ການສຶກສາທີ່ຜ່ານມາໄດ້ສະແດງໃຫ້ເຫັນຄວາມສາມາດຂອງລະບົບປັນຍາປະດິດໃນທາງການແພດວິນິດໄສພະຍາດທີ່ສໍາຄັນ
ລະບົບປັນຍາທຽມ (AI). have been around for quite some time and are now getting smarter and better with time. AI has applications is multitude areas and is now an integral of most fields. AI can be an essential and useful component of ທາງການແພດ ວິທະຍາສາດແລະການຄົ້ນຄວ້າຍ້ອນວ່າມັນມີທ່າແຮງອັນໃຫຍ່ຫຼວງທີ່ຈະສົ່ງຜົນກະທົບຕໍ່ອຸດສາຫະກໍາການດູແລສຸຂະພາບ.
ປັນຍາທຽມໃນການວິນິດໄສທາງການແພດ?
ເວລາເປັນຊັບພະຍາກອນທີ່ມີຄຸນຄ່າທີ່ສຸດໃນການດູແລສຸຂະພາບແລະການວິນິດໄສທີ່ເຫມາະສົມໃນຕອນຕົ້ນແມ່ນມີຄວາມສໍາຄັນຫຼາຍສໍາລັບຜົນສຸດທ້າຍຂອງພະຍາດ. ການດູແລສຸຂະພາບມັກຈະເປັນຂະບວນການທີ່ຍາວນານແລະໃຊ້ເວລາແລະຊັບພະຍາກອນ, ການຊັກຊ້າການວິນິດໄສທີ່ມີປະສິດຕິຜົນແລະເຮັດໃຫ້ການຊັກຊ້າການປິ່ນປົວທີ່ຖືກຕ້ອງ. AI can help to fill the gap between availability and time management by doctors by incorporating speed and accuracy in the diagnosis of patients. It could help to overcome limitations of resources and healthcare professionals specially in low- and middle-income countries. AI is a process of learning and thinking just like ມະນຸດ through a concept called deep-learning. Deep learning utilizes broad sets of sample data to create decision trees by itself. With this deep learning, an AI system can actually think just like humans, if not better, and therefore AI could be deemed fit to carry out medical tasks. When diagnosing patients, AI systems keep looking for patterns among patients with same illnesses. Over time, these patterns can construct a foundation for predicting diseases before they are manifested.
ໃນການສຶກສາທີ່ຜ່ານມາ1 ເຜີຍແຜ່ໃນ ມືຖື, ນັກຄົ້ນຄວ້າໄດ້ນໍາໃຊ້ ປອມ ເທັກນິກການຮຽນຮູ້ທາງປັນຍາ ແລະເຄື່ອງຈັກເພື່ອພັດທະນາເຄື່ອງມືຄອມພິວເຕີແບບໃໝ່ເພື່ອກວດຫາຄົນເຈັບທີ່ເປັນພະຍາດທີ່ພົບເລື້ອຍແຕ່ຕາບອດ, ມີການວິນິດໄສ ແລະການປິ່ນປົວໄວ. ນັກຄົ້ນຄວ້າໄດ້ນໍາໃຊ້ເຄືອຂ່າຍ neural ທີ່ອີງໃສ່ AI ເພື່ອທົບທວນຄືນຫຼາຍກວ່າ 200,000 ການສະແກນຕາທີ່ດໍາເນີນດ້ວຍເຕັກໂນໂລຢີທີ່ບໍ່ມີການຮຸກຮານທີ່ສົ່ງແສງສະຫວ່າງອອກຈາກ retina ເພື່ອສ້າງການສະແດງ 2D ແລະ 3D ຂອງເນື້ອເຍື່ອ. ຫຼັງຈາກນັ້ນ, ພວກເຂົາເຈົ້າໄດ້ນໍາໃຊ້ເຕັກນິກທີ່ເອີ້ນວ່າ 'ການຮຽນຮູ້ການຖ່າຍທອດ' ເຊິ່ງຄວາມຮູ້ທີ່ໄດ້ຮັບໃນການແກ້ໄຂບັນຫາຫນຶ່ງແມ່ນຖືກເກັບໄວ້ໂດຍຄອມພິວເຕີແລະນໍາໃຊ້ກັບບັນຫາທີ່ແຕກຕ່າງກັນແຕ່ທີ່ກ່ຽວຂ້ອງ. ຕົວຢ່າງ, ເຄືອຂ່າຍ neural AI ທີ່ຖືກປັບປຸງໃຫ້ດີຂື້ນເພື່ອຮັບຮູ້ໂຄງສ້າງທາງວິພາກຂອງຕາ, ເຊັ່ນ retina, cornea ຫຼືເສັ້ນປະສາດ optic, ສາມາດກໍານົດແລະປະເມີນພວກມັນໄດ້ໄວແລະມີປະສິດທິພາບຫຼາຍເມື່ອມັນກວດເບິ່ງຮູບພາບຂອງຕາທັງຫມົດ. ຂະບວນການນີ້ອະນຸຍາດໃຫ້ລະບົບ AI ຄ່ອຍໆຮຽນຮູ້ດ້ວຍຊຸດຂໍ້ມູນຂະຫນາດນ້ອຍກວ່າວິທີການແບບດັ້ງເດີມທີ່ຕ້ອງການຊຸດຂໍ້ມູນໃຫຍ່ເຮັດໃຫ້ພວກເຂົາມີລາຄາແພງແລະໃຊ້ເວລາຫຼາຍ.
The study focused on two common causes of irreversible blindness which are treatable when detected early. Machine-derived diagnoses were compared with diagnoses from five ophthalmologists who reviewed the same scans. In addition to making a medical diagnosis, the AI platform also generated a referral and treatment recommendation which has not been done in any previous study. This trained AI system acted just like a well-trained ophthalmologist and could generate a decision within 30 seconds on whether or not the patient should be referred for treatment, with more than 95 percent accuracy. They also tested the AI tool in diagnosing childhood pneumonia, a leading cause of death worldwide in children (under the age of 5) based on machine analyses of chest X-rays. Interestingly, the computer program was able to differentiate between viral and ແບັກທີເລຍ pneumonia with more than 90 percent accuracy. This is crucial because though viral pneumonia is naturally rid by the body after its course, bacterial pneumonia on the other hand tends to be a more serious health threat and requires immediate treatment with antibiotics.
ໃນອີກບາດກ້າວກະໂດດຂັ້ນໃຫຍ່2 ໃນລະບົບປັນຍາປະດິດສໍາລັບການວິນິດໄສທາງການແພດ, ນັກວິທະຍາສາດພົບວ່າການຖ່າຍຮູບຂອງ retina ຂອງບຸກຄົນສາມາດໄດ້ຮັບການວິເຄາະໂດຍເຄື່ອງຈັກການຮຽນຮູ້ເຄື່ອງຈັກຫຼືຊອບແວເພື່ອຄາດຄະເນຄວາມສ່ຽງຂອງຫົວໃຈ cardiovascular ໂດຍການກໍານົດສັນຍານທີ່ຊີ້ໃຫ້ເຫັນເຖິງພະຍາດຫົວໃຈ. ສະຖານະຂອງເສັ້ນເລືອດໃນຕາທີ່ຖ່າຍຢູ່ໃນຮູບຖ່າຍໄດ້ສະແດງໃຫ້ເຫັນການຄາດເດົາໄດ້ຢ່າງຖືກຕ້ອງກ່ຽວກັບອາຍຸ, ເພດ, ຊົນເຜົ່າ, ຄວາມດັນເລືອດ, ການໂຈມຕີຫົວໃຈກ່ອນຫນ້າແລະນິໄສການສູບຢາແລະປັດໃຈທັງຫມົດເຫຼົ່ານີ້ລວມກັນຄາດຄະເນພະຍາດທີ່ກ່ຽວຂ້ອງກັບຫົວໃຈໃນບຸກຄົນ.
ຕາເປັນຕັນຂໍ້ມູນຂ່າວສານ
ແນວຄວາມຄິດຂອງການເບິ່ງຮູບຂອງຕາເພື່ອວິນິດໄສສຸຂະພາບແມ່ນໄດ້ປະມານເວລາໃດຫນຶ່ງ. ມັນໄດ້ຖືກສ້າງຕັ້ງຂຶ້ນຢ່າງດີວ່າຝາພາຍໃນຫລັງຂອງຕາຂອງມະນຸດມີເສັ້ນເລືອດຫຼາຍທີ່ສະທ້ອນເຖິງສຸຂະພາບຂອງຮ່າງກາຍທັງຫມົດ. ໂດຍການສຶກສາແລະການວິເຄາະລັກສະນະຂອງເສັ້ນເລືອດເຫຼົ່ານີ້ດ້ວຍກ້ອງຖ່າຍຮູບແລະກ້ອງຈຸລະທັດ, ຂໍ້ມູນຈໍານວນຫລາຍກ່ຽວກັບຄວາມດັນເລືອດຂອງບຸກຄົນ, ອາຍຸ, ຜູ້ສູບຢາຫຼືຜູ້ບໍ່ສູບຢາແລະອື່ນໆ. . ພະຍາດ cardiovascular (CVD) ເປັນສາເຫດອັນດັບຫນຶ່ງຂອງການເສຍຊີວິດໃນທົ່ວໂລກແລະປະຊາຊົນຈໍານວນຫຼາຍເສຍຊີວິດຍ້ອນ CVDs ເມື່ອທຽບກັບພະຍາດຫຼືສະພາບອື່ນໆ. ນີ້ແມ່ນແຜ່ຫຼາຍຢູ່ໃນບັນດາປະເທດທີ່ມີລາຍໄດ້ຕ່ຳ ແລະ ປານກາງ ແລະ ເປັນພາລະໜັກຂອງເສດຖະກິດ ແລະ ມະນຸດ. ຄວາມສ່ຽງຂອງ cardiovascular ແມ່ນຂຶ້ນກັບຫຼາຍປັດໃຈເຊັ່ນ: ພັນທຸ ກຳ, ອາຍຸ, ຊົນເຜົ່າ, ເພດ, ປະສົມປະສານກັບການອອກ ກຳ ລັງກາຍແລະອາຫານ. ພະຍາດ cardiovascular ສ່ວນໃຫຍ່ສາມາດປ້ອງກັນໄດ້ໂດຍການແກ້ໄຂຄວາມສ່ຽງດ້ານພຶດຕິກໍາເຊັ່ນ: ການໃຊ້ຢາສູບ, ໂລກອ້ວນ, ການບໍ່ມີການເຄື່ອນໄຫວທາງດ້ານຮ່າງກາຍແລະການກິນອາຫານທີ່ບໍ່ດີຕໍ່ສຸຂະພາບໂດຍການປ່ຽນແປງວິຖີຊີວິດທີ່ສໍາຄັນເພື່ອແກ້ໄຂຄວາມສ່ຽງທີ່ເປັນໄປໄດ້.
ການວິນິດໄສສຸຂະພາບໂດຍໃຊ້ຮູບພາບຂອງ retinal
ການສຶກສານີ້ດໍາເນີນໂດຍນັກຄົ້ນຄວ້າຢູ່ Google ແລະບໍລິສັດເຕັກໂນໂລຢີດ້ານສຸຂະພາບຂອງຕົນເອງ Verily Life Sciences, ສະແດງໃຫ້ເຫັນວ່າລະບົບປັນຍາປະດິດໄດ້ຖືກນໍາໃຊ້ໃນຊຸດຂໍ້ມູນຂະຫນາດໃຫຍ່ຂອງຮູບຖ່າຍຂອງ retinal ຂອງຄົນເຈັບປະມານ 280,000 ຄົນແລະສູດການຄິດໄລ່ນີ້ສາມາດຄາດຄະເນຄວາມສ່ຽງຂອງຫົວໃຈໃນສອງຢ່າງສໍາເລັດຜົນ. ຊຸດຂໍ້ມູນເອກະລາດປະມານ 12000 ແລະ 1000 ຄົນເຈັບທີ່ມີຄວາມຖືກຕ້ອງສົມເຫດສົມຜົນ. ສູດການຄິດໄລ່ໄດ້ໃຊ້ຮູບຖ່າຍທັງໝົດຂອງ retina ເພື່ອປະເມີນຄວາມສຳພັນລະຫວ່າງຮູບພາບ ແລະຄວາມສ່ຽງຕໍ່ການເປັນໂຣກຫົວໃຈວາຍ. ສູດການຄິດໄລ່ນີ້ສາມາດຄາດຄະເນເຫດການ cardiovascular ໄດ້ 70 ເປີເຊັນຂອງເວລາໃນຄົນເຈັບແລະໃນຕົວຈິງແລ້ວຜູ້ສູບຢາແລະບໍ່ສູບຢາຍັງສາມາດຈໍາແນກໄດ້ໃນການທົດສອບນີ້ 71 ເປີເຊັນຂອງເວລາ. ສູດການຄິດໄລ່ຍັງສາມາດຄາດຄະເນຄວາມດັນເລືອດສູງທີ່ຊີ້ໃຫ້ເຫັນເຖິງສະພາບຂອງຫົວໃຈແລະຄາດຄະເນຄວາມດັນເລືອດ systolic - ຄວາມດັນໃນເສັ້ນເລືອດໃນເວລາທີ່ຫົວໃຈເຕັ້ນໄວ - ຢູ່ໃນຂອບເຂດຂອງຄົນເຈັບສ່ວນໃຫຍ່ທີ່ມີຫຼືບໍ່ມີຄວາມດັນເລືອດສູງ. ຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນນີ້, ອີງຕາມຜູ້ຂຽນແມ່ນຄ້າຍຄືກັນກັບການກວດ cardiovascular ຢູ່ໃນຫ້ອງທົດລອງ, ບ່ອນທີ່ເລືອດໄດ້ຖືກດຶງຈາກຄົນເຈັບເພື່ອວັດແທກລະດັບ cholesterol ເບິ່ງຂະຫນານກັບປະຫວັດຂອງຄົນເຈັບ. ສູດການຄິດໄລ່ໃນການສຶກສານີ້, ຈັດພີມມາໃນ ວິສະວະ ກຳ ຊີວະພາບ ທຳ ມະຊາດ, ສ່ວນຫຼາຍອາດຈະຄາດຄະເນການປະກົດຕົວຂອງເຫດການ cardiovascular ທີ່ສໍາຄັນເຊັ່ນ: ການໂຈມຕີຫົວໃຈ.
ລັກສະນະທີ່ຫນ້າສົນໃຈແລະສໍາຄັນຂອງການສຶກສາເຫຼົ່ານີ້ແມ່ນຄອມພິວເຕີສາມາດບອກບ່ອນທີ່ມັນກໍາລັງຊອກຫາຢູ່ໃນຮູບພາບທີ່ຈະມາຮອດການວິນິດໄສ, ໃຫ້ພວກເຮົາເຂົ້າໃຈຂະບວນການຄາດຄະເນ. ຕົວຢ່າງ, ການສຶກສາໂດຍ Google ສະແດງໃຫ້ເຫັນຢ່າງແທ້ຈິງວ່າ "ສ່ວນໃດຂອງ retina" ປະກອບສ່ວນເຂົ້າໃນສູດການຄິດໄລ່, ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ວິທີການເຮັດການຄາດຄະເນ. ຄວາມເຂົ້າໃຈນີ້ແມ່ນມີຄວາມສໍາຄັນບໍ່ພຽງແຕ່ເຂົ້າໃຈວິທີການຮຽນຮູ້ຂອງເຄື່ອງຈັກໃນກໍລະນີນີ້, ແຕ່ຍັງສ້າງຄວາມຫມັ້ນໃຈແລະຄວາມເຊື່ອໃນວິທີການທັງຫມົດນີ້ໂດຍການເຮັດໃຫ້ມັນໂປ່ງໃສ.
ທ້າທາຍ
ຮູບພາບທາງການແພດດັ່ງກ່າວມາພ້ອມກັບສິ່ງທ້າທາຍຂອງມັນເພາະວ່າການສັງເກດແລະຫຼັງຈາກນັ້ນການກໍານົດປະລິມານການເຊື່ອມໂຍງກັບຮູບພາບດັ່ງກ່າວແມ່ນບໍ່ກົງໄປກົງມາຕົ້ນຕໍແມ່ນຍ້ອນລັກສະນະ, ສີ, ຄຸນຄ່າ, ຮູບຮ່າງແລະອື່ນໆໃນຮູບພາບເຫຼົ່ານີ້. ການສຶກສານີ້ໃຊ້ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງເພື່ອດຶງເອົາການເຊື່ອມຕໍ່, ສະມາຄົມແລະຄວາມສໍາພັນລະຫວ່າງການປ່ຽນແປງທາງວິພາກວິພາກຂອງມະນຸດ (ສະພາບຮ່າງກາຍພາຍໃນຂອງຮ່າງກາຍ) ແລະພະຍາດໃນແບບດຽວກັນກັບຜູ້ຊ່ຽວຊານດ້ານສຸຂະພາບຈະເຮັດໃນເວລາທີ່ລາວກໍາລັງພົວພັນກັບອາການຂອງຄົນເຈັບທີ່ມີພະຍາດ. . ສູດການຄິດໄລ່ເຫຼົ່ານີ້ຕ້ອງການການທົດສອບເພີ່ມເຕີມກ່ອນທີ່ຈະສາມາດຖືກນໍາໃຊ້ໃນການຕັ້ງຄ່າທາງດ້ານການຊ່ວຍ.
ເຖິງວ່າຈະມີການສົນທະນາແລະສິ່ງທ້າທາຍ, AI ມີທ່າແຮງອັນໃຫຍ່ຫຼວງທີ່ຈະປະຕິວັດການວິນິດໄສແລະການຄຸ້ມຄອງພະຍາດໂດຍການເຮັດການວິເຄາະແລະການຈັດປະເພດທີ່ກ່ຽວຂ້ອງກັບຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍທີ່ມີຄວາມຫຍຸ້ງຍາກສໍາລັບຜູ້ຊ່ຽວຊານຂອງມະນຸດ. ມັນສະຫນອງໄວ, ປະຫຍັດຄ່າໃຊ້ຈ່າຍ, ເຄື່ອງມືການວິນິດໄສທີ່ອີງໃສ່ຮູບພາບທາງເລືອກທີ່ບໍ່ມີການບຸກລຸກ. ປັດໃຈສໍາຄັນສໍາລັບຄວາມສໍາເລັດຂອງລະບົບ AI ຈະເປັນພະລັງງານຄອມພິວເຕີ້ທີ່ສູງຂຶ້ນແລະປະສົບການຂອງປະຊາຊົນຫຼາຍຂຶ້ນ. ໃນອະນາຄົດທີ່ອາດຈະເປັນໄປໄດ້, ຄວາມເຂົ້າໃຈທາງການແພດໃຫມ່ແລະການວິນິດໄສອາດຈະສາມາດບັນລຸໄດ້ດ້ວຍ AI ໂດຍບໍ່ມີການຊີ້ນໍາຫຼືການຄວບຄຸມຂອງມະນຸດ.
***
{ທ່ານສາມາດອ່ານເອກະສານການຄົ້ນຄວ້າຕົ້ນສະບັບໄດ້ໂດຍການຄລິກທີ່ລິ້ງ DOI ທີ່ໃຫ້ໄວ້ຂ້າງລຸ່ມນີ້ໃນລາຍຊື່ແຫຼ່ງທີ່ອ້າງອີງ}
ແຫຼ່ງຂໍ້ມູນ (s)
1. Kermany DS et al. 2018. ການກໍານົດການວິນິດໄສທາງການແພດແລະພະຍາດທີ່ສາມາດປິ່ນປົວໄດ້ໂດຍການຮຽນຮູ້ເລິກເຊິ່ງໂດຍອີງໃສ່ຮູບພາບ. ເຊລ. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R et al. 2018. ການຄາດຄະເນຂອງປັດໃຈຄວາມສ່ຽງ cardiovascular ຈາກການຖ່າຍຮູບ retinal fundus ຜ່ານການຮຽນຮູ້ເລິກ. ວິສະວະກໍາຊີວະພາບທໍາມະຊາດ. 2. https://doi.org/10.1038/s41551-018-0195-0
