បញ្ហា (The Problem)៖ ការធ្វើរោគវិនិច្ឆ័យជំងឺ Parkinson (PD) នៅដំណាក់កាលដំបូងជួបប្រទះការលំបាកដោយសារកង្វះវិធីសាស្ត្រដែលអាចពង្រីកបាន និងមិនមានការឈឺចាប់ ខណៈដែលការប្រើប្រាស់ទិន្នន័យទម្រង់ទោល (Unimodal) នៅមានកម្រិតក្នុងការចាប់យករោគសញ្ញាសរសៃប្រសាទ-ចលនាឱ្យបានពេញលេញ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានស្នើឡើងនូវក្របខ័ណ្ឌបញ្ញាសិប្បនិមិត្តពហុទម្រង់ (Multimodal AI) ដែលរួមបញ្ចូលការវិភាគទិន្នន័យសកម្មភាពចលនាដៃតាមពេលវេលា និងលំហ ដើម្បីបង្កើនភាពត្រឹមត្រូវនៃការរកឃើញជំងឺ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| FTT Only (Gradient Boosting Machine - GBM) ម៉ូដែលទម្រង់ទោលប្រើទិន្នន័យថាមវន្តនៃការចុចក្ដារចុច (FTT) ជាមួយ GBM |
មានប្រសិទ្ធភាពខ្ពស់ក្នុងការចាប់យកភាពមិនប្រក្រតីតាមពេលវេលា ដូចជាចង្វាក់នៃការវាយអក្សរ និងរោគសញ្ញាចលនាយឺត (Bradykinesia) ដោយទទួលបានភាពត្រឹមត្រូវខ្ពស់គួរសម។ | មិនអាចចាប់យកភាពមិនប្រក្រតីខាងផ្នែកលំហ (Spatial distortions) ដូចជារោគសញ្ញាញ័រដៃ និងមានអត្រាអវិជ្ជមានក្លែងក្លាយ (False Negatives) ខ្ពស់ជាងម៉ូដែលរួមបញ្ចូលគ្នា។ | ទទួលបានភាពត្រឹមត្រូវ 96.12% និងតម្លៃ AUC 0.97។ |
| HWT Only (Convolutional Neural Network - CNN) ម៉ូដែលទម្រង់ទោលប្រើទិន្នន័យវិភាគការសរសេរដោយដៃ (HWT) ជាមួយ CNN |
ពូកែក្នុងការទាញយកលក្ខណៈពិសេសតាមលំហពីរូបភាពគំនូរ ដូចជារោគសញ្ញាញ័រ និងទំហំអក្សរតូចខុសធម្មតា (Micrographia)។ | ទទួលបានភាពត្រឹមត្រូវទាបជាងគេ ងាយរងឥទ្ធិពលពីភាពខុសគ្នានៃទម្លាប់សរសេររបស់បុគ្គល និងងាយមានកំហុសដោយសារគុណភាពរូបភាពទាប។ | ទទួលបានភាពត្រឹមត្រូវ 86.70% និងតម្លៃ AUC 0.90។ |
| Multimodal Fusion (FTT + HWT) ម៉ូដែលបញ្ចូលគ្នាពហុទម្រង់ (ចុចក្ដារចុច + សរសេរដោយដៃ) |
ផ្ដល់នូវភាពត្រឹមត្រូវ និងភាពរសើបខ្ពស់បំផុតក្នុងការធ្វើរោគវិនិច្ឆ័យ ដោយកាត់បន្ថយអត្រាអវិជ្ជមានក្លែងក្លាយបានយ៉ាងមានប្រសិទ្ធភាពបំផុតតាមរយៈការរួមបញ្ចូលសញ្ញាទាំងពេលវេលា និងលំហ។ | ទាមទារការប្រមូលទិន្នន័យពីប្រភពចំនួនពីរផ្សេងគ្នា ដែលប្រើប្រាស់ពេលវេលានិងធនធានគណនាច្រើនជាងម៉ូដែលទោល។ | ទទួលបានភាពត្រឹមត្រូវសរុបខ្ពស់បំផុតរហូតដល់ 98.21%។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធនេះទាមទារធនធានកម្រិតមធ្យមទៅខ្ពស់ ជាពិសេសកម្លាំងម៉ាស៊ីនសម្រាប់ដំណើរការម៉ូដែល Deep Learning ក៏ដូចជាឧបករណ៍ប្រមូលទិន្នន័យច្បាស់លាស់។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យសាធារណៈ (Tappy Keystroke និង Kaggle Handwriting) ដែលភាគច្រើនប្រមូលពីប្រជាជននៅប្រទេសលោកខាងលិច។ ភាពខុសគ្នានៃទម្លាប់វាយអក្សរ (ឧទាហរណ៍ ការវាយអក្សរខ្មែរធៀបនឹងអង់គ្លេស) ទំហំម្រាមដៃ និងរបៀបសរសេរដោយដៃ អាចធ្វើឱ្យម៉ូដែលនេះមិនទាន់មានភាពសុក្រឹតខ្ពស់សម្រាប់ប្រជាជនកម្ពុជាឡើយ ដែលទាមទារឱ្យមានការប្រមូលទិន្នន័យក្នុងស្រុកបន្ថែម។
វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់សម្រាប់ការអនុវត្តនៅប្រទេសកម្ពុជា ដោយសារវាមានចំណាយទាប មិនប៉ះពាល់រាងកាយ និងងាយស្រួលពង្រីកសម្រាប់ការប្រើប្រាស់ពីចម្ងាយ (Telemedicine)។
ជារួម ការធ្វើមូលដ្ឋានីយកម្មប្រព័ន្ធ AI នេះដោយប្រើទិន្នន័យក្នុងស្រុក អាចជួយធ្វើបដិវត្តន៍ការពិនិត្យជំងឺ Parkinson ឱ្យកាន់តែទូលំទូលាយ ចំណាយតិច និងជួយអ្នកជំងឺកម្ពុជាឱ្យទទួលបានការព្យាបាលទាន់ពេលវេលា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Multimodal Fusion | ដំណើរការនៃការរួមបញ្ចូលទិន្នន័យពីប្រភពពីរឬច្រើនផ្សេងគ្នា (ដូចជាពេលវេលាចុចក្ដារចុច និងលំហនៃការសរសេរ) ដើម្បីបង្កើតការព្យាករណ៍រោគវិនិច្ឆ័យរួមមួយដែលមានភាពត្រឹមត្រូវខ្ពស់ជាងការប្រើប្រភពតែមួយ។ | ដូចជាគ្រូពេទ្យពិនិត្យមើលទាំងលទ្ធផលឈាម និងរូបភាពអ៊ិចកាំរស្មី (X-ray) បញ្ចូលគ្នា ដើម្បីធ្វើរោគវិនិច្ឆ័យជំងឺឱ្យកាន់តែច្បាស់ ជំនួសឱ្យការមើលតែមួយមុខ។ |
| Neuro-Motor biomarkers | សូចនាករដែលអាចវាស់វែងបានពីសកម្មភាពសរសៃប្រសាទនិងសាច់ដុំ ដែលបញ្ជាក់ពីកម្រិតនៃការគ្រប់គ្រងចលនារបស់រាងកាយ (ឧ. ចង្វាក់នៃការគោះម្រាមដៃ ឬភាពរលូននៃការសរសេរ)។ | ដូចជាការស្តាប់សំឡេងម៉ាស៊ីនរថយន្តលោត ដើម្បីដឹងថាម៉ាស៊ីននៅដំណើរការល្អឬមានបញ្ហា។ |
| Keystroke dynamics | ការវាស់ស្ទង់ពីចលនានិងចង្វាក់នៃការវាយអក្សរលើក្ដារចុច ដូចជារយៈពេលដែលសង្កត់លើប៊ូតុងមួយ (Hold time) និងពេលវេលាផ្លាស់ទីពីប៊ូតុងមួយទៅប៊ូតុងមួយទៀត (Flight time)។ | ដូចជាការសម្គាល់មនុស្សម្នាក់តាមរយៈរបៀប និងល្បឿនដែលពួកគេដើរ ឬចុចទូរស័ព្ទប្រចាំថ្ងៃ។ |
| Bradykinesia | រោគសញ្ញានៃការថយចុះល្បឿន ឬភាពយឺតយ៉ាវខុសប្រក្រតីក្នុងការធ្វើចលនារាងកាយ ដែលជារោគសញ្ញាចម្បងមួយនៃជំងឺផាកឃីនសុន (Parkinson's Disease)។ | ដូចជាចលនារបស់វីដេអូដែលត្រូវបានចាក់ក្នុងល្បឿនយឺត (Slow-motion) ដែលធ្វើឱ្យរាងកាយពិបាកនឹងចាប់ផ្តើមធ្វើចលនាអ្វីមួយភ្លាមៗ។ |
| Micrographia | ស្ថានភាពមិនប្រក្រតីដែលអ្នកជំងឺសរសេរអក្សរមានទំហំតូចទៅៗបន្តិចម្ដងៗខុសពីធម្មតា ដែលបង្កឡើងដោយការថយចុះសមត្ថភាពបញ្ជាចលនាសាច់ដុំដៃ។ | ដូចជាការសរសេរអក្សរដែលផ្ដើមឡើងធំច្បាស់ល្អ តែរួញតូចទៅៗនៅចុងបន្ទាត់ដូចជាអ្នកសរសេរអស់កម្លាំង។ |
| Convolutional Neural Networks (CNNs) | ប្រភេទនៃបណ្ដាញសរសៃប្រសាទបញ្ញាសិប្បនិមិត្តដែលត្រូវបានរចនាឡើងយ៉ាងពិសេសសម្រាប់វិភាគ និងទាញយកលក្ខណៈសម្គាល់ពីរូបភាព (ឧ. រូបភាពគំនូរគូសរង្វង់) តាមរយៈការត្រងនិងកាត់បន្ថយទំហំទិន្នន័យដោយមិនបាត់បង់ព័ត៌មានសំខាន់។ | ដូចជាមនុស្សម្នាក់ដែលពាក់វ៉ែនតាកែវពង្រីក ដើម្បីស្វែងរកកំហុសឬស្នាមប្រេះតូចៗនៅលើផ្ទាំងគំនូរ។ |
| Gradient Boosting Machine (GBM) | ក្បួនដោះស្រាយម៉ាស៊ីនរៀន (Machine Learning) ដែលបង្កើតម៉ូដែលតូចៗជាបន្តបន្ទាប់ ដោយម៉ូដែលនីមួយៗព្យាយាមកែតម្រូវកំហុសរបស់ម៉ូដែលមុន ដើម្បីទទួលបានការព្យាករណ៍ចុងក្រោយដ៏សុក្រឹតបំផុត។ | ដូចជាការធ្វើការងារជាក្រុម ដែលសមាជិកម្នាក់ៗជួយកែចំណុចខ្វះខាតរបស់សមាជិកមុន រហូតទទួលបានលទ្ធផលរួមមួយដែលល្អឥតខ្ចោះ។ |
| Area Under the Curve (AUC) | រង្វាស់ស្តង់ដារសម្រាប់វាយតម្លៃប្រសិទ្ធភាពរបស់ម៉ូដែលចំណាត់ថ្នាក់ ដោយបង្ហាញពីសមត្ថភាពរបស់វាក្នុងការបែងចែកឱ្យបានត្រឹមត្រូវរវាងក្រុមអ្នកជំងឺ និងក្រុមមនុស្សធម្មតា (ពិន្ទុកាន់តែខិតជិត ១ គឺកាន់តែល្អ)។ | ដូចជាពិន្ទុប្រឡងសរុបរបស់សិស្ស ដែលប្រាប់យើងថាគាត់រៀនពូកែកម្រិតណាក្នុងការបែងចែកចម្លើយត្រូវនិងខុស។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
