Original Title: Automated Parkinson’s Disease Detection: A Review of Techniques, Datasets, Modalities, and Open Challenges
Source: doi.org/10.2478/ijssis-2024-0008
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការរកឃើញជំងឺផាកឃីនសុនដោយស្វ័យប្រវត្តិ៖ ការពិនិត្យឡើងវិញលើបច្ចេកទេស សំណុំទិន្នន័យ ទម្រង់រោគវិនិច្ឆ័យ និងបញ្ហាប្រឈម

ចំណងជើងដើម៖ Automated Parkinson’s Disease Detection: A Review of Techniques, Datasets, Modalities, and Open Challenges

អ្នកនិពន្ធ៖ Sheerin Zadoo (Central University of Jammu), Yashwant Singh (Central University of Jammu), Pradeep Kumar Singh (Central University of Jammu)

ឆ្នាំបោះពុម្ព៖ 2024 (International Journal on Smart Sensing and Intelligent Systems)

វិស័យសិក្សា៖ Computer Science / Health Informatics

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហានៃការលំបាកក្នុងការរកឃើញជំងឺផាកឃីនសុន (Parkinson’s Disease) នៅដំណាក់កាលដំបូង ដែលបច្ចុប្បន្នពឹងផ្អែកខ្លាំងលើការវិនិច្ឆ័យរបស់វេជ្ជបណ្ឌិត និងកង្វះការធ្វើតេស្តដែលមានភាពសុក្រឹតតែមួយ។

វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានធ្វើការពិនិត្យឡើងវិញយ៉ាងលម្អិតអំពីគំរូបញ្ញាសិប្បនិម្មិត (AI) ផ្សេងៗដែលត្រូវបានអនុវត្តលើសំណុំទិន្នន័យ និងទម្រង់រោគវិនិច្ឆ័យផ្សេងៗគ្នា ដើម្បីធ្វើស្វ័យប្រវត្តិកម្មនៃការរកឃើញជំងឺ និងព្យាករណ៍កម្រិតធ្ងន់ធ្ងរ។

ការវិភាគលើទម្រង់រោគវិនិច្ឆ័យ (Modalities) ដូចជា MRI, EEG, ការសរសេរដៃ និងការសម្គាល់សំឡេង
ការវាយតម្លៃបច្ចេកទេសម៉ាស៊ីនរៀន (Machine Learning) និងការរៀនស៊ីជម្រៅ (Deep Learning)
ការសិក្សាលើការប្រើប្រាស់បញ្ញាផ្លូវអារម្មណ៍ (Emotional Intelligence) ជាវិធីសាស្ត្រថ្មី

លទ្ធផលសំខាន់ៗ (The Verdict)៖

ការប្រើប្រាស់ Support Vector Machine (SVM) អាចសម្រេចបាននូវភាពត្រឹមត្រូវប្រហែល ៩៩% លើទម្រង់ MRI, ការនិយាយ និង EEG ។
ភាពត្រឹមត្រូវ ១០០% ត្រូវបានសម្រេចនៅក្នុងទម្រង់ EEG និងការសរសេរដៃ ដោយប្រើប្រាស់ Convolutional Neural Network (CNN) និងក្បួនដោះស្រាយ OCSA ។
បញ្ញាផ្លូវអារម្មណ៍ (EI) គឺជាបច្ចេកវិទ្យាថ្មីដែលលេចធ្លោសម្រាប់ការរកឃើញជំងឺនៅដំណាក់កាលដំបូង ដោយសម្រេចបានភាពត្រឹមត្រូវ ៩៩% លើសញ្ញា EEG ដោយប្រើប្រាស់ KNN និង Naïve Bayes ។

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method)	គុណសម្បត្តិ (Pros)	គុណវិបត្តិ (Cons)	លទ្ធផលគន្លឹះ (Key Result)
Convolutional Neural Network (CNN) បណ្តាញសរសៃប្រសាទសិប្បនិម្មិតដែលប្រើសម្រាប់ការវិភាគរូបភាព (MRI និងការសរសេរដៃ)	មានសមត្ថភាពខ្ពស់ក្នុងការសម្គាល់លក្ខណៈពិសេសដោយស្វ័យប្រវត្តិពីទិន្នន័យរូបភាព និងសម្រេចបានភាពត្រឹមត្រូវខ្ពស់បំផុត។	ទាមទារទិន្នន័យជាច្រើនសម្រាប់បង្វឹក (Training) និងត្រូវការកុំព្យូទ័រដែលមានកម្លាំងខ្លាំង (GPUs)។	សម្រេចបានភាពត្រឹមត្រូវ ១០០% លើការវិភាគការសរសេរដៃ និង EEG (នៅពេលប្រើរួមគ្នាជាមួយ OCSA)។
Support Vector Machine (SVM) ក្បួនដោះស្រាយម៉ាស៊ីនរៀនសម្រាប់ចាត់ថ្នាក់ទិន្នន័យ (ប្រើលើ MRI, សំឡេង និងការដើរ)	មានប្រសិទ្ធភាពខ្ពស់សូម្បីតែជាមួយសំណុំទិន្នន័យតូច និងផ្តល់លទ្ធផលល្អលើទម្រង់រោគវិនិច្ឆ័យ (Modalities) ស្ទើរតែទាំងអស់។	ត្រូវការការជ្រើសរើសលក្ខណៈពិសេស (Feature Selection) ដោយដៃ ឬដោយប្រុងប្រយ័ត្នមុនពេលដំណើរការ។	សម្រេចបានភាពត្រឹមត្រូវប្រហែល ៩៩% លើការវិភាគ MRI, សំឡេង និងសញ្ញា EEG ។
Emotional Intelligence (EI) with KNN/Naïve Bayes ការប្រើប្រាស់បញ្ញាផ្លូវអារម្មណ៍តាមរយៈសញ្ញា EEG ដើម្បីរកឃើញជំងឺ	ជាវិធីសាស្ត្រថ្មីដែលអាចរកឃើញជំងឺនៅដំណាក់កាលដំបូង និងមិនរាតត្បាត (Non-invasive)។	នៅមានកម្រិតក្នុងការសិក្សាស្រាវជ្រាវ និងខ្វះខាតសំណុំទិន្នន័យស្តង់ដារសម្រាប់បណ្តុះបណ្តាលគំរូ។	សម្រេចបានភាពត្រឹមត្រូវ ៩៩% ដោយប្រើប្រាស់ KNN និង Naïve Bayes លើសញ្ញា EEG ។

ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តបច្ចេកទេសទាំងនេះទាមទារធនធានកុំព្យូទ័រ និងឧបករណ៍វេជ្ជសាស្ត្រជាក់លាក់ ប៉ុន្តែការប្រើប្រាស់ទិន្នន័យសំឡេង ឬការសរសេរដៃមានតម្លៃទាបជាង។

Hardware: កុំព្យូទ័រដែលមាន GPU (សម្រាប់ Deep Learning) និងឧបករណ៍ចាប់សញ្ញាដូចជា EEG headsets ឬម៉ាស៊ីន MRI សម្រាប់ប្រមូលទិន្នន័យ។
Dataset: សំណុំទិន្នន័យសាធារណៈដូចជា PPMI (Parkinson’s Progression Markers Initiative) ឬ UCI Machine Learning Repository ។
Software/Libraries: ភាសាសរសេរកូដ Python ដោយប្រើបណ្ណាល័យដូចជា TensorFlow, Keras, ឬ Scikit-learn ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សាភាគច្រើនប្រើប្រាស់សំណុំទិន្នន័យពីបស្ចិមប្រទេស (ដូចជា PPMI) ដែលអាចមានភាពលំអៀងខាងផ្នែកប្រជាសាស្ត្រ និងហ្សែនដែលខុសពីប្រជាជនកម្ពុជា។ លើសពីនេះ សំណុំទិន្នន័យជាច្រើនមានអតុល្យភាព (Imbalanced datasets) រវាងអ្នកជំងឺ និងមនុស្សដែលមានសុខភាពល្អ ដែលអាចប៉ះពាល់ដល់ប្រសិទ្ធភាពនៃគំរូ AI ។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្រទាំងនេះមានសារៈសំខាន់ខ្លាំងសម្រាប់កម្ពុជា ជាពិសេសការប្រើប្រាស់បច្ចេកវិទ្យាដែលមានតម្លៃសមរម្យដូចជាការវិភាគសំឡេង និងការសរសេរដៃ ដើម្បីជួយដល់ប្រព័ន្ធសុខាភិបាលដែលមានធនធានកំណត់។

ការពិនិត្យសុខភាពនៅតាមជនបទ (Rural Healthcare): ការប្រើប្រាស់ស្មាតហ្វូនដើម្បីវិភាគសំឡេង ឬការសរសេរដៃ អាចជួយបុគ្គលិកសុខាភិបាលនៅតាមមណ្ឌលសុខភាពឆ្ងាយៗធ្វើការពិនិត្យបឋមរកជំងឺផាកឃីនសុន។
មន្ទីរពេទ្យកម្រិតខ្ពស់ (Tertiary Hospitals): មន្ទីរពេទ្យដូចជា កាល់ម៉ែត ឬ មិត្តភាពខ្មែរ-សូវៀត អាចបញ្ចូលប្រព័ន្ធ AI ដើម្បីវិភាគរូបភាព MRI ឬ CT Scan សម្រាប់លទ្ធផលវិនិច្ឆ័យដែលមានភាពសុក្រឹតជាងមុន។
ការស្រាវជ្រាវនៅសាកលវិទ្យាល័យ: និស្សិតផ្នែក IT នៅកម្ពុជាអាចចូលរួមអភិវឌ្ឍកម្មវិធីទូរស័ព្ទសម្រាប់តាមដានរោគសញ្ញា ដោយប្រើប្រាស់គំរូបញ្ញាផ្លូវអារម្មណ៍ (Emotional Intelligence) ដែលជាប្រធានបទថ្មី។

ការធ្វើសមាហរណកម្ម AI ក្នុងការរកឃើញជំងឺនេះ នឹងជួយកាត់បន្ថយការពឹងផ្អែកលើអ្នកជំនាញដែលមានចំនួនតិចតួចនៅកម្ពុជា និងអនុញ្ញាតឱ្យមានការរកឃើញជំងឺទាន់ពេលវេលា។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

ការសិក្សាមូលដ្ឋានគ្រឹះ និងទិន្នន័យ: ចាប់ផ្តើមដោយការយល់ដឹងពីមូលដ្ឋាននៃជំងឺ Parkinson និងស្វែងរកសំណុំទិន្នន័យបើកចំហដូចជា PPMI ឬ UCI Repository ដើម្បីយល់ពីទម្រង់ទិន្នន័យ (សំឡេង, រូបភាព, ឬ EEG)។
ការជ្រើសរើសទម្រង់រោគវិនិច្ឆ័យ (Modality Selection): សម្រាប់បរិបទកម្ពុជា គួរចាប់ផ្តើមពិសោធន៍ជាមួយទិន្នន័យ 'សំឡេង (Speech)' ឬ 'ការសរសេរដៃ (Handwriting)' ព្រោះវាមិនត្រូវការឧបករណ៍ថ្លៃៗ និងងាយស្រួលប្រមូលទិន្នន័យ។
ការអនុវត្តគំរូ Machine Learning: សាកល្បងបង្កើតគំរូដោយប្រើក្បួនដោះស្រាយ SVM ឬ Random Forest ជាមុនសិន ដោយប្រើបណ្ណាល័យ Scikit-learn ដើម្បីកំណត់មូលដ្ឋាន (Baseline) នៃភាពត្រឹមត្រូវ។
ការសាកល្បង Deep Learning និង EI: ប្រសិនបើមានធនធាន (GPU) អាចសាកល្បងប្រើ CNN លើទិន្នន័យរូបភាព ឬ EEG ។ គួរពិចារណាស្រាវជ្រាវបន្ថែមលើ 'បញ្ញាផ្លូវអារម្មណ៍ (Emotional Intelligence)' ដែលជាប្រធានបទថ្មីមានសក្តានុពល។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស	ការពន្យល់ជាខេមរភាសា (Khmer Explanation)	និយមន័យសាមញ្ញ (Simple Definition)
Dopaminergic Neurons	ទាំងនេះគឺជាកោសិកាសរសៃប្រសាទនៅក្នុងខួរក្បាលដែលផលិតសារធាតុដូប៉ាមីន (Dopamine) ដែលជាសារធាតុគីមីដ៏សំខាន់សម្រាប់គ្រប់គ្រងចលនារាងកាយ និងអារម្មណ៍។ នៅក្នុងជំងឺ Parkinson កោសិកាទាំងនេះចាប់ផ្តើមស្លាប់ ឬខូចខាត។	ប្រៀបដូចជាប្រព័ន្ធបាញ់ប្រេង (Injectors) នៅក្នុងម៉ាស៊ីនរថយន្ត។ បើវាខូច ម៉ាស៊ីន (រាងកាយ) នឹងដំណើរការមិនស្រួល ឬរលត់។
Hypomimia	រោគសញ្ញាមួយនៃជំងឺ Parkinson ដែលសាច់ដុំមុខរបស់អ្នកជំងឺប្រែជារឹង និងពិបាកបញ្ចេញទឹកមុខ ឬអារម្មណ៍ (ដូចជាញញឹម ឬខឹង) ដែលធ្វើឱ្យមុខមើលទៅដូចជាពាក់ម៉ាស់។	ដូចជាការពាក់ម៉ាស់រឹងមួយដែលបិទបាំងអារម្មណ៍ពិតរបស់អ្នក ទោះបីជាអ្នកចង់បង្ហាញវាក៏ដោយ។
Convolutional Neural Network (CNN)	ជាប្រភេទនៃក្បួនដោះស្រាយ Deep Learning ដែលត្រូវបានរចនាឡើងយ៉ាងពិសេសដើម្បីវិភាគទិន្នន័យជារូបភាព (ដូចជា MRI ឬការសរសេរដៃ) ដោយស្កេនរកមើលលក្ខណៈពិសេសដូចជា គែម រូបរាង និងពណ៌ ដើម្បីធ្វើការសម្គាល់។	ប្រៀបដូចជាការមើលរូបភាពតាមរយៈបង្អួចតូចមួយដែលរំកិលចុះឡើង ដើម្បីស្វែងរកចំណុចពិសេស (ដូចជាភ្នែក ឬច្រមុះ) មុននឹងសន្និដ្ឋានថាវាជារូបអ្វី។
Support Vector Machine (SVM)	ជាក្បួនដោះស្រាយ Machine Learning ដែលប្រើដើម្បីចាត់ថ្នាក់ទិន្នន័យជាពីរក្រុម (ឧទាហរណ៍៖ អ្នកជំងឺ និងមនុស្សដែលមានសុខភាពល្អ) ដោយស្វែងរកបន្ទាត់ព្រំដែនដ៏ល្អបំផុតរវាងក្រុមទាំងពីរនោះ។	ដូចជាការគូសបន្ទាត់នៅលើដីខ្សាច់ដើម្បីបែងចែកបាល់ពណ៌ក្រហម និងបាល់ពណ៌ខៀវឱ្យដាច់ពីគ្នាឆ្ងាយបំផុតតាមដែលអាចធ្វើទៅបាន។
Voxel-based morphometry	បច្ចេកទេសវិភាគរូបភាពខួរក្បាលដែលអនុញ្ញាតឱ្យអ្នកស្រាវជ្រាវវាស់វែងភាពខុសគ្នានៃកំហាប់ជាលិកាខួរក្បាលនៅកម្រិតតូចបំផុត (Voxel ឬ ភីកសែល 3D) ដើម្បីរកមើលការរួមតូចនៃខួរក្បាល។	ប្រៀបដូចជាការប្រៀបធៀបសំណង់ Lego ពីរ ដោយពិនិត្យមើលឥដ្ឋ (Brick) នីមួយៗម្ដងមួយៗ ដើម្បីមើលថាតើមានឥដ្ឋណាខ្លះដែលបាត់។
Prodromal phase	ដំណាក់កាលដំបូងនៃជំងឺដែលការផ្លាស់ប្តូរជីវសាស្រ្តក្នុងខួរក្បាលបានកើតឡើងហើយ ប៉ុន្តែរោគសញ្ញាជាក់លាក់ (ដូចជាការញ័រដៃ) នៅមិនទាន់លេចចេញច្បាស់នៅឡើយ។	ដូចជាសំឡេងផ្គរលាន់ដែលលាន់ឮមុនពេលភ្លៀងធ្លាក់ខ្លាំងមកដល់។ ព្យុះកំពុងមក ប៉ុន្តែវាមិនទាន់មកដល់ពេញលេញទេ។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖