Stanford ได้เผยแพร่งานวิจัยด้านการพัฒนาปัญญาประดิษฐ์เพื่อวินิจฉัยอาการเจ็บป่วยชื่อว่า CheXNet ซึ่งสามารถวิเคราะห์ภาพถ่าย X-ray ทรวงอก และตรวจหาอาการโรคปอดบวมได้ดีกว่านักรังสีวิทยาด้วย

ทีมวิจัยซึ่งนำโดย Andrew Ng ได้สร้างอัลกอริธึมปัญญาประดิษฐ์แบบ deep learning และใช้ข้อมูลภาพถ่าย X-ray ทรวงอกกว่า 112,000 ภาพ มาเทรนให้กับ CheXNet โดยนอกจากมันจะสามารถตรวจสอบโรคปอดบวมแล้ว CheXNet ยังสามารถตรวจสอบอาการเจ็บป่วยอื่นๆ ในช่องอกได้อีก 13 โรค

CheXNet ทำการวิเคราะห์ภาพถ่าย X-ray (ขาว-ดำ) แล้วให้ผลลัพธ์ออกมาในรูปของ heat map ซึ่งจะเน้นบริเวณที่บ่งชี้ว่ามีความผิดปกติ

ทีมวิจัยเลือกมุ่งเป้าไปที่การวิเคราะห์ภาพถ่าย X-ray เพื่อตรวจหาอาการโรคปอดบวม เนื่องจากในแต่ละปีมีชาวอเมริกันป่วยเป็นโรคนี้ราว 1 ล้านคน แต่ทว่าการตรวจพบสิ่งบ่งชี้ของโรคนี้จากภาพถ่าย X-ray กลับทำได้น้อยมาก และเพื่อการนี้ทีมวิจัยได้ร่วมมือกับ Matthew Lungren ซึ่งเป็นผู้ช่วยศาสตราจารย์ด้านรังสีวิทยา เชิญนักรังสีวิทยาของ Stanford มา 4 ท่าน เพื่อช่วยในการทดสอบและปรับปรุง CheXNet

ในการทดสอบความสามารถในการวินิจฉัยโรคนั้น นักรังสีวิทยาแต่ละคนจะทำการวิเคราะห์ภาพถ่าย X-ray จำนวน 420 ภาพ และระบุว่าภาพไหนแสดงถึงอาการของโรคใด โดยการวิเคราะห์ของแต่ละคนจะทำแยกกันโดยไม่มีการปรึกษากัน จากนั้นก็ใช้ CheXNet มาวิเคราะห์ภาพเหล่านั้นเพื่อให้ระบุภาพที่แสดงอาการของโรคต่างๆ ด้วย ซึ่งภายในเวลาไม่ถึง 2 เดือน หลังจากการทดสอบและปรับปรุงอัลกอริธึมครั้งแล้วครั้งเล่า CheXNet ก็สามารถวิเคราะห์ภาพถ่าย X-ray และระบุอาการของโรคต่างๆ ได้ผลถูกต้องด้วยอัตราที่เหนือกว่างานวิจัยด้านปัญญาประดิษฐ์ที่คล้ายคลึงที่เคยเผยแพร่มาก่อนหน้า

ที่สำคัญ CheXNet ยังทำหน้าที่ได้ไม่แพ้นักรังสีวิทยาของ Stanford เองด้วย โดยเฉพาะโรคปอดบวมแล้ว CheXNet สามารถวิเคราะห์ภาพถ่าย X-ray ได้ถูกต้องแม่นยำยิ่งกว่านักรังสีวิทยาที่เข้าร่วมงานวิจัยด้วย

การตัดสินว่า CheXNet วิเคราะห์อาการเจ็บป่วยได้ดีหรือไม่นั้น ใช้การตัดสินด้วยข้อมูลสถิติ โดยใช้กราฟ ROC ซึ่งแสดงความสัมพันธ์กันระหว่างความไวและความจำเพาะของการวินิจัย (ยิ่งความไวมากยิ่งดี เพราะหมายถึงตรวจพบผู้ป่วยจริงได้ถูกต้องมาก ในขณะที่ความจำเพาะยิ่งมากก็ยิ่งดีเช่นกัน เพราะแปลว่าจำแนกผู้ที่ไม่ป่วยออกมาจากกลุ่มข้อมูลได้ถูกต้องมาก)

ภาพกราฟ ROC แสดงข้อมูลความไว (sensitivity) และความจำเพาะ (specificity) ของการวินิจัยฉัยโรค โดยกากบาทสีส้มคือผลการวินิจฉัยของนักรังสีวิทยา 4 คน (ค่าเฉลี่ยคือกากบาทสีเขียว) ส่วนแนวเส้นสีน้ำเงิน คือผลของ CheXNet

นอกเหนือจาก CheXNet แล้ว ทีมวิจัยทีมเดียวกันนี้ก็ยังอยู่ในช่วงทำงานเพื่อสร้างปัญญาประดิษฐ์สำหรับตรวจหาความผิดปกติของอัตราการเต้นของหัวใจ และการจัดทำเวชระเบียนต่างๆ ด้วยระบบอิเล็กทรอนิกส์

หวังว่าวิทยาการด้านการแพทย์ที่รับเอาความก้าวหน้าทางด้านเทคโนโลยีปัญญาประดิษฐ์จะช่วยชีวิตคนได้เพิ่มขึ้นอีกมากในอนาคตอันใกล้นี้ และช่วยเจือจางความกลัวปัญญาประดิษฐ์ที่ใครหลายคนอาจจะรับภาพจำฝังใจมาจากสื่อในอดีตได้

ที่มา - Stanford News, เอกสารงานวิจัย