បញ្ហា (The Problem)៖ ជំងឺផាកឃីនសាន់ (Parkinson’s Disease) ពិបាកធ្វើរោគវិនិច្ឆ័យនៅដំណាក់កាលដំបូង ដោយសាររោគសញ្ញាមានភាពស្រដៀងគ្នាទៅនឹងស្ថានភាពផ្សេងទៀត ហើយការព្យាបាលបច្ចុប្បន្នពឹងផ្អែកខ្លាំងលើការសង្កេតរោគសញ្ញាចលនា (Motor symptoms) ដែលលេចឡើងយឺតពេល។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះធ្វើការពិនិត្យឡើងវិញនូវបច្ចេកវិទ្យា Machine Learning (ML) និង Deep Learning (DL) ដែលត្រូវបានអនុវត្តលើទិន្នន័យវេជ្ជសាស្ត្រពហុទម្រង់ ដើម្បីកែលម្អការធ្វើរោគវិនិច្ឆ័យ និងការព្យាករណ៍។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Imaging-based DL (MRI/fMRI) ការវិភាគរូបភាពវេជ្ជសាស្ត្រដោយប្រើ Deep Learning |
មានភាពជាក់លាក់ខ្ពស់ក្នុងការកំណត់ការផ្លាស់ប្តូររចនាសម្ព័ន្ធខួរក្បាល និងអាចរកឃើញជំងឺនៅដំណាក់កាលដំបូង។ | ត្រូវការឧបករណ៍ស្កេនតម្លៃថ្លៃ (MRI scanners) ទិន្នន័យច្រើន និងមិនអាចយកតាមខ្លួនបាន។ | សម្រេចបានភាពត្រឹមត្រូវរហូតដល់ ៩៥% ក្នុងការបែងចែករោគសញ្ញា (ឧទាហរណ៍៖ ការសិក្សារបស់ Volkmann et al.)។ |
| Voice/Speech Analysis (ML/DL) ការវិភាគសំឡេងនិងការនិយាយ |
ចំណាយតិច មិនត្រូវការវះកាត់ និងអាចអនុវត្តបានតាមរយៈទូរស័ព្ទដៃ (Smartphone) សម្រាប់វេជ្ជសាស្ត្រពីចម្ងាយ។ | លទ្ធផលអាចប្រែប្រួលដោយសារសំឡេងរំខាន និងភាពខុសគ្នានៃភាសា (Language dependency)។ | ម៉ូដែល XGBoost ទទួលបានភាពត្រឹមត្រូវ ៨៨% និង CNN ទទួលបានរហូតដល់ ៩៩% លើសំណុំទិន្នន័យជាក់លាក់។ |
| Wearable Sensors & Gait Analysis ការវិភាគចលនាដោយប្រើឧបករណ៍ចាប់សញ្ញា (Sensors) |
អាចតាមដានរោគសញ្ញាជាប់លាប់ក្នុងជីវិតប្រចាំថ្ងៃ និងរកឃើញការគាំងដំណើរ (Freezing of Gait) បានទាន់ពេលវេលា។ | ទិន្នន័យអាចមានភាពមិនច្បាស់លាស់ដោយសារការដាក់ឧបករណ៍ខុសទីតាំង និងពិបាកអនុវត្តក្រៅមន្ទីរពិសោធន៍។ | ម៉ូដែល Wide-CNN ទទួលបាន AUC ០.៩១២ ក្នុងការរកឃើញការគាំងដំណើរ (Sigcha et al.)។ |
| Multimodal Fusion ការបញ្ចូលទិន្នន័យពហុទម្រង់ (រូបភាព + សំឡេង + ជីវសញ្ញា) |
ផ្តល់នូវភាពត្រឹមត្រូវខ្ពស់ជាងការប្រើប្រាស់វិធីសាស្ត្រតែមួយមុខ និងកាត់បន្ថយចំណុចខ្សោយនៃទិន្នន័យនីមួយៗ។ | មានភាពស្មុគស្មាញខ្ពស់ក្នុងការបញ្ចូលទិន្នន័យ និងត្រូវការធនធានកុំព្យូទ័រខ្លាំង។ | ការបញ្ចូលគ្នានៃ MRI និងទិន្នន័យគ្លីនិក បង្កើនភាពត្រឹមត្រូវដល់ ៩៨.៤៤% (Islam et al.)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តបច្ចេកទេសទាំងនេះទាមទារធនធានផ្នែករឹងកម្រិតខ្ពស់ និងការសហការជាមួយស្ថាប័នវេជ្ជសាស្ត្រ។
ការសិក្សាភាគច្រើនប្រើប្រាស់សំណុំទិន្នន័យពីប្រទេសលោកខាងលិច (ដូចជា PPMI) ដែលអាចមិនតំណាងឱ្យប្រជាជននៅអាស៊ីអាគ្នេយ៍ ឬកម្ពុជា។ ម៉ូដែលវិភាគសំឡេងដែលបង្ហាត់លើភាសាអង់គ្លេស ឬចិន អាចនឹងមិនមានប្រសិទ្ធភាពសម្រាប់ភាសាខ្មែរ ដោយសារភាពខុសគ្នានៃសូរសព្ទ។
វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់សម្រាប់កម្ពុជា ជាពិសេសបច្ចេកវិទ្យាដែលមានតម្លៃទាប និងអាចប្រើប្រាស់តាមទូរស័ព្ទដៃ។
ទោះបីជាការអនុវត្តពេញលេញត្រូវការពេលវេលា ប៉ុន្តែការចាប់ផ្តើមស្រាវជ្រាវលើកម្មវិធីទូរស័ព្ទសម្រាប់ការរកឃើញរោគសញ្ញាដំបូង គឺជាជំហានដ៏សមស្របបំផុតសម្រាប់បរិបទកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Convolutional Neural Network (CNN) | ជាប្រភេទនៃបច្ចេកវិទ្យា Deep Learning ដែលត្រូវបានរចនាឡើងយ៉ាងពិសេសដើម្បីវិភាគទិន្នន័យជារូបភាព។ នៅក្នុងបរិបទនៃការសិក្សានេះ វាត្រូវបានប្រើដើម្បីស្កេនរូបភាព MRI ឬរូបភាពនៃរលកសំឡេង (Spectrograms) ដើម្បីស្វែងរកលំនាំមិនប្រក្រតីដែលភ្នែកមនុស្សពិបាកមើលឃើញ។ | ដូចជាការប្រើកែវយឹតពិនិត្យមើលរូបភាពមួយផ្នែកម្តងៗយ៉ាងលម្អិត ដើម្បីស្វែងរកលក្ខណៈពិសេសដែលលាក់កំបាំង។ |
| Multimodal Fusion | ជាបច្ចេកទេសនៃការបញ្ចូលទិន្នន័យពីប្រភពផ្សេងៗគ្នា (ដូចជារូបភាព MRI សំឡេង ការដើរ និងលទ្ធផលឈាម) ចូលទៅក្នុងប្រព័ន្ធវិភាគតែមួយ ដើម្បីបង្កើនភាពសុក្រឹតនៃការធ្វើរោគវិនិច្ឆ័យឱ្យខ្ពស់ជាងការប្រើប្រាស់ទិន្នន័យតែមួយមុខ។ | ដូចជាការសួរយោបល់ពីគ្រូពេទ្យជំនាញបីនាក់ផ្សេងគ្នា (ផ្នែកខួរក្បាល ផ្នែកចលនា និងផ្នែកសំឡេង) ដើម្បីទទួលបានការសន្និដ្ឋានច្បាស់លាស់បំផុត។ |
| Prodromal Parkinson’s Disease | សំដៅលើដំណាក់កាលដំបូងនៃជំងឺដែលការផ្លាស់ប្តូរជីវសាស្ត្រក្នុងរាងកាយបានចាប់ផ្តើមកើតឡើង ប៉ុន្តែរោគសញ្ញាជាក់ស្តែងដែលទាក់ទងនឹងចលនា (ដូចជាការញ័រដៃ) មិនទាន់លេចចេញមកនៅឡើយ។ AI ព្យាយាមចាប់យកដំណាក់កាលនេះដើម្បីការពារទាន់ពេល។ | ដូចជាការឃើញពពកខ្មៅដែលជាសញ្ញាប្រាប់ថានឹងមានភ្លៀងធ្លាក់ មុនពេលតំណក់ភ្លៀងធ្លាក់មកដល់ដី។ |
| Freezing of Gait (FoG) | ជារោគសញ្ញាមួយនៃជំងឺផាកឃីនសាន់ ដែលអ្នកជំងឺមានអារម្មណ៍ថាជើងរបស់ពួកគេជាប់នឹងដីភ្លាមៗ និងមិនអាចបោះជំហានទៅមុខបានមួយរយៈខ្លី ដែលជាញឹកញាប់បណ្តាលឱ្យដួល។ ឧបករណ៍ចាប់សញ្ញា (Sensors) ត្រូវបានប្រើដើម្បីរកមើលស្ថានភាពនេះ។ | ដូចជាពេលដែលវីដេអូគាំង (Buffer) មួយសន្ទុះ ហើយមិនដំណើរការទៅមុខ ទោះបីជាអ្នកព្យាយាមបញ្ជាវាក៏ដោយ។ |
| Explainable AI (XAI) | ជាបច្ចេកទេសដែលធ្វើឱ្យលទ្ធផលនៃប្រព័ន្ធ AI អាចត្រូវបានបកស្រាយ និងយល់បានដោយមនុស្ស។ វាជួយបង្ហាញហេតុផលថាហេតុអ្វីបានជាកុំព្យូទ័រសម្រេចចិត្តថាអ្នកជំងឺមានជំងឺ ដើម្បីឱ្យគ្រូពេទ្យអាចទុកចិត្តលើលទ្ធផលនោះ។ | ដូចជាសិស្សដែលបង្ហាញវិធីធ្វើលំហាត់គណិតវិទ្យាដល់គ្រូ មិនមែនគ្រាន់តែសរសេរចម្លើយចុងក្រោយនោះទេ។ |
| Spectrogram | ជាការបំប្លែងរលកសំឡេងទៅជារូបភាពក្រាហ្វិកដែលបង្ហាញពីកម្រិតហ្វ្រេកង់តាមពេលវេលា។ វិធីនេះអនុញ្ញាតឱ្យកុំព្យូទ័រអាចវិភាគសំឡេងរបស់អ្នកជំងឺដោយប្រើបច្ចេកទេសវិភាគរូបភាព (Image Processing)។ | ដូចជាការមើលឃើញរូបរាងនៃសំឡេងនៅលើអេក្រង់ម៉ាស៊ីនខារ៉ាអូខេ ដើម្បីដឹងថាវាខ្ពស់ឬទាប។ |
| Bradykinesia | ជាពាក្យបច្ចេកទេសវេជ្ជសាស្ត្រដែលមានន័យថាការយឺតយ៉ាវនៃចលនារាងកាយ។ នៅក្នុង AI វាត្រូវបានវាស់វែងតាមរយៈការវិភាគវីដេអូ ឬឧបករណ៍ចាប់សញ្ញាដើម្បីវាយតម្លៃកម្រិតធ្ងន់ធ្ងរនៃជំងឺ។ | ដូចជាការមើលវីដេអូក្នុងល្បឿនយឺត (Slow motion) ទោះបីជាអ្នកកំពុងព្យាយាមធ្វើចលនាលឿនក៏ដោយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
