បញ្ហា (The Problem)៖ ការលេចឡើងជាថ្មីនៃជំងឺអុតស្វា (Monkeypox) បង្កឱ្យមានកង្វល់សុខភាពសកល ខណៈដែលវិធីសាស្ត្រវិនិច្ឆ័យបែបប្រពៃណីដូចជា PCR ទាមទារធនធានច្រើន និងមិនអាចអនុវត្តបានទូលំទូលាយនៅក្នុងតំបន់ដែលមានធនធានកំណត់។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះគឺជាការពិនិត្យឡើងវិញ (Review) ទៅលើបច្ចេកវិទ្យាម៉ាស៊ីនរៀន (Machine Learning) និងការរៀនស៊ីជម្រៅ (Deep Learning) ផ្សេងៗ ដើម្បីវាយតម្លៃប្រសិទ្ធភាពក្នុងការរកឃើញជំងឺ និងដោះស្រាយបញ្ហាទិន្នន័យ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| SpaSA Optimized CNN (VGG19) ការប្រើប្រាស់ Sparrow Search Algorithm (SpaSA) ដើម្បីបង្កើនប្រសិទ្ធភាពគំរូ VGG19 |
មានល្បឿនលឿន និងកាត់បន្ថយអត្រាបរាជ័យក្នុងការវិភាគរូបភាព ដោយផ្តល់នូវប្រសិទ្ធភាពខ្ពស់បំផុតក្នុងចំណោមវិធីសាស្ត្រដែលបានសិក្សា។ | ទាមទារការពឹងផ្អែកខ្ពស់លើអង្គភាពកែច្នៃក្រាហ្វិក (GPU) ដែលមានអនុភាពខ្លាំង និងហេដ្ឋារចនាសម្ព័ន្ធកុំព្យូទ័រទំនើប។ | សម្រេចបាននូវភាពត្រឹមត្រូវ (Accuracy) ៩៩.៨៧% ក្នុងរយៈពេល ១២០ វិនាទី។ |
| Transfer Learning (InceptionV3) ការរៀនបន្ត (Transfer Learning) ដោយប្រើប្រាស់គំរូ InceptionV3 ដែលបានបណ្ដុះបណ្តាលរួចស្រេច |
សមស្របសម្រាប់តំបន់ដែលមានធនធានកំណត់ ដោយមិនទាមទារទិន្នន័យបណ្ដុះបណ្តាលច្រើនសន្ធឹកសន្ធាប់ និងអាចដំណើរការលើកុំព្យូទ័រដែលមានសមត្ថភាពមធ្យម។ | ប្រសិទ្ធភាពអាចប្រែប្រួលខ្លាំងអាស្រ័យលើគុណភាព និងភាពចម្រុះនៃទិន្នន័យតូចៗដែលយកមកបណ្ដុះបណ្តាលបន្ថែម។ | សម្រេចបាននូវភាពត្រឹមត្រូវ ៩៨% ក្នុងការកំណត់អត្តសញ្ញាណជំងឺ។ |
| Federated Learning ការរៀនបែបសហព័ន្ធ (Federated Learning) ដើម្បីការពារឯកជនភាព |
អនុញ្ញាតឱ្យមន្ទីរពេទ្យសហការគ្នាបង្កើតគំរូ AI ដោយមិនចាំបាច់ចែករំលែកទិន្នន័យអ្នកជំងឺផ្ទាល់ ដែលធានាសុវត្ថិភាពទិន្នន័យខ្ពស់។ | មានភាពស្មុគស្មាញក្នុងការអនុវត្តបច្ចេកទេស និងទទួលបានលទ្ធផលទាបជាងបន្តិចបើធៀបនឹងការបណ្ដុះបណ្តាលបែបមជ្ឈការ (Centralized Training)។ | សម្រេចបាននូវភាពត្រឹមត្រូវ ៨៧.៥០% ក្នុងការធ្វើតេស្ត។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តបច្ចេកវិទ្យានេះទាមទារការវិនិយោគលើផ្នែករឹងកុំព្យូទ័រដែលមានសមត្ថភាពខ្ពស់សម្រាប់ការបណ្ដុះបណ្តាលគំរូ ប៉ុន្តែអាចដាក់ឱ្យប្រើប្រាស់លើឧបករណ៍សាមញ្ញបាននៅពេលគំរូសម្រេចរួចរាល់។
ការសិក្សានេះពឹងផ្អែកខ្លាំងលើឃ្លាំងទិន្នន័យសាធារណៈដែលជារឿយៗមានកង្វះខាតរូបភាពនៃប្រភេទស្បែកចម្រុះ។ សម្រាប់កម្ពុជា នេះគឺជាបញ្ហាប្រឈមដ៏សំខាន់ ព្រោះគំរូ AI ដែលបណ្ដុះបណ្តាលលើរូបភាពស្បែកជនជាតិស្បែកស អាចនឹងមានកំហុស (Bias) នៅពេលយកមកវិភាគលើស្បែកជនជាតិអាស៊ី ដែលធ្វើឱ្យប៉ះពាល់ដល់សុក្រឹតភាពនៃការធ្វើរោគវិនិច្ឆ័យ។
វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់សម្រាប់ប្រទេសកម្ពុជា ជាពិសេសក្នុងការជួយដល់គ្រូពេទ្យនៅតំបន់ដាច់ស្រយាលដែលខ្វះខាតឧបករណ៍ពិសោធន៍ PCR។
បច្ចេកវិទ្យានេះគឺជាដំណោះស្រាយដ៏មានប្រសិទ្ធភាពសម្រាប់ការធ្វើរោគវិនិច្ឆ័យបឋម ប៉ុន្តែចាំបាច់ត្រូវមានការប្រមូលទិន្នន័យរូបភាពក្នុងស្រុកបន្ថែមទៀត ដើម្បីកាត់បន្ថយភាពលំអៀង និងធានាប្រសិទ្ធភាពសម្រាប់ប្រជាជនកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Convolutional Neural Networks (CNNs) | ជាបច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិត (AI) ដែលត្រូវបានរចនាឡើងយ៉ាងពិសេសសម្រាប់ការវិភាគរូបភាព ដោយវាមានសមត្ថភាពស្កេនរកលំនាំសំខាន់ៗដូចជា ខ្សែគែម រូបរាង និងពណ៌ ដើម្បីកំណត់អត្តសញ្ញាណជំងឺ ឬវត្ថុផ្សេងៗក្នុងរូបភាពនោះ។ | ដូចជាភ្នែករបស់មនុស្សដែលមើលរូបភាព ហើយអាចបែងចែកថានេះជាសត្វឆ្មា ឬសត្វឆ្កែ ដោយផ្អែកលើរូបរាងត្រចៀក និងច្រមុះរបស់វា។ |
| Transfer Learning | គឺជាវិធីសាស្ត្រដែលយកគំរូ AI ដែលត្រូវបានបណ្ដុះបណ្តាលយ៉ាងស្ទាត់ជំនាញលើទិន្នន័យទូទៅដ៏ច្រើនរួចស្រេច មកកែសម្រួលបន្តិចបន្តួចដើម្បីប្រើប្រាស់លើការងារថ្មីដែលមានទិន្នន័យតិចតួច (ដូចជាការរកជំងឺអុតស្វា)។ | ដូចជាអ្នកបើកបរឡានដឹកទំនិញដែលមានជំនាញស្រាប់ ហើយគ្រាន់តែត្រូវការរៀនបន្ថែមបន្តិចបន្តួចដើម្បីចេះបើកបរឡានក្រុង ដោយមិនចាំបាច់រៀនបើកបរពីដំបូងឡើយ។ |
| Federated Learning | ជាបច្ចេកទេសបណ្ដុះបណ្តាល AI បែបវិមជ្ឈការ ដែលអនុញ្ញាតឱ្យមន្ទីរពេទ្យជាច្រើនសហការគ្នាបង្កើនសមត្ថភាព AI ដោយមិនចាំបាច់បញ្ជូនទិន្នន័យអ្នកជំងឺចេញទៅក្រៅ ឬចែករំលែកឱ្យគ្នាឡើយ ដើម្បីការពារឯកជនភាព។ | ដូចជាចុងភៅច្រើននាក់ដែលសាកល្បងរូបមន្តម្ហូបនៅផ្ទះបាយរៀងខ្លួន ហើយគ្រាន់តែចែករំលែកលទ្ធផលនៃការកែប្រែរសជាតិគ្នាទៅវិញទៅមក ដោយមិនបង្ហាញគ្រឿងផ្សំសម្ងាត់ ឬឱ្យអ្នកដទៃចូលផ្ទះបាយខ្លួនឡើយ។ |
| Explainable AI (XAI) | សំដៅលើសំណុំនៃវិធីសាស្ត្រដែលធ្វើឱ្យលទ្ធផលនៃការសម្រេចចិត្តរបស់ AI អាចត្រូវបានយល់ និងពន្យល់បានដោយមនុស្ស ដើម្បីឱ្យគ្រូពេទ្យអាចទុកចិត្តលើការធ្វើរោគវិនិច្ឆ័យនោះ ដោយមិនចាត់ទុកវាជា 'ប្រអប់ខ្មៅ' (Black Box) ដែលអាថ៌កំបាំង។ | ដូចជាគ្រូគណិតវិទ្យាដែលតម្រូវឱ្យសិស្សបង្ហាញដំណោះស្រាយលំហាត់មួយដំណាក់កាលម្តងៗ ដើម្បីបញ្ជាក់ថាចម្លើយត្រឹមត្រូវ ជាជាងគ្រាន់តែសរសេរចម្លើយចុងក្រោយ។ |
| Synthetic Data | គឺជាទិន្នន័យដែលត្រូវបានបង្កើតឡើងដោយកុំព្យូទ័រ (មិនមែនជារូបភាពថតផ្ទាល់ពីអ្នកជំងឺពិត) ដើម្បីយកមកប្រើប្រាស់ក្នុងការបណ្ដុះបណ្តាល AI នៅពេលដែលទិន្នន័យជាក់ស្តែងមានការខ្វះខាត ឬកម្ររកបាន។ | ដូចជាការប្រើប្រាស់កម្មវិធីសាកល្បងហោះហើរ (Flight Simulator) ដើម្បីបង្រៀនពីឡុតឱ្យចេះដោះស្រាយបញ្ហា ជំនួសឱ្យការហោះហើរយន្តហោះពិតប្រាកដដែលអាចមានគ្រោះថ្នាក់។ |
| Metabolomics | ការសិក្សាវិភាគទៅលើម៉ូលេគុលតូចៗ (Metabolites) នៅក្នុងកោសិកា ឬសារធាតុរាវក្នុងរាងកាយ ដែលផ្តល់ព័ត៌មានលម្អិតអំពីដំណើរការជីវសាស្ត្រ និងស្ថានភាពសុខភាពរបស់អ្នកជំងឺក្នុងកម្រិតម៉ូលេគុល។ | ដូចជាការពិនិត្យមើលផ្សែងដែលចេញពីបំពង់ស៊ីម៉ាំងឡាន ដើម្បីដឹងថាម៉ាស៊ីនខាងក្នុងដំណើរការល្អ ឬមានបញ្ហាអ្វី ដោយមិនចាំបាច់រុះរើម៉ាស៊ីន។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
