ปฏิเสธไม่ได้เลยว่า หากพูดถึงเทคโนโลยี AI (Artificial Intelligence) หรือปัญญาประดิษฐ์ น้อยคนนักที่จะไม่รู้จัก ซึ่งบริษัทไอทียักษ์ใหญ่อย่าง Google ก็กำลังให้ความสนใจเทคโนโลยี AI อยู่ในตอนนี้ หากใครติดตามข่าวสารทางด้านเทคโนโลยีหรือไอทีคงพอทราบว่าเมื่อเดือนกุมภาพันธ์ที่ผ่านมา Google กำลังทำการศึกษาเกี่ยวกับการใช้ Computer Vision เพื่อประเมินความเสี่ยงของการเกิดโรคหลอดเลือดหัวใจ ไม่ว่าจะเป็นโรคหัวใจขาดเลือดเฉียบพลัน, โรคหลอดเลือดสมองหรือโรคหลอดเลือดหัวใจอื่นๆ หลายคนคงสงสัยว่าเทคโนโลยี Computer Vision จะประเมินความเสี่ยงของการเกิดโรคหลอดเลือดหัวใจ ได้อย่างไร มาชมไปพร้อมๆกันเลยค่ะ
มาทำความรู้จัก Computer Vision หรือ เทคโนโลยีคอมพิวเตอร์วิทัศน์กันก่อนดีกว่า
Computer Vision คือ การประมวลผลภาพ เพื่อให้คอมพิวเตอร์สามารถเข้าใจทัศนียภาพ หรือแยกแยะวัตถุต่างๆ ได้ ซึ่งปัจจุบันได้นำมาใช้ในการวิเคราะห์ลักษณะใบหน้าคน เช่น หน้ายิ้ม, หน้าโกรธ หรือการติดตามการเคลื่อนไหวของวัตถุต่างๆ เช่นรถวิ่ง เป็นต้น
การประเมินความเสี่ยงของการเกิดโรคหลอดเลือดหัวใจด้วยเทคโนโลยี Computer Vision
จะเกิดอะไรขึ้น ถ้าดวงตาสามารถบอกได้ว่า คุณมีความเสี่ยงที่กำลังจะเป็นโรคหลอดเลือดหัวใจ ซึ่ง Google ได้ทำการศึกษานี้ขึ้นมา โดยอาศัยภาพจากเรตินาของมนุษย์เพื่อทำนายปัจจัยเสี่ยงของการเกิดโรคหลอดเลือดหัวใจ ซึ่งรายงานผลออกมาเป็นข้อมูลต่างๆ อาทิเช่น อายุ, เพศ, การสูบบุหรี่, เป็นเบาหวาน, อัตราส่วนน้ำหนักและส่วนสูงหรือความดันโลหิต เป็นต้น
ขอบคุณภาพจาก https://ai.googleblog.com/2018/02/assessing-cardiovascular-risk-factors.html
ตัวอย่างของภาพถ่ายเรตินาด้านบน อธิบายความแตกต่างของดวงตาทั้งสองด้าน ดังนี้
ภาพด้านซ้าย : ภาพถ่ายเรตินาปกติ ที่ยังไม่ได้ผ่านการใช้เทคโนโลยี Computer Vision จะเห็นว่ามีจุดดำตรงกลางของเรตินา และในส่วนขั้วประสาทตาด้านขวาของเรตินาจะมีลักษณะเป็นจุดคล้ายแสงสว่างอยู่ และมีเส้นสีแดงเข้มหรือเส้นเลือดกระจายออกมาจากขั้วประสาทตานั้น
ภาพด้านขวา : เป็นภาพถ่ายเรตินาที่ผ่านการใช้เทคโนโลยี Deep learning หรือ Computer Vision ซึ่งภาพที่ได้นั้นจะต่างจากด้านซ้ายอย่างเห็นชัดเจน โดยเรตินาจะเป็นสีเทาและมีเส้นสีเขียว กระจายอยู่ในจอตา ซึ่งเส้นสีเขียวที่เห็น สามารถทำนายเกี่ยวกับความดันโลหิตของคนนั้นได้ และปัจจัยเสี่ยงอื่นๆ ยังสามารถทำนายได้จากภาพบริเวณขั้วประสาทตาได้อีกด้วย
ขอบคุณภาพจาก https://www.nature.com/articles/s41551-018-0195-0.epdf?author_access_token=YWBi0EzCgfAVb_S540xl-tRgN0jAjWel9jnR3ZoTv0OMsbBDq-7d5VZef-dAA8S4kHGY_hXONc93gwXXjuO908b_ruUDVkgB5jW3RnvvRdLFLmvpTsPku5cXZoTEtr09fPvTK40ZbWzpoOGfLab-NA%3D%3D
และอีกหนึ่งความน่าทึ่งของเทคโนโลยีปัญญาประดิษฐ์หรือ AI แบบ Deep learning ที่ Google เพิ่งเปิดตัวไปเมื่อต้นเดือนพฤษภาคมที่ผ่านมา นั่นก็คือ การประเมินผลการรักษาคนไข้ โดยอาศัยการเก็บสะสมข้อมูลด้านสุขภาพของผู้ป่วยแต่ละคนอย่างเป็นระบบในรูปแบบของดิจิทัล (Digital)
เทคโนโลยี Deep learning คืออะไร
ขอบคุณภาพจาก https://medium.com/@athivvat
Deep learning หรือ Artificial Neuron Networks คือ โครงข่ายใยประสาทเสมือน ที่อาศัยแนวคิดและเทคนิคจากการทำงานของระบบโครงข่ายใยประสาทในระบบประสาทของมนุษย์ โดยจำลองการทำงานเหมือนกับกลุ่มเซลล์ประสาทที่เชื่อมโยงกันเป็นระบบประสาทที่สามารถรับรู้หลายๆ สิ่งในเวลาเดียวกัน ทำให้ระบบสามารถตัดสินใจได้ใกล้เคียงกับมนุษย์
Deep Learning is Large Neural Networks
เทคโนโลยี AI แบบ Deep learning กับการประเมินผลการรักษาคนไข้
จะดีแค่ไหนถ้ามีเครื่องมือช่วยบุคลากรทางการแพทย์ให้ประเมินผลการรักษาคนไข้ได้ถูกต้องแม่นยำและรวดเร็วมากขึ้น ซึ่ง Google เล็งเห็นความสำคัญของปัญหาดังกล่าว จึงได้คิดค้นเครื่องมือที่ช่วยประเมินผลการรักษาของคนไข้ด้วย เทคโนโลยี Deep learning โดยรวบรวมข้อมูลด้านสุขภาพของผู้ป่วยแต่ละคนอย่างเป็นระบบ ตั้งแต่ เริ่มเข้ามาพบแพทย์, ผลตรวจทางห้องปฏิบัติการ, ยาทุกตัวที่ได้รับ, สัญญาณชีพ, หัตถการและการรักษาต่างๆ, สรุปรายงานของแพทย์(Progress notes), และผลตรวจวินิจฉัย เป็นต้น
ขอบคุณภาพจาก https://ai.googleblog.com/2018/05/deep-learning-for-electronic-health.html
และข้อมูลทั้งหมดที่ได้ แพทย์สามารถนำมาใช้เพื่อการตัดสินใจในการรักษาผู้ป่วยได้อย่างรวดเร็วและแม่นยำมากขึ้น ไม่ว่าจะเป็น ระยะเวลาการนอนโรงพยาบาลของคนไข้, อัตราการตาย, การหายจากโรค, และอัตราการกลับเป็นซ้ำ
ขอบคุณภาพจาก https://ai.googleblog.com/2018/05/deep-learning-for-electronic-health.html
การศึกษาของ Google ทั้ง 2 ชิ้น ถือว่าเป็นการก้าวล้ำอย่างมากของเทคโนโลยีในวงการแพทย์ และ Google ยังบอกอีกว่า งานวิจัยนี้น่าจะให้ประโยชน์กับทั้งคนไข้ที่จะได้รับบริการอย่างมีคุณภาพมากขึ้น หรือแม้แต่ช่วยบุคลากรทางแพทย์ในการทำงานได้อย่างรวดเร็วและมีประสิทธิภาพมากยิ่งขึ้นด้วย
แปลและเรียบเรียงโดย อยู่กับยา
แหล่งข้อมูลอ้างอิง : Deep Learning for Electronic Health Records, Assessing Cardiovascular Risk Factors with Computer Vision
