Geek Monday EP36 : Data Science กับการยกระดับการเล่นของทีม Liverpool

เราจะเห็นได้ว่า ลิเวอร์พูล ในชุดนนี้ของ Klopp นั้น เล่นอะไรก็ดูเหมือนง่าย ๆ ไปเสียหมด การรุกที่จังหวะไม่มากนัก แต่มีประสิทธิภาพเป็นอย่างยิ่ง แนวป้องกัน ที่ยากที่จะเจาะเข้าไปทำลาย ซึ่งแม้กระทั่งเป๊บ กุนซือมากความสามารถ ก็ยังต้องยอมศิโรราบให้กับลิเวอร์พูลในยุคนี้

แน่นอนว่าทีมอื่น ๆ ก็ต้องมาเริ่มโฟกัสกับเรื่องของข้อมูล โดยเฉพาะงานด้าน Data Science ให้มากยิ่งขึ้น เพราะนับวันทีมลิเวอร์พูลจะทิ้งห่างคู่แข่งออกไปเรื่อย ๆ เมื่อส่วนผสมของพวกเขาลงตัวในทุก ๆ จุด

และส่วนผสมที่สำคัญระหว่างศาสตร์ทางด้านฟุตบอลของ Klopp และ ศาสตร์ด้านข้อมูลที่มาจากทีมงาน Data Science ของพวกเขา กำลังแสดงให้โลกเห็นว่า ข้อมูลนั้นสำคัญเพียงใดกับเกมส์ฟุตบอล ซึ่งสุดท้ายมันอาจจะทำให้พวกเขาประสบความสำเร็จ และยากที่จะมีคู่แข่งมาต่อกร ไปอีกนานแสนนานเลยทีเดียวนั่นเองครับผม

เลือกฟังกันได้เลยนะครับ อย่าลืมกด Follow ติดตาม PodCast ช่อง Geek Forever’s Podcast ของผมกันด้วยนะครับ

ฟังผ่าน Podbean : http://bit.ly/36S1HpM

ฟังผ่าน Apple Podcast :  https://apple.co/2lEqPPg

ฟังผ่าน Google Podcast : http://bit.ly/2ROaYea

ฟังผ่าน Spotify :  https://spoti.fi/31gYv5M

ฟังผ่าน Youtube : https://youtu.be/4MUeowwlIoI

References : https://www.liverpool.com/liverpool-fc-news/features/liverpool-transfer-news-jurgen-klopp-17569689

Data Science กับอีกหนึ่งปัจจัยสำคัญที่ทำให้ Liverpool ของ Klopp เป็นทีมที่ยากที่จะต่อกร

87 นาทีของเกมส์ในลอนดอนเหนือ ใน Big Match นัดล่าสุดที่ผ่านมา ในขณะที่ทีมของ Jose Mourinho กุนซือของท็อตแนมฮ็อทสเปอร์ถูกตรึงสกอร์ไว้ด้วยความหมดหวัง ทีมของ Mourinho พยายามทุกวิถีทางเพื่อตีเสมอ แต่สเปอร์ก็ไม่สามารถเจาะเพิ่มทำประตูได้ แม้จะได้โอกาสที่ยอดเยี่ยมจาก Heung-min Son และ Giovani Lo Celso ในช่วงท้ายเกมส์ก็ตามที

แต่หลายคนอาจจะไม่ทันสังเกตว่า ณ ช่วงเวลาหนึ่งของเกมส์ ลิเวอร์พูลได้หยุดโมเมนตัมของสเปอร์ลงอย่างเลือดเย็น เมื่อ Dele Alli พาบอลเข้ามาใกล้เส้นครึ่งสนาม ทีมของ Jürgen Klopp ได้ปรับเปลี่ยนรูปแบบการเล่นให้ผู้เล่นกระจายตัวเป็นบล็อกที่แคบและมีความแข็งแกร่งดั่งหินผา และให้คู่ต่อสู้ทำได้เพียงเคาะบอลไปมารอบ ๆ ปราการป้อมสุดแข็งแกร่งของลูกทีมของเขาเพียงเท่านั้น

ผู้เล่น 10 คนที่สวมชุดสีแดงของทีมลิเวอร์พูล มีการยืนตำแหน่งอยู่ในตำแหน่งกลางสนามโดยมีระยะห่างจากด้านหลังไปด้านหน้าและจากด้านหนึ่งไปอีกด้านหนึ่งรวมกันไม่เกิน 20 หลา ซึ่งเป็นเรื่องน่าประหลาดใจ ในวิธีการทำงานและแน่นอนว่าการแข่งขันจบลงด้วยชัยชนะอย่างสวยงามของทีมลิเวอร์พูล

ตอนนี้ทีมหงส์แดงเสียประตูรวมทั้งสิ้นเพียงแค่ 7 ประตู ซึ่งถือว่าน้อยที่สุดในพรีเมียร์ลีกในฤดูกาลนี้ และมันไม่ใช่เรื่องบังเอิญแน่นอนกับการเสียประตูน้อยขนาดนี้ มันล้วนเกิดจากความสามารถของทีมแทบจะทั้งสิ้น ในการควบคุมเกมส์ในสนามให้ได้ดั่งใจของพวกเขา 

แน่นอนว่า สโมสรฟุตบอลขนาดใหญ่ส่วนใหญ่มีแผนกวิเคราะห์ข้อมูล แต่มีน้อยมากที่รวมเอาความรู้ดังกล่าวไปใช้ในการตัดสินใจระดับสูงและกระบวนการเล่น รวมถึง แท็กทิคต่าง ๆ ตามสิ่งที่ลิเวอร์พูลกำลังทำ

ลิเวอร์พูลฟอร์มกระชับบล็อกในใจกลางของสนามในช่วงปลายของการแข่งขันกับสเปอร์ส
ลิเวอร์พูลทำการกระชับระยะของผู้เล่นในใจกลางของสนามในช่วงท้ายของการแข่งขันกับสเปอร์ส

Michael Edwards ผู้อำนวยการด้านการกีฬาของสโมสรเป็นอดีตนักวิเคราะห์ ซึ่งก่อนหน้านี้เขาเคยทำงานที่สโมสร Portsmouth และ Spurs ซึ่งเขาได้มีโอกาสมารับตำแหน่งที่แอนฟิลด์ โดยปัจจุบันเขามีบทบาทหลัก โดยเป็นศูนย์กลางในการดูแลผลประโยชน์ระยะกลางถึงยาวของสโมสร รวมถึงการทำให้มั่นใจว่าทุกแผนกได้รับการจัดการอย่างราบรื่นที่สุด

เฟนเวย์สปอร์ตกรุ๊ปเจ้าของสโมสรฟุตบอลลิเวอร์พูล มีประวัติความเป็นมาที่ไม่ธรรมดาอยู่แล้วในเรื่องของการรวบรวมข้อมูล รวมถึงเรื่องของ Data Science จอห์น เฮนรี่ เข้าไปลงทุนในกีฬาเบสบอลก่อนที่จะเข้ามายังโลกของฟุตบอล

เขามีชื่อเสียงในการแต่งตั้ง Billy Beane ชายผู้อยู่เบื้องหลังแนวคิดของ Moneyball โดยได้เซ็นสัญญามูลค่า 12.5 ล้านเหรียญ ที่ทำให้ Beane กลายมาเป็นผู้จัดการทั่วไปของบอสตันเรดซอกซ์ในปี 2002 ก่อนถูกควบรวมโดย FSG หลังจากนั้นไม่นาน และตอนนี้แนวคิดของ Beane ได้สร้างความแตกต่างให้กับความสำเร็จของทีมบอสตันเรดซอกซ์อย่างที่เราได้รู้กัน

ผลงานที่เป็นรูปธรรมชัดเจนจากการใช้ Data ของ Billy Beane
ผลงานที่เป็นรูปธรรมชัดเจนจากการใช้ Data ของ Billy Beane

Ian Graham เป็นผู้อำนวยการฝ่ายวิจัยของ Liverpool โดยเขาได้รับปริญญาเอกในสาขาฟิสิกส์เชิงทฤษฎี และเชื่อในการประเมินผู้เล่นและแนวโน้มที่กว้างขึ้นในวงการกีฬา โดยการคำนวนผ่านตัวเลขที่มีความซับซ้อนสูง 

โดยการพัฒนาเรื่องดังกล่าวกับวงการฟุตบอล สามารถทำได้เมื่อมีการวิเคราะห์รายละเอียดในระดับเชิงลึกด้วยกราฟฟิก ทำให้เกิดรูปแบบข้อมูลที่เฉพาะเจาะจงในการทำความเข้าใจกับสิ่งที่แสดงให้เห็นว่าเป็นพื้นที่การครอบครองบอลของทีม

Tim Waskett นักดาราศาสตร์ฟิสิกส์และ Will Spearman ผู้มีปริญญาเอกด้านปรัชญาเป็นสมาชิกของทีม Data Science ของลิเวอร์พูล ทั้งสองได้พูดต่อสาธารณะเกี่ยวกับแนวคิดของการควบคุมพื้นที่การครอบครองบอลของทีม ด้วยตัวอย่างข้อมูลกราฟิกที่ใช้ในการจับภาพแนวคิดดังกล่าว

การสร้างภาพการควบคุมระดับเสียงซึ่งจับภาพพื้นที่ของพื้นที่ที่ควบคุมโดยผู้เล่นบางคน
การสร้างภาพพื้นที่การครอบครองบอลของทีมซึ่งมีการจับภาพพื้นที่ที่ควบคุมโดยผู้เล่นบางคน

ผู้เล่นที่ล้อมรอบด้วยวงกลมสีเหลืองคือคนที่ครอบครองบอลอยู่ และที่สำคัญทีมของเขาสามารถเข้าถึงพื้นที่ของสนามที่เป็นสีฟ้าตามภาพด้านบน ในขณะที่พื้นที่สีแดงส่วนใหญ่จะเป็นพื้นที่ที่ถูกครองบอลโดยทีมคู่แข่ง ซึ่งจากข้อมูลดังกล่าวผู้เล่นควรที่จะผ่านบอลเข้าไปให้เพื่อนร่วมทีมที่อยู่ในโซนสีฟ้า

Waskett ได้กล่าวว่า การรวมข้อมูลเหตุการณ์และข้อมูลที่มีการติดตามการเล่นของทีมลิเวอร์พูล ทำให้สามารถเข้าใจได้ว่าแต่ละการกระทำบนสนามส่งผลกระทบต่อความน่าจะเป็นของการทำประตูได้อย่างไร ซึ่งหนึ่งในกราฟิกที่ใช้ในการแสดงทฤษฎีดังกล่าว สามารถดูได้จากด้านล่าง

แนวคิดการควบคุมระดับเสียงของลิเวอร์พูลพิจารณาว่าพื้นที่ใดในสนามที่ดีที่สุดที่จะใช้ในเวลาใดก็ตาม
แนวคิดพื้นที่การครอบครองบอลของทีมลิเวอร์พูล โดยพิจารณาว่าพื้นที่ใดในสนามเป็นพื้นที่ที่ดีที่สุดที่จะใช้ในเวลาใด ๆ ก็ตาม

Waskett กล่าวว่า: “นักเตะที่มีวงกลมพื้นสีแดงคือนักเตะของลิเวอร์พูล และพื้นที่สีแดงเป็นพื้นที่ที่พวกเขาสามารถเข้าถึงได้เร็วกว่าผู้เล่นสีน้ำเงิน ซึ่งทุกอย่างจะถูกคำนวณให้กลายเป็นความน่าจะเป็นผ่านตัวเลขการคำนวณที่มีความซับซ้อน

และค่าจากตัวอย่างนี้ 1.3% แสดงความน่าจะเป็นที่ลูกบอลจะไปอยู่ในตำแหน่งดังกล่าวภายใน 15 วินาทีถัดไป ” ข้อมูลดังกล่าวมีความซับซ้อนสูง แต่เมื่อข้อมูลดิบเหล่านี้ได้รับการกรองและนำไปใช้ภายในสโมสร การค้นพบนี้สามารถทำให้ลิเวอร์พูลสร้างความได้เปรียบเหนือคู่แข่งที่ยังไม่พัฒนาในเรื่องดังกล่าวได้อย่างมีประสิทธิภาพมาก ๆ

Klopp เป็นคนรับผิดชอบหลักในการฝึกทีม ซึ่งข้อสรุปใด ๆ ที่ได้รับแนะนำโดยแผนก Data Science ของสโมสรจะต้องนำมาตีความและนำไปใช้ในแง่ของการเล่นฟุตบอลโดยตัวของ Klopp เอง

ซึ่งมีสถิติที่น่าสนใจก็คือ ลิเวอร์พูลยิงถูกยิงเข้ากรอบเพียงแค่ 55 ครั้งเท่านั้น ในพรีเมียร์ลีกในฤดูกาลนี้ (สถิติถึงเกมส์กับสเปอร์) ซึ่งดีกว่าอันดับสองอย่างเชลซีที่ 65 ครั้ง ใน ตามด้วยแมนเชสเตอร์ซิตี้ที่ 70 ครั้ง ซึ่งเป็นไปได้ว่าแนวการป้องกันของลิเวอร์พูลและกลยุทธ์การบล็อกตรงกลางของทีม อย่างที่เห็นในการเล่นกับสเปอร์ ทำให้ประสิทธิภาพในเกมส์รับของลิเวอร์พูลสูงมาก ๆ ในฤดูกาลนี้

ทางฝั่งของเกมส์รุก เทรนต์ อเล็กซานเดอร์ – อาร์โนลด์และแอนดี้ โรเบิร์ตสันส์ กำลังโด่งดังจากการผ่านบอลครอสสนาม ซึ่งต้องบอกว่าการกระทำรูปแบบนี้นั้นค่อนข้างแปลกใหม่สำหรับเกมส์ฟุตบอลในยุคนี้

แต่มันมีเหตุผลรองรับเพียงพอที่ว่าการกระทำเหล่านี้เกิดจากแนวคิดของการจัดการพื้นที่การครอบครองบอล อเล็กซานเดอร์ – อาร์โนลด์ซึ่งเคยเผชิญหน้ากับสเปอร์สที่แอนฟิลด์ในช่วงต้นฤดูกาลและข้อมูลสถิติการผ่านบอลของเขาในเกมส์แรกแสดงดังภาพด้านล่าง

เครือข่ายผ่านของเทรนต์อเล็กซานเดอร์อาร์โนลด์กับสเปอร์สที่แอนฟิลด์
เส้นทางการผ่านบอลของเทรนต์อเล็กซานเดอร์อาร์โนลด์ในเกมส์กับสเปอร์สที่แอนฟิลด์

จากรูปแสดงให้เห็นการผ่านบอลแบบแนวทแยงมุม ชี้ให้เห็นว่าการผ่านบอลลักษณะนี้ของ อเล็กซานเดอร์ – อาร์โนลด์ ได้รับคำสั่งจาก Klopp อย่างจงใจ

กองกลางของลิเวอร์พูลได้รับการวิพากษ์วิจารณ์ในช่วงไม่กี่ปีที่ผ่านมาเนื่องจากขาดความคิดสร้างสรรค์ แต่จะเกิดอะไรขึ้นถ้าใช้ข้อมูลการจัดการพื้นที่การครอบครองบอลผ่าน Data Science ? 

ความเสี่ยงในการครอบครองโดยทั่วไปแล้วนั้น จะถูกนำมาใช้โดยกองหลังเต็มรูปแบบของทีม ในขณะที่กองกลางกลางในทีมของ Klopp มุ่งไปที่การรักษาวินัยในการเล่นและมุ่งเน้นไปที่การรักษาสมดุลของทีมเป็นหลัก 

ซึ่งบางทีแผนก Data Science ของลิเวอร์พูลได้ค้นพบจุดศูนย์กลางของสนามที่สำคัญที่สุดในการป้องกัน ดังนั้นผู้เล่นอย่าง Jordan Henderson และ Gini Wijnaldum ก็มักจะเล่นบอลแบบ Play-Safe อยู่เสมอ อย่างที่เราได้เห็นกันมาตลอด

และในทางกลับกัน พื้นที่แนวรุก ด้านใน ทั้งด้านขวาและซ้าย ที่นำโดย Sandio Mane และ Mohamed Salah และ ช่องว่างตรงกลางหลังแนวรับฝั่งคู่แข่ง อาจจะได้รับการพิจารณาว่าเป็นพื้นที่ที่มีประสิทธิภาพมากที่สุดในการใช้ในการโจมตีนั่นเอง

ลิเวอร์พูลทำคะแนนกับเอฟเวอร์ตันด้วยการกดผ่านด่านยาว ๆ ง่ายๆ
ลิเวอร์พูลโจมตีเอฟเวอร์ตันด้วยการวางบอลยาวแบบง่าย ๆ

ไม่มีใครรู้ว่าว่าทีมลิเวอร์พูลได้ค้นพบสุดยอดความลับจาก Data Science มาน้อยเพียงใด ที่ส่งผลให้ทีมฟอร์มแข็งแกร่งอย่างที่เราได้เห็นในปัจจุบันนี้ แต่เมื่อพิจารณาว่าพวกเขาสามารถคว้าแชมป์สโมสรโลกและแพ้ในการแข่งขันพรีเมียร์ลีกเพียงครั้งเดียวตั้งแต่เดือนพฤษภาคม 2018 มันเป็นไปได้สูง ที่ข้อได้เปรียบที่ได้รับจาก Data Science จะส่งผลอย่างมากต่อทีมลิเวอร์พูลในยุคของ Klopp อย่างที่เราได้เห็นกันในทุกวันนี้นั่นเองครับ

ความคิดเห็นเพิ่มเติมจากผู้เขียน

แน่นอนว่ามันไม่ใช่เรื่องบังเอิญ ที่ทำให้ทีมอย่างลิเวอร์พูลก้าวมาถึงจุดที่เราเห็นในวันนี้ มันต้องประกอบด้วยส่วนประกอบที่ลงตัวหลาย ๆ ส่วน ไม่ใช่แค่เพียงความสามารถจากกุนซือสมองเพชรอย่าง Jurgen Klopp เพียงอย่างเดียว

การเปลี่ยนแปลงของลิเวอร์พูลมันชัดเจนมาตั้งแต่การเข้ามา take over สโมสรของ จอห์น เฮนรี่ ซึ่งเขาเป็นคนที่มีประวัติไม่ธรรมดา เมื่อสามารถทำทีมเบสบอลอย่าง บอสตันเรดซอกซ์ ประสบความสำเร็จมาแล้ว ด้วยการใช้ข้อมูลจาก Billy Beane

ซึ่งผมก็เป็นคนหนึ่งที่เป็นแฟนฟุตบอลตัวยงแต่เชียร์ทีมปืนใหญ่ อาเซน่อล ซึ่ง ได้มองเห็นภาพความสำเร็จทีละขั้น ๆ ของลิเวอร์พูลมาโดยตลอด และไม่แปลกใจเลยเมื่อได้อ่านข้อมูลจากบทความนี้ ที่ Data Science กลายมาเป็นปัจจัยที่สำคัญชี้ขาดอย่างหนึ่งที่ยกระดับความสามารถของทีมลิเวอร์พูลให้แข็งแกร่งได้ถึงเพียงนี้

เราจะเห็นได้ว่า ลิเวอร์พูล เล่นอะไรง่าย ๆ ไปเสียหมด การรุกที่จังหวะไม่มากนัก แต่มีประสิทธิภาพเป็นอย่างยิ่ง แนวป้องกัน ที่ยากที่จะเจาะเข้าไปทำลาย ซึ่งแม้กระทั่งเป๊บ กุนซือมากความสามารถ ก็ยังต้องยอมศิโรราบให้กับลิเวอร์พูลในยุคนี้

แน่นอนว่าทีมอื่น ๆ ก็ต้องมาเริ่มโฟกัสกับเรื่องของข้อมูล โดยเฉพาะงานด้าน Data Science ให้มากยิ่งขึ้น เพราะนับวันทีมลิเวอร์พูลจะทิ้งห่างคู่แข่งออกไปเรื่อย ๆ เมื่อส่วนผสมของพวกเขาลงตัวในทุก ๆ จุด และส่วนผสมที่สำคัญระหว่างศาสตร์ทางด้านฟุตบอลของ Klopp และ ศาสตร์ด้านข้อมูลที่มาจากทีมงาน Data Science ของพวกเขา กำลังแสดงให้โลกเห็นว่า ข้อมูลนั้นสำคัญเพียงใดกับเกมส์ฟุตบอล ซึ่งสุดท้ายมันอาจจะทำให้พวกเขาประสบความสำเร็จ และยากที่จะมีคู่แข่งมาต่อกร ไปอีกนานแสนนานเลยทีเดียวนั่นเองครับผม

References : https://www.liverpool.com/liverpool-fc-news/features/liverpool-transfer-news-jurgen-klopp-17569689 https://www.fourfourtwo.com/news/liverpool-pepijn-lijnders-jurgen-klopp-assistant-manager-lifts-lid-working-what-it-is-like

AI สามารถเอาชนะหมอได้ในการจำแนกมะเร็ง

ต้องบอกว่า AI กำลังเริ่มที่จะเข้ามามีบทบาทมากขึ้นในวงการแพทย์หลังจากผลวิจัยล่าสุดที่ชี้ให้เห็นว่า AI มีความสามารถในการวิเคราะห์มะเร็งเต้านมได้ดีกว่าแพทย์ผู้เชี่ยวชาญซะอีก ซึ่งก็ต้องบอกว่าไม่ใช่เรื่องน่าแปลกใจใด ๆ กับผลการวิจัยดังกล่าวเนื่องจาก AI ที่มีพื้นฐานจาก Machine Learning นั้น เป็นการเลียนแบบการทำงานของสมองมนุษย์เรา

แต่ทำไมถึงมีประสิทธิภาพมากกว่าล่ะ?  ก็เพราะมนุษย์ยังมีขีดจำกัดหลาย ๆ อย่างที่ไม่สามารถต่อกรกับ AI ได้เช่น หน่วยความจำ  หรือ อารมณ์ ที่มีผลเกี่ยวข้องกับประสิทธิภาพการทำงานของมนุษย์เรา

ผมได้เคยเขียน blog ที่เกี่ยวข้องกับเรื่องนี้ทั้ง  Machine Learning กับการวิเคราะห์มะเร็งเต้านม ที่เป็นงานวิจัยเมื่อหลายปีมาแล้วยังให้ประสิทธิภาพที่น่าตกใจ หรือ blog AI ตัวช่วยหรือภัยคุกคามอาชีพรังสีแพทย์  ซึ่งจะเห็นภาพได้ถึงความก้าวหน้าของเทคโนโลยีด้าน AI ที่กำลังมีบทบาทมากขึ้นเรื่อย ๆ กับวงการแพทย์ โดยเฉพาะงานที่สามารถเลียนแบบการทำงานของสมองมนุษย์ได้อย่าง การวิเคราะห์มะเร็ง จากภาพ Digital Mammogram Image

ซึ่งจาก งานวิจัย ล่าสุด ของ Babak Ehteshami Bejnordi ที่ Radbound University Medical Center ในประเทศ Netherlands นั้น ได้รายงานผลการแข่งขันในหัวข้อ การแพร่กระจายของมะเร็งในมะเร็งต่อมน้ำเหลือง ( หรือที่เรียกว่า CAMELYON16) ซึ่งการแข่งขันใช้เวลา 12 เดือน จนถึงเดือนพฤศจิกายนปี 2016

ซึ่ง CAMELYON16 นั้นเป็นการวิจัยที่ต้องหาวิธีการตรวจหาเซลล์มะเร็งในการตรวจชิ้นเนื้อต่อมน้ำเหลืองจากผู้หญิงที่เป็นมะเร็งเต้านมโดยวิธีอัติโนมัติ ซึ่งในระหว่างการผ่าตัดนั้นศัลยแพทย์ จะทำการฉีดสารรังสีและทำให้เนื้อเยื่อเต้านมที่ใกล้กับเนื้องอกกลายเป็นสีน้ำเงิน ซึ่งบริเวณเหล่านี้นั้นจะได้รับการหล่อเลี้ยงโดยระบบต่อมน้ำเหลือง โดยจะอยู่บริเวณรักแร้ ของร่างกายเรา

โดยแพทย์สามารถตรวจหาต่อมน้ำเหลืองด้วยวิธีการนับ Geiger และใช้สายตาในการวิเคราะห์ เพื่อค้นหา node ที่เป็นสีน้ำเงิน ซึ่งใช้ชื่อเรียกว่า “Sentinel Node”  โดย และขั้นตอนสำคัญสุดท้ายคือการตัดชิ้นเนื้อไปตรวจสอบโดยนักพยาธิวิทยาโดยใช้กล้องจุลทรรศน์ในการตรวจหา

ซึ่งการตรวจที่ไม่พบเซลล์มะเร็งนั้นเป็นเรื่องที่ดีอย่างแน่นอน แต่หากพบเซลล์มะเร็งใน Sentinel Node นั้น ก็อาจจะบ่งบอกพฤติกรรมถึงการแพร่กระจาย ซึ่งต้องรักษาต่อด้วยการฉายรังสี หรือ ทำการผ่าตัดต่อ ซึ่งการผ่าตัดเพื่อกำจัดต่อมน้ำเหลืองใต้วงแขนนั้นอาจจะทำให้เกิด effect ให้ผู้ป่วยแขนบวม หรือ ทำให้แขนใช้การไม่ได้ ก็เป็นได้

และจากการศึกษาในปี 2012 พบว่า หลังจากการส่งตรวจสอบโดยละเอียดจากพยาธิแพทย์พบว่า  1 ใน 4 ของผลการตรวจนั้นถูกเปลี่ยนให้กลายเป็นประเภทที่ร้ายแรงมากยิ่งขึ้น เพราะผ่านการตรวจละเอียดผ่านกล้องจุลทรรศน์ และเมื่อเปรียบเทียบกับการศึกษาล่าสุดที่อ้างอิงจากงานวิจัยในวารสาร The Journal of the American Medical Association (JAMA) การใช้เทคนิคของ Machine Learning Algorithm นั้น พบว่าในการตรวจจำนวน 129 ชิ้นเนื้อนั้น พบว่า 49 ชิ้นมีเซลล์ของมะเร็ง ส่วนอีก 80 ชิ้นนั้นไม่พบความผิดปรกติ

ซึ่งจากงานศึกษาดังกล่าวเมื่อเปรียบเทียบแล้วนั้น พยาธิแพทย์ ต้องใช้เวลาและประสบการณ์ทำงานมาหลายปี แต่ ต่างจาก AI ที่ได้รับการ trained เพียง 270 ตัวอย่าง โดย 110 ตัวอย่างที่นำมา train ผ่าน Machine Learning Algorithm นั้นจะเป็น cell มะเร็งโดยจะมีป้ายกำกับอยู่

และยิ่งเมื่อเทียบกับเวลาที่ใช้ตรวจสอบนั้น พยาธิแพทย์ ใช้เวลา 2 ชม.ในการตรวจสอบชิ้นเนื้อของคนไข้แต่ละรายใน workload การทำงานปรกติ แต่หากในกรณีพยาธิแพทย์ที่ไม่มีการ limit เวลาเพื่อให้ตรวจได้มีประสิทธิภาพมากขึ้นนั้นพบว่าใช้เวลาถึง 30 ชม.ในการตรวจสอบ

นักพยาธิวิทยา ใช้เวลาเยอะกว่า AI มากในการวิเคราะห์ผล

นักพยาธิวิทยา ใช้เวลาเยอะกว่า AI มากในการวิเคราะห์ผล

ซึ่งหากเป็น workload ปรกตินั้น พยาธิแพทย์ สามารถตรวจสอบได้ความแม่นยำ 31 ชิ้น จาก 49 ชิ้นที่เป็นเซลล์มะเร็ง แต่หากปล่อยให้มีเวลามากขึ้นและให้ตรวจสอบอย่างละเอียดนั้นสามารถตรวจได้ความแม่นยำ 46 ชิ้น จาก 49 ชิ้นที่เป็นเซลล์มะเร็ง

จะเห็นได้ว่าเรื่องของเวลานั้นก็มีผลต่อความแม่นยำในการตรวจสอบเหมือนกัน ตามภาระ workload การทำงานของพยาธิแพทย์ จึงไม่ได้รีดเอาประสิทธิภาพทั้งหมดของพยาธิแพทย์จริง ๆ หากทำงานในภาวะปรกติที่มีเวลาจำกัด

ซึ่งเมื่อเทียบกับ AI นั้น อัลกอริทึม ที่มีประสิทธิภาพสูงสุด นำเสนอโดย Harvard Medical School และสถาบัน MIT ซึ่งสามารถให้ความแม่นยำเทียบเท่าพยาธิแพทย์ ที่ใช้เวลา 30 ชม.ในการตรวจสอบในแต่ละชิ้นเนื้อ ซึ่งแต่ถ้าเทียบความเร็วนั้น AI สามารถทำได้ภายในไม่กี่วินาที

ต่างจากพยาธิแพทย์ที่ต้องใช้เวลาถึง 30 ชม.ต่อชิ้นเนื้อเพื่อให้ได้ความแม่นยำเท่า AI  ซึ่งมันเป็นไปไม่ได้ในทางปฏิบัติจริงที่พยาธิแพทย์มี workload การทำงานมหาศาล

ในเดือนกุมภาพันธ์ ปี 2017 มีอีกรายงานจากนักวิจัยจากมหาวิทยาลัยสแตนฟอร์ด ที่ได้รายงานว่าอัลกอริธึมที่ได้วินิจฉัยโรคมะเร็งผิวหนังมีประสิทธิภาพใกล้เคียงกับแพทย์ผิวหนังที่ได้รับ Certified ทางด้าน Dermatologists

จากนั้นในเดือนเมษายน ปี 2017 งานวิจัยที่นำโดย Stephen Weng จาก University of Nottingham พบว่า AI นั้นมีความสามารถในการทำนายอาการหัวใจวาย และโรคหลอดเลือดสมองในผู้ป่วยทั่วไป ซึ่ง ผลจากงานวิจัยดังกล่าวทำให้นำไปสู่แนวทางการหาทางป้องกันให้กับผู้ป่วยได้ดีขึ้น

ในเดือนกรกฎาคมปี 2017 การศึกษาของทีม Andrew Ng จากมหาวิทยาลัยสแตนฟอร์ด ได้รายงานว่า Deep Learning Algorithm นั้นสามารถที่จะตรวจพบภาวะหัวใจเต้นผิดจังหวะที่ถูกบันทึกจากเครื่อง ECG มีความแม่นยำกว่าการตรวจของหมอ

และมีการศึกษาอื่น ๆ ของทีม Andrew Ng ที่เผยแพร่ในเดือน พฤศจิกายน ปี 2017 ที่ได้รายงาน Algorithm ที่สามารถตรวจสอบหาโรคปอดบวมได้ดีกว่ารังสีแพทย์ จากการตรวจ Chest X-rays

Andrew Ng ปรมาจารย์ด้าน AI ลำดับต้น ๆ ของโลก

Andrew Ng ปรมาจารย์ด้าน AI ลำดับต้น ๆ ของโลก

และในเดือนเดียวกันนี้ Tien Yin Wong จาก Singapore National Eye Center ได้ทำการศึกษาด้วยเทคนิค Deep Learning เพื่อตรวจสอบภาพจากม่านตาที่ใช้ข้อมูลในการทดสอบกว่า 500,000 ภาพนั้น พบว่าสามารถใช้ Deep Learning ในการหาผู้ป่วยที่มีโรคเบาหวานได้จากม่านตา ได้ความแม่นยำ เทียบเท่า ผู้เชี่ยวชาญในด้านนี้

Jeffrey Golden จาก Harvard Medical School ได้กล่าวไว้ว่า “AI และการใช้เทคนิคทางคอมพิวเตอร์อื่น ๆ นั้นต้องมีการรวมเข้ากับโปรแกรมการฝึกอบรมของเหล่านักศึกษาแพทย์ ซึ่งอนาคตของนักพยาธิวิทยานั้นต้องปรับตัวในการทำงานร่วมกับ AI ในการปฏิบัติงานประจำวันของพวกเขา เพื่อให้มีประสิทธิภาพการทำงานที่ดียิ่งขึ้น ซึ่งจะเป็นผลดีกับผู้ป่วย”

งานเขียนในวารสาร New England Journal of Medicine ในเดือนกันยายนของปี 2017 นั้น Dr.Ziad Obermeyer และ Thomas Lee ได้กล่าวไว้ว่า “การเตรียมความพร้อมของนักศึกษาแพทย์ในช่วงปริญญาตรีในปัจจุบันนั้นเป็นสิ่งที่ล้าสมัยไปแล้ว ในภาวะที่เทคโนโลยีทางด้านคอมพิวเตอร์กำลังก้าวรุดหน้าไปอย่างรวดเร็ว แต่การศึกษาด้านแพทย์นั้นไม่ค่อยมีการฝึกอบรมด้าน Data Science , ข้อมูลสถิติ หรือ ด้านวิทยาศาสตร์ที่สามารถนำ computer algorithm ไปประยุกต์ใช้ในการปฏิบัติทางคลินิกได้” ซึ่งเรื่องเหล่านี้นั้นเป็นสิ่งจำเป็นที่เหล่าผู้บริหารของ Medical School รวมถึง คณบดีคณะแพทย์ในทุกพื้นที่ทั่วโลก ที่รับผิดชอบในการออกแบบหลักสูตรทางการแพทย์ควรรับฟังเป็นอย่างยิ่ง

References : cosmosmagazine.com , camelyon16.grand-challenge.org

ติดตาม ด.ดล Blog เพิ่มเติมได้ที่
Fanpage :facebook.com/tharadhol.blog
Blockdit :blockdit.com/tharadhol.blog
Twitter :twitter.com/tharadhol
Instragram :instragram.com/tharadhol