Mini-Course · Lesson 2

دورة مصغرة · الدرس 2

Lesson 2 - Saudi Localisation

الدرس الثاني - التوطين السعودي

Learning objectives

The gap

CheXpert is Stanford data: US, insured, academic, English. Saudi healthcare differs in population (higher TB exposure), equipment (mixed DR/CR), language (Arabic reports), and regulation (SFDA SaMD + PDPL).

🇸🇦 Context: GCC radiologist density ~1/100K. Vision 2030 expands capacity. AI is a throughput tool, not a novelty.

Why Arabic NLP first

Most Saudi radiology reports are Arabic. Before any model can learn from them, you need Arabic OCR + named-entity recognition. Skipping this step is the #1 reason pilots stall.

🎯 Reflection: list two workflow steps where AI could save clinician time without touching the diagnosis decision.

أهداف التعلم

الفجوة

CheXpert بيانات ستانفورد: أمريكية مؤمَّنة أكاديمية إنجليزية. تختلف السعودية في السكان (تعرض أعلى للسل)، المعدات (DR/CR مختلط)، اللغة (تقارير عربية)، التنظيم (SFDA SaMD + PDPL).

🇸🇦 السياق: كثافة الأطباء ~1/100K. الرؤية 2030 توسّع القدرة. الذكاء أداة إنتاجية لا رفاهية.

لماذا العربية أولاً

معظم التقارير السعودية عربية. قبل أن يتعلم أي نموذج، نحتاج OCR عربي + استخراج كيانات. تخطّي ذلك سبب رئيس لتعثّر التجارب.

🎯 تأمل: اذكر خطوتين يوفّر فيهما الذكاء وقت الطبيب دون مسّ قرار التشخيص.