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