ด้วยความสามารถของ AI ทำให้หุ่นยนต์ผ่าตัดนั้น สามารถที่จะเรียนรู้จากการผ่าตัดครั้งก่อน ๆ หน้า เพื่อปรับเทคนิคในการผ่าตัดครั้งตอไปให้กับคนไข้ได้ ซึ่งมี Case Study ที่นำเอา AI มาช่วยเหลือหมอผ่าตัดกระดูกและข้อ ซึ่งสามารถลดจำนวนการผ่าตัดได้ถึง 5 เท่า หากเทียบกับ ให้หมอ Orthopedic ได้ทำการวิเคราะห์ด้วยตัวเองเพียงคนเดียว
แถมยังช่วบลดความไม่จำเป็นในการเข้ามาที่โรงพยาบาลได้อีกด้วย ตัวอย่างที่ประสบความสำเร็จของ Virtual Assistant เช่น Care Angel’s ที่มีความสามารถทีช่วยเช็คสุขภาพเบื้องต้นของผู้ป่วยผ่านทางการสื่อสารด้วยเสียง และความสามารถของ AI ที่จะช่วยคัดกรองคนไข้ เพื่อไม่ต้องเข้ามาที่โรงพยบาลหากไม่ใช่เรื่องจำเป็นจริง ๆ
3. Aid clinical judgement or diagnosis
ในปัจจุบันมีหลาย use case ที่น่าสนใจในการนำ AI เข้ามาร่วมในการวินิจฉัยผลของคนไข้ ตัวอย่างนึงที่น่าสนใจคือทาง มหาวิทลัย Standford ได้ทำการทดสอบ AI Algorithm ในการตรวจมะเร็งผิวหนัง โดยมีการเปรียบเทียบกับ หมอผู้เชี่ยวชาญทางด้านผิวหนัง แล้วพบว่า ผลของการวินิจฉัยด้วย AI นั้น มีความสามารถเทียบเท่ากับการใช้หมอผู้เชี่ยวชาญด้านผิวหนังในการวินิจฉัย แต่สิ่งที่แตกต่างกันอย่างชัดเจน คือ เวลา ที่ใช้ในการวินิจฉัยต่างกันอย่างมาก AI สามารถทำได้ภายในระยะเวลาไม่กี่นาที ต่างกับ หมอผู้เชี่ยวชาญที่ต้องใช้เวลาหลายชม. ในการวิเคราะห์ผล
ส่วนทางฝั่งยักษ์ใหญ่ Search Engine จากจีนอย่าง Baidu Research นั้น ก็ได้ทำการทดสอบ Deep learning algorithm ที่สามารถที่จะระบุถึงการแพร่กระจายของมะเร็งเต้านม ได้ดีกว่าการวิเคราะห์จากมนุษย์
ส่วนทางด้านประเทศอังกฤษ นายกรัฐมนตรี Theresa May ก็ได้ประกาศวาระสำคัญของชาติ คือ AI Revolution ซึ่งจะช่วยเหลือ National Health Service (NHS) ซึ่งคงคล้ายๆ สปสช. ของบ้านเรา ในการช่วยทำนายผู้ป่วยที่มีโอกาสเกิดโรคมะเร็ง โดยการวิเคราะห์จาก ข้อมูลทางด้านสุขภาพ พฤติกรรมการใช้ชีวิต รวมถึงพฤติกรรมการรับประทานอาหาร และยังวิเคราะห์จากข้อมูลทางด้าน พันธุกรรมของคนไข้ เพื่อช่วยทำนายว่า คนไข้ มีความเสี่ยงที่จะเป็นโรคมะเร็งหรือไม่ โดยใช้ AI และข้อมูลจาก NHS
ซึ่งตัวอย่างนึงที่ใช้ AI ในการช่วยเหลืองานด้าน Admin คือการร่วมมือกันระหว่าง Cleveland Clinic และ IBM โดยมีการนำเอา IBM’s Watson มาช่วยในการวางแผนการรักษาให้กับแพทย์ โดยทำการวิเคราะห์จากข้อมูล medical record โดยใช้เทคโนโลยี Natural language processing เพื่อช่วยวางแผนการรักษาให้กับแพทย์ได้อย่างมีประสิทธิภาพมากยิ่งขึ้น
ตัวอย่างสำคัญในการวิเคราะห์ที่ทำให้ process เหล่านี้ทำได้รวดเร็วขึ้น คือ ในงานวิจัยของ MIT ได้ทำการพัฒนา machine learning algorithm ที่สามารถจะวิเคราะห์ภาพ Scan 3D จากการถ่าย MRI , CT-SCAN โดยสามารถที่จะวิเคราะห์ได้เร็วกว่าผู้เชี่ยวชาญที่เป็นมนุษย์ถึง 1000 เท่า ซึ่งเป็นตัวเลขที่น่าสนใจเลยทีเดียว
ซึ่ง AI นั้นจะมาช่วยเหลืออย่างมากกับงานด้านรังสีแพทย์ เพราะเป็นงานที่ AI สามารถทำงานได้ดีที่สุด เนื่องจากเป็นการใช้ประสบการณ์การเรียนรู้จากข้อมูลในอดีต หากมีคลังข้อมูลที่มากพอ ก็ทำให้ AI มีผลการวิเคราะห์ที่แม่นยำกว่ารังสีแพทย์ผู้เชี่ยวชาญเสียอีก
รวมถึงการที่ AI สามารถมาช่วยเหลืองานด้าน Telemedicine ในพื้นที่ห่างไกล ซึ่งคนไข้สามารถที่จะใช้ Smartphone ในการถ่ายภาพเบื้องต้น ของบริเวณที่ได้รับบาดเจ็บ หรือ ต้องการรักษา ซึ่ง AI สามารถที่จะช่วยเหลือในการวิเคราะห์อาการเบื้องต้นจากภาพถ่ายเหล่านี้ได้ และสามารถ guide แนวทางการรักษาเบื้องต้นให้กับผู้ป่วยที่อยู่ในพื้นที่ห่างไกลได้
AI จะเข้ามาช่วยเหลือหรือแย่งงานจากคนในอุตสาหกรรม Healthcare
Atrribute Reduction based on Atribute Importance Function
มี paper หลายตัวที่นำเสนอการใช้ Support Vector Machine ในการวิเคราะห์ มะเร็งเต้านม ซึ่งให้ค่าความแม่นยำไม่ต่างกันเท่าไหร่ในหลากหลายวิธี แต่ในตอนนั้นผมสนใจในเรื่องการ Improve Attribute base on Inportance Function ซึ่งเป็นการกรองคุณสมบัติ หรือ features ที่เป็นขยะออกไปให้มากที่สุด เนื่องจากเราใช้ค่าทางสถิติหลายอย่างในการจำแนก ซึ่งบางค่านั้นแทบจะไม่มีผลต่อความแม่นยำในการจำแนกผลเลยด้วยซ้ำ เทคนิค นี้ก็ทำเพื่อแยก คุณสมบัติที่มีผลต่อความแม่นยำจริง ๆ ให้ได้มากที่สุด ก่อนนำไป training
ซึ่งผมได้สนใจเป็นพิเศษในงานวิจัย An Improved Attribute Reduction Algorithm based on Attribute Importance function ได้นำเสนอวิธีในการลดคุณลักษณะของข้อมูลโดยปรับปรุงส่วนของ Discernibility Matrix ของ Attribute โดยจะพิจารณาจากฟังก์ชั่นที่สำคัญ เมื่อนำข้อมูลมาแปลงในรูปแบบของ Binary Discernibility Matrix รวมกับการคุณสมบัติการลดคุณลักษณะโดยใช้ Rough Set Theory โดยจะลดคุณลักษณะที่ไม่จำเป็นออกโดยใช้ฟังก์ชันสำคัญของคุณลักษณะที่ได้ทำการปรับปรุงผ่าน ของ Matrix ซึ่งจะสามารถทำให้มีประสิทธิภาพที่ดีขึ้น
โดยการพิสูจน์ทำโดยวิเคราะห์ความเปรียบต่าง (contrast) ซึ่งเมื่อมองใน time complexity นั้นจะมีประสิทธิภาพกว่างานวิจัยพื้นฐานของการใช้ Rough Set Theory ในการลดคุณลักษณะของข้อมูล วิธีการลดคุณลักษณะของ Matrix Binary Discernibility ซึ่งแม้ว่าคุณลักษณะที่ตรงกับคอลัมน์ใน Matrix ที่มีค่า “1” จำนวนมากนั้น ซึ่งในหลาย ๆ งานวิจัย แสดงให้เห็นว่าสามารถลดส่วนที่ไม่จำเป็นออกไปได้โดยมองจาก Importance Function ซึ่งมองที่ จำนวนการเกิดของคุณลักษณะ และ ความยาวขององค์ประกอบของ Discernibility Binary Matrix ซึ่งจะได้ค่าฟังก์ชั่นดังนี้
เมื่อ mij คือ Binary Discernibility Matrix ซึ่งได้จากการแปลงข้อมูลที่เราสนใจโดยใช้การDicretizationซึ่งจากสมการนั้น Count(c) หมายถึงจำนวนรวมของ c attribute ที่ปรากฏใน matrix Len c (mij) คือความยาวขององค์ประกอบใน matrix ที่มีคุณสมบัติ c
จากสมการจะได้ค่าตามอัตราส่วนของจำนวนลักษณะที่ปรากฏ และความยาวเฉลี่ยของ matrix ที่มีคุณสมบัติ c ซึ่งหมายความว่าถ้าการเกิดขึ้นของสองลักษณะที่แตกต่างกันจำนวนมาก ทำให้คุณลักษณะนั้นปรากฏมากขึ้น ซึ่งส่วนที่สำคัญในการลดคุณลักษณะคือ คุณสมบัติที่มีจำนวนการเกิดที่โดดเด่นของข้อมูลที่มีคุณลักษณะ c
ซึ่ง N หมายถึงจำนวน Gray Level ในภาพเต้านมโดย fk เป็นระดับสีเทา ที่ nk คือจำนวน pixel ที่ fk เป็น Gray Level และ n คือ จำนวน pixel ทั้งหมด
ซึ่งคุณสมบัติการจำแนกนั้นจะมีการคำนวณใน windows ที่มีขนาดเล็กของรูปต้นฉบับ โดยที่จะนำรูปต้นฉบับนั้นมาแบ่งเป็นสี่ส่วน เพื่อเพิ่มประสิทธิภาพในการจำแนกผล ซึ่งค่าสถิติต่าง ๆ ที่ได้ทำการคำนวณใน 16 ส่วนย่อยนั้น จะได้ค่าคุณสมบัติทั้งหมด 64 ค่าของแต่ละ image โดยจะนำค่าดังกล่าวไปประมวลผลกับเทคนิค Support Vector Machine เป็นลำดับต่อไป
Experiment
โดยในการทดลอง ก็จะนำเทคนิคและงานวิจัยที่เกี่ยวข้องดังกล่าวมาพัฒนาและปรับปรุง ในด้านประสิทธิภาพการทำงานทั้งในเรื่องของความแม่นยำของการจำแนก และรวมถึงประสิทธิภาพในการประมวลผลข้อมูลให้ดียิ่งขึ้น โดยการทดลองจะเน้นที่การปรับปรุงส่วนของการคัดเลือกคุณลักษณะที่เหมาะสม เพื่อให้ SVM algorithm ทำงานได้อย่างมีประสิทธิภาพมากขึ้น ซึ่งจากงานวิจัย ก่อนหน้านั้นจะเห็นได้ถึงแนวทางในการปรับปรุงการคัดเลือกคุณลักษณะที่เหมาะสมโดยมองที่ฟังก์ชั่นสำคัญ ซึ่งจะเป็นการลดคุณลักษณะของข้อมูล และเมื่อเปรียบเทียบกับการใช้ Rough Set Theory แบบ General Model หรือ การใช้ Genetic algorithm ร่วมกับเทคนิคของ Decision Tree นั้น ก็เป็นแนวทางที่สามารถทำให้ได้ผลการทดลองมีประสิทธิภาพมากยิ่งขึ้น
ซึ่งเมื่อทำการศึกษาจุดอ่อนและจุดแข็งของแต่ละงานวิจัยที่เกี่ยวข้องกับการจำแนกภาพดิจิตอลแมมโมแกรมนั้น เราสามารถใช้เทคนิค ที่มีอยู่มาปรับใช้ได้อย่างมีประสิทธิภาพ จึงเป็นจุดที่ผมสนใจที่จะนำเทคนิคต่าง ๆ ที่เกี่ยวข้องมาปรับและเพิ่มเติมในส่วนที่เป็นข้อบกพร่องกับการทดลองให้มีประสิทธิภาพการทำงานที่ดีขึ้น และสามารถใช้กับข้อมูลจริง ที่ได้จากการทำงานจริงกับโรงพยาบาลที่มีเครื่องมือประเภท Digital Mammogram เพื่อใช้ในการวิเคราะห์รักษาและช่วยจำแนกประเภทของข้อมูลภาพเต้านม ร่วมกับผู้เชี่ยวชาญที่เป็นแพทย์ทางด้านรังสีวิทยาได้อย่างมีประสิทธิภาพมากยิ่งขึ้น
ซึ่งจากงานวิจัยที่เกี่ยวข้องนั้นสามารถนำมาปรับปรุงการคัดเลือกคุณลักษณะเพื่อเพิ่มประสิทธิภาพโดยใช้เทคนิคของ Reduction Attribute based on important function เพื่อปรับปรุงความแม่นยำและประสิทธิภาพการทำงานของการคัดเลือกและจำแนกโดยใช้ SVM Algorithm กับภาพประเภทดิจิตอลแมมโมแกรมซึ่งมี วิธีการดังนี้
ส่วนของ input data นั้นผมจะใช้ภาพดิจิตอลแมมโมแกรมจาก MIAS ( Mammogram Image Analysis Society) ซึ่งเป็นข้อมูลที่ใช้เป็นมาตรฐานของงานวิจัยที่ยอมรับในปัจจุบันและจากงานวิจัยที่เกี่ยวข้องกับการทำ Feature Extraction ของดิจิตอลแมมโมแกรมนั้น จะใช้เทคนิคของ GLCM ในการ extract features ซึ่งจะได้ค่า features ที่มีประสิทธิภาพในการจำแนกผลที่ให้ความแม่นยำสูง
รวมถึงค่า features ทางด้านสถิติต่าง ๆ เพื่อเข้าสู่กระบวนการ Features Selection โดยใช้พื้นฐานของงานวิจัยในด้านการลดคุณลักษณะ ( Reduction Attribute based on important function) โดยจะมีการแก้ไขข้อจำกัดในเรื่องของ significant weight ที่จากงานวิจัยตัวอย่าง นั้นจะมีข้อจำกัดในข้อมูลที่ทำการ discretization ออกมาแล้ว Matrix เหลือขนาดเล็กเกินไปทำให้การคำนวณค่า significant weight