បញ្ហា (The Problem)៖ ជំងឺភ្នែកគឺជាបញ្ហាសុខភាពដ៏ចម្បងដែលប៉ះពាល់ដល់មនុស្សរាប់លាននាក់ ខណៈដែលការរកឃើញទាន់ពេលវេលាមានសារៈសំខាន់សម្រាប់ការការព្យាបាល ប៉ុន្តែម៉ូដែល Deep Learning បច្ចុប្បន្ននៅខ្វះតម្លាភាពក្នុងការបកស្រាយលទ្ធផលនៃការធ្វើរោគវិនិច្ឆ័យ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះស្នើឡើងនូវវិធីសាស្ត្រថ្មីមួយដោយប្រើប្រាស់ម៉ូដែល Vision Transformer (ViT) ដែលត្រូវបានកំណត់ប៉ារ៉ាម៉ែត្រយ៉ាងល្អិតល្អន់ រួមជាមួយនឹងបច្ចេកទេសបញ្ញាសិប្បនិម្មិតដែលអាចពន្យល់បាន (Explainable AI)។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Proposed ViT (Hyper-tuned Vision Transformer) ម៉ូដែល Vision Transformer (ViT) ដែលបានកែសម្រួលយ៉ាងល្អិតល្អន់ |
ទទួលបានលទ្ធផលល្អបំផុតក្នុងការចាត់ថ្នាក់ជំងឺភ្នែក ព្រមទាំងមានសមត្ថភាពពន្យល់ពីដំណើរការនៃការសម្រេចចិត្ត (Explainable AI) ដែលជួយដល់ការយល់ដឹងរបស់គ្រូពេទ្យ។ | ទាមទារទិន្នន័យសម្រាប់បង្ហាត់ច្រើន និងត្រូវការកម្លាំងម៉ាស៊ីនមានក្រាហ្វិកកាត (GPU) ខ្ពស់ដើម្បីដំណើរការការគណនាស្មុគស្មាញ។ | សម្រេចបានភាពត្រឹមត្រូវខ្ពស់បំផុតរហូតដល់ ៩១,៤០%, Precision ៩៤,០៧% និង F1 Score ៩១,២៨%។ |
| MobileNetV2 ម៉ូដែល MobileNetV2 |
ប្រើប្រាស់ធនធានកុំព្យូទ័រតិច និងដំណើរការបានលឿន ដែលស័ក្តិសមបំផុតសម្រាប់ការដាក់ឱ្យដំណើរការលើឧបករណ៍ចល័ត ឬទូរស័ព្ទដៃ។ | ទោះបីជាលទ្ធផលល្អគួរសម ប៉ុន្តែវាមិនមានសមត្ថភាពផ្តល់នូវតម្លាភាពក្នុងការបកស្រាយលទ្ធផល (Lack of Explainability) ដូចម៉ូដែលដែលប្រើ XAI នោះទេ។ | ទទួលបានភាពត្រឹមត្រូវ ៩១,០៣% និង F1 Score ៨៩,២៧% ដែលស្ថិតនៅលំដាប់ទីពីរ។ |
| Baseline Deep Learning (VGG16 & ResNet50) ម៉ូដែល Deep Learning មូលដ្ឋាន (VGG16 និង ResNet50) |
ងាយស្រួលក្នុងការអនុវត្តតាមរយៈវិធីសាស្ត្រ Transfer Learning និងមានកូដគំរូជាច្រើនដែលអាចស្វែងរកបាននៅលើអ៊ីនធឺណិតទូទៅ។ | មានភាពត្រឹមត្រូវទាបជាងគេ និងជួបការលំបាកក្នុងការចាប់យកលក្ខណៈពិសេសតូចៗរវាងកោសិការូបភាពភ្នែក ដែលងាយធ្វើឱ្យមានការវិភាគខុស។ | ភាពត្រឹមត្រូវនៃការធ្វើតេស្តមានកម្រិតត្រឹម ៨១,៦៩% សម្រាប់ VGG16 និង ៨៨,៨៩% សម្រាប់ ResNet50។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការស្រាវជ្រាវនេះបានបញ្ជាក់យ៉ាងច្បាស់ពីធនធានផ្នែករឹង និងផ្នែកទន់ដែលត្រូវបានប្រើប្រាស់សម្រាប់ការបង្ហាត់ម៉ូដែល ដែលទាមទារកម្លាំងម៉ាស៊ីនកម្រិតមធ្យមទៅខ្ពស់។
ការសិក្សានេះត្រូវបានស្រាវជ្រាវ និងប្រើប្រាស់សំណុំទិន្នន័យរូបភាពរ៉េទីនភ្នែកតូចមួយ (៦០១ រូបភាព) ដែលប្រមូលបានពីប្រភពដែលមិនមានការចង្អុលបង្ហាញច្បាស់លាស់ពីទីតាំងភូមិសាស្ត្រ ឬជាតិសាសន៍របស់អ្នកជំងឺឡើយ។ សម្រាប់ប្រទេសកម្ពុជា ភាពលម្អៀងនេះគឺមានសារៈសំខាន់ណាស់ ព្រោះលក្ខណៈជីវសាស្ត្រ និងទម្រង់រ៉េទីនភ្នែករបស់ប្រជាជនអាស៊ីអាគ្នេយ៍អាចមានការប្រែប្រួល ដែលទាមទារឱ្យមានការសាកល្បងជាមួយទិន្នន័យក្នុងស្រុកបន្ថែមទៀតមុនពេលយកមកប្រើប្រាស់ជាក់ស្តែង។
ទោះបីជាមានបញ្ហាប្រឈមលើទំហំទិន្នន័យក៏ដោយ វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់ណាស់ក្នុងការកែលម្អវិស័យចក្ខុវិទ្យានៅប្រទេសកម្ពុជា ជាពិសេសនៅតាមតំបន់ដែលខ្វះខាតធនធាន។
ជារួម ការដាក់បញ្ចូលបញ្ញាសិប្បនិម្មិតដែលអាចពន្យល់បាន (Explainable AI) នឹងជួយបង្កើនតម្លាភាព និងទំនុកចិត្តដល់គ្រូពេទ្យកម្ពុជាក្នុងការប្រើប្រាស់បច្ចេកវិទ្យាដើម្បីវិភាគជំងឺភ្នែកឱ្យបានលឿន និងច្បាស់លាស់។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Vision Transformer | ជាស្ថាបត្យកម្មបញ្ញាសិប្បនិម្មិតដែលកាត់រូបភាពមួយជាបំណែកតូចៗ (Patches) ហើយវិភាគទំនាក់ទំនងរវាងបំណែកទាំងនោះព្រមៗគ្នាដើម្បីយល់ពីរូបភាពទាំងមូល ដោយមិនពឹងផ្អែកលើការស្កែនជាលំដាប់លំដោយដូចម៉ូដែលចាស់ៗ (CNN) ឡើយ។ | ដូចជាការយកផ្ទាំងរូបភាពធំមួយមកកាត់ជាបំណែកផ្គុំ (Jigsaw puzzle) ហើយអ្នកអាចមើលឃើញបំណែកទាំងអស់ក្នុងពេលតែមួយ ដើម្បីដឹងថានេះជារូបអ្វី ដោយមិនបាច់មើលតាំងពីឆ្វេងទៅស្តាំម្តងមួយៗ។ |
| Explainable AI | ជាបណ្តុំបច្ចេកទេសដែលជួយបកស្រាយ និងបង្ហាញពីហេតុផលនៅពីក្រោយការសម្រេចចិត្តរបស់ប្រព័ន្ធកុំព្យូទ័រ ដែលធ្វើឱ្យមនុស្សអាចយល់ដឹងថាហេតុអ្វីបានជាម៉ូដែលទស្សន៍ទាយលទ្ធផលបែបនេះ ជាជាងគ្រាន់តែបញ្ចេញចម្លើយយ៉ាងគិតិបិទជិត (Black box)។ | ដូចជាសិស្សដែលមិនត្រឹមតែផ្តល់ចម្លើយត្រឹមត្រូវក្នុងការប្រឡងគណិតវិទ្យាប៉ុណ្ណោះទេ តែថែមទាំងសរសេរយ៉ាងលម្អិតពីរបៀបគណនាពីមួយជំហានទៅមួយជំហានឱ្យគ្រូបានឃើញច្បាស់លាស់។ |
| Self-attention | ជាយន្តការគណនានៅក្នុងម៉ូដែល Transformer ដែលជួយឱ្យប្រព័ន្ធនេះដឹងថាត្រូវផ្តោតការយកចិត្តទុកដាក់លើផ្នែកណាមួយនៃទិន្នន័យ (ឬរូបភាព) ដែលមានសារៈសំខាន់ជាងគេក្នុងការជួយដល់ការសម្រេចចិត្តរួម។ | ដូចជាពេលអ្នកកំពុងស្តាប់នរណាម្នាក់និយាយក្នុងបន្ទប់ដែលមានសំឡេងរំខានច្រើន ខួរក្បាលអ្នកនឹងផ្តោតតែទៅលើសំឡេងរបស់អ្នកនិយាយនោះ ហើយច្រានចោលសំឡេងរំខានផ្សេងៗ។ |
| LIME | ជាបច្ចេកទេសពន្យល់ AI មួយដែលបង្កើតផែនទីកម្ដៅ (Heatmap) ដោយផ្តោតលើតំបន់តូចៗនៃទិន្នន័យ (ឧទាហរណ៍ ផ្នែកណាមួយនៃរូបភាពភ្នែក) ដើម្បីបង្ហាញថាតំបន់ណាដែលជះឥទ្ធិពលខ្លាំងជាងគេឱ្យ AI សម្រេចចិត្តចាត់ថ្នាក់ជំងឺនោះ។ | ដូចជាគ្រូពេទ្យដែលយកម្រាមដៃចង្អុលចំកន្លែងខូចខាតនៅលើរូបភាពស្កែនភ្នែក រួចប្រាប់អ្នកជំងឺថា "ដោយសារតែចំណុចតូចនេះហើយ ទើបខ្ញុំសន្និដ្ឋានថាអ្នកមានជំងឺទឹកដក់ក្នុងភ្នែក"។ |
| SHAP | ជាវិធីសាស្ត្រគណនាបែបទ្រឹស្តីហ្គេម (Game Theory) ដែលវាស់វែង និងបែងចែកពិន្ទុឥទ្ធិពលដល់លក្ខណៈពិសេសនីមួយៗ (Features) របស់ទិន្នន័យ ដើម្បីបង្ហាញថាចំណុចនីមួយៗបានចូលរួមចំណែកប៉ុន្មានភាគរយក្នុងការទស្សន៍ទាយចុងក្រោយរបស់ AI។ | ដូចជាការបែងចែកប្រាក់រង្វាន់ដល់កីឡាករក្នុងក្រុមបាល់ទាត់ម្នាក់ៗ ដោយផ្អែកលើទំហំនៃការខិតខំប្រឹងប្រែង និងការស៊ុតបញ្ចូលទីរបស់ពួកគេម្នាក់ៗដែលធ្វើឱ្យក្រុមទទួលបានជ័យជម្នះ។ |
| Data Augmentation | ជាដំណើរការនៃការបង្កើតទិន្នន័យថ្មីៗបន្ថែមពីលើទិន្នន័យដើមដែលមានស្រាប់ តាមរយៈការបំប្លែងរូបភាពបន្តិចបន្តួចដូចជា ការបង្វិល ការត្រឡប់ ឬការប្តូរទំហំ ដើម្បីបង្រៀនម៉ូដែលឱ្យកាន់តែឆ្លាត និងជៀសវាងបញ្ហាទន្ទេញចាំមាត់ (Overfitting)។ | ដូចជាការយកសៀវភៅលំហាត់តែមួយក្បាល មកប្តូរលេខ និងប្រធានបន្តិចបន្តួចដើម្បីបង្កើតជាលំហាត់ថ្មីៗរាប់រយទៀត ឱ្យសិស្សអនុវត្តទាល់តែស្ទាត់ជំនាញ។ |
| Hyper-parameter Tuning | ជាការកែសម្រួលតម្លៃកំណត់ជាមុន (Configurations) របស់ម៉ូដែល AI មុនពេលចាប់ផ្តើមដំណើរការបង្ហាត់ ដូចជាអត្រានៃការរៀនសូត្រ (Learning Rate) ដើម្បីស្វែងរកចំណុចដែលម៉ូដែលនោះអាចរៀនបានលឿន និងមានភាពត្រឹមត្រូវខ្ពស់បំផុត។ | ដូចជាការសារ៉េខ្សែហ្គីតាឱ្យត្រូវសម្លេង (Tuning) មុនពេលឡើងប្រគុំតន្ត្រី ដើម្បីធានាថាបទចម្រៀងដែលលេងចេញមកមានសម្លេងពិរោះរណ្តំល្អបំផុតតាមដែលអាចធ្វើទៅបាន។ |
| Gradient descent | ជាក្បួនដោះស្រាយគណិតវិទ្យាសម្រាប់ស្វែងរកចំណុចដែលទាបបំផុតនៃកំហុស (Loss function) របស់ម៉ូដែល ដោយធ្វើការកែតម្រូវប៉ារ៉ាម៉ែត្របន្តិចម្តងៗទៅតាមទិសដៅដែលកាត់បន្ថយកំហុសនោះរហូតដល់កម្រិតអប្បបរមា។ | ដូចជាមនុស្សបិទភ្នែកម្នាក់កំពុងព្យាយាមដើរចុះពីលើភ្នំ គាត់ប្រើជើងដើម្បីស្ទាបរកផ្លូវណាដែលជម្រាលចុះក្រោម ហើយដើរតាមផ្លូវនោះរហូតដល់គាត់ដល់បាតជ្រលងភ្នំ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
