‌های اخیر او می‌توان به طبقه‌بندی گلیوما با استفاده از مدل‌های پایه، زیرگونه‌بندی مری بارت با یادگیری با نظارت ضعیف، کمی‌سازی لنفوسیت‌ها با کمک هوش مصنوعی و ایمنوهیستوشیمی مجازی مبتنی بر مدل‌های انتشار (Diffusion Models) اشاره کرد.

او در حال حاضر به‌عنوان پژوهشگر مهمان در حوزه پاتولوژی محاسباتی در دانشگاه فنی مونیخ فعالیت می‌کند و در چالش MICCAI REG² Pathology Reasoning-Guided Report Generation نیز مشارکت دارد و بر گردآوری و پالایش داده‌های پاتولوژی، کنترل کیفیت، تولید گزارش مبتنی بر مدل‌های زبانی بزرگ (LLM) و ارزیابی مبتنی بر استدلال تمرکز دارد. او همچنین به‌عنوان داور برای MICCAI و چندین مجله علمی فعالیت می‌کند. فعالیت‌های پژوهشی او در راستای گذار پاتولوژی محاسباتی از مدل‌های آزمایشی هوش مصنوعی به سمت ابزارهای تصمیم‌یار قابل‌اعتماد، تفسیرپذیر و دارای ارزش بالینی است.