បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហានៃការបែងចែកចំណាត់ថ្នាក់ទិន្នន័យដែលគ្មានតុល្យភាព (Imbalanced class distribution) នៅក្នុងសំណុំទិន្នន័យគ្លីនិក ដែលក្បួនដោះស្រាយចំណាត់ថ្នាក់ (Classification algorithms) តែងតែមានភាពលំអៀងទៅរកទិន្នន័យភាគច្រើន និងធ្វើឱ្យមានកំហុសខ្ពស់ក្នុងការទស្សន៍ទាយទិន្នន័យភាគតិច (ឧទាហរណ៍៖ ករណីអ្នកជំងឺស្លាប់)។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះស៊ើបអង្កេត និងប្រៀបធៀបយុទ្ធសាស្រ្តនៃការយកគំរូទិន្នន័យ (Data sampling) ចំនួនពីរ ដើម្បីធ្វើឱ្យសំណុំទិន្នន័យគ្លីនិកមានតុល្យភាព មុននឹងអនុវត្តក្បួនដោះស្រាយម៉ាស៊ីនរៀន (Machine learning classifiers)។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Imbalanced Data Classification (Baseline) ការធ្វើចំណាត់ថ្នាក់លើទិន្នន័យគ្មានតុល្យភាព (ម៉ូដែលដើម) |
មិនមានការកែប្រែ ឬបន្ថែមទិន្នន័យសិប្បនិម្មិត ដែលរក្សាបាននូវទម្រង់ដើមនៃទិន្នន័យ។ | ម៉ូដែលរៀនសូត្រលំអៀងទៅរកទិន្នន័យភាគច្រើន (អ្នកជំងឺរស់) ធ្វើឱ្យមានកំហុសខ្ពស់ក្នុងការទស្សន៍ទាយទិន្នន័យភាគតិច (អ្នកជំងឺស្លាប់)។ | ក្បួន Random Forest (RF) ផ្តល់អត្រា Recall ត្រឹមតែ ៥៦.៣% ប៉ុណ្ណោះសម្រាប់ចំណាត់ថ្នាក់អ្នកជំងឺ 'ស្លាប់'។ |
| Over-sampling via SMOTE ការយកគំរូទិន្នន័យបន្ថែមតាមរយៈបច្ចេកទេស SMOTE |
ជួយបង្កើនទិន្នន័យភាគតិចដោយមិនបាត់បង់ព័ត៌មានដើមនៃទិន្នន័យភាគច្រើន ធ្វើឱ្យម៉ូដែលរៀនបានកាន់តែល្អ។ | ការបង្កើតទិន្នន័យសិប្បនិម្មិតច្រើនពេកអាចបណ្តាលឱ្យមានបញ្ហា Overfitting លើទិន្នន័យហ្វឹកហាត់។ | ក្បួន Random Forest (RF) បង្កើនអត្រា Recall ដល់ ៧៩.៨% និង Precision ដល់ ៧៧.៦% សម្រាប់ចំណាត់ថ្នាក់អ្នកជំងឺ 'ស្លាប់'។ |
| Distance-based random under-sampling ការកាត់បន្ថយគំរូទិន្នន័យដោយចៃដន្យផ្អែកលើចម្ងាយ |
កាត់បន្ថយពេលវេលាក្នុងការហ្វឹកហាត់ម៉ូដែល និងផ្តល់អត្រា Recall (Sensitivity) ល្អជាងគេបន្តិចបន្តួចសម្រាប់ករណីភាគតិច។ | អាចប្រឈមនឹងការបាត់បង់ទិន្នន័យ ឬព័ត៌មានសំខាន់ៗមួយចំនួនពីក្រុមទិន្នន័យភាគច្រើន។ | ក្បួន Random Forest (RF) ផ្តល់អត្រា Recall ខ្ពស់បំផុតរហូតដល់ ៨២.៦% សម្រាប់ចំណាត់ថ្នាក់អ្នកជំងឺ 'ស្លាប់'។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារមិនបានបញ្ជាក់លម្អិតអំពីតម្រូវការផ្នែករឹង (Hardware) នោះទេ ប៉ុន្តែការអនុវត្តបច្ចេកទេសនេះទាមទារកម្មវិធីដែលអាចដំណើរការក្បួនដោះស្រាយ Machine Learning និងទំហំផ្ទុកគ្រប់គ្រាន់សម្រាប់សំណុំទិន្នន័យ។
ការសិក្សានេះត្រូវបានធ្វើឡើងដោយប្រើប្រាស់សំណុំទិន្នន័យ LIFELAB ដែលផ្តោតលើអ្នកជំងឺខ្សោយបេះដូងនៅតំបន់អឺរ៉ុប (ចក្រភពអង់គ្លេស)។ លក្ខណៈជីវសាស្រ្ត របៀបរស់នៅ និងប្រព័ន្ធថែទាំសុខភាពនៅទីនោះមានភាពខុសគ្នាពីប្រទេសកម្ពុជា។ ដូច្នេះ ការយកម៉ូដែលនេះមកអនុវត្តផ្ទាល់នៅកម្ពុជាអាចប្រឈមនឹងភាពលំអៀង (Bias) ប្រសិនបើមិនមានការកែសម្រួល ឬហ្វឹកហាត់ឡើងវិញជាមួយទិន្នន័យអ្នកជំងឺក្នុងស្រុក។
ទោះបីជាទិន្នន័យមានប្រភពមកពីក្រៅប្រទេសក្តី វិធីសាស្រ្ត និងបច្ចេកទេសក្នុងឯកសារនេះមានប្រយោជន៍ខ្លាំងណាស់សម្រាប់វិស័យសុខាភិបាលកម្ពុជា។
ការយល់ដឹងពីបច្ចេកទេសធ្វើឱ្យទិន្នន័យមានតុល្យភាព នឹងជួយឱ្យអ្នកស្រាវជ្រាវកម្ពុជាអាចបង្កើតប្រព័ន្ធ AI ផ្នែកវេជ្ជសាស្រ្តដែលមានភាពសុក្រឹតខ្ពស់ និងជួយសង្គ្រោះអាយុជីវិតបានទាន់ពេលវេលា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Imbalanced dataset | គឺជាស្ថានភាពដែលទិន្នន័យក្នុងក្រុមមួយមានចំនួនច្រើនលើសលប់ធៀបនឹងក្រុមមួយទៀត (ឧទាហរណ៍៖ ទិន្នន័យអ្នកជំងឺរស់មានច្រើនជាងអ្នកស្លាប់ឆ្ងាយណាស់) ដែលធ្វើឱ្យកុំព្យូទ័ររៀនទន្ទេញតែលក្ខណៈរបស់ក្រុមភាគច្រើន និងទស្សន៍ទាយខុសលើក្រុមភាគតិច។ | ដូចជាសិស្សដែលរៀនសៀវភៅដែលមានលំហាត់បូក ១០០០ តែមានលំហាត់ដកតែ ៥ ពេលប្រឡងគាត់ចេះតែបូក តែធ្វើដកមិនចេញទេ។ |
| SMOTE (Synthetic Minority Over-sampling Technique) | គឺជាបច្ចេកទេសបង្កើតទិន្នន័យថ្មីៗ (សិប្បនិម្មិត) សម្រាប់ក្រុមដែលមានទិន្នន័យតិច ដោយវាគណនាចម្ងាយរវាងទិន្នន័យចាស់ៗ រួចបង្កើតចំណុចទិន្នន័យថ្មីនៅចន្លោះកណ្តាលនោះ ដើម្បីឱ្យក្រុមទាំងពីរមានចំនួនស្មើគ្នា។ | ដូចជាការថតចម្លងឯកសារ និងកែសម្រួលពាក្យបន្តិចបន្តួច ដើម្បីឱ្យមានសៀវភៅអានគ្រប់គ្រាន់សម្រាប់សិស្សម្នាក់ៗ។ |
| Under-sampling | គឺជាវិធីសាស្រ្តកាត់បន្ថយចំនួនទិន្នន័យពីក្រុមដែលមានភាគច្រើន (Majority class) ដោយជ្រើសរើសយកតែទិន្នន័យសំខាន់ៗ ដើម្បីទាញទំហំទិន្នន័យឱ្យធ្លាក់មកស្មើនឹងក្រុមភាគតិច (Minority class)។ | ដូចជាការរើសយកតែផ្លែប៉ោមល្អៗ១០ផ្លែ ពីក្នុងកន្ត្រកដែលមាន១០០ផ្លែ ដើម្បីយកមកប្រៀបធៀបជាមួយផ្លែក្រូចដែលមានតែ១០ផ្លែ។ |
| Recall (Sensitivity) | ជារង្វាស់វាយតម្លៃម៉ូដែលដែលបង្ហាញថា ក្នុងចំណោមករណីគោលដៅទាំងអស់ (ឧទាហរណ៍៖ អ្នកជំងឺស្លាប់) តើប្រព័ន្ធអាចស្វែងរកឃើញត្រឹមត្រូវប៉ុន្មានភាគរយដោយមិនរំលងចោល។ វាមានសារៈសំខាន់បំផុតក្នុងវិស័យពេទ្យ។ | ដូចជាការប្រើសំណាញ់ចាប់ត្រី តើសំណាញ់នោះអាចចាប់ត្រីដែលមានក្នុងស្រះបានប៉ុន្មានក្បាល (ទោះបីជាជាប់សំរាមខ្លះក៏ដោយ សំខាន់កុំឱ្យរួចត្រី)។ |
| False negative | គឺជាកំហុសក្នុងការធ្វើចំណាត់ថ្នាក់ ដែលប្រព័ន្ធកុំព្យូទ័រទស្សន៍ទាយថា "អវិជ្ជមាន ឬគ្មានបញ្ហាទេ" ប៉ុន្តែការពិតជាក់ស្តែងគឺ "វិជ្ជមាន ឬមានបញ្ហាធ្ងន់ធ្ងរ"។ កំហុសនេះអាចបណ្តាលឱ្យបាត់បង់ជីវិតអ្នកជំងឺដោយសារព្យាបាលមិនទាន់ពេល។ | ដូចជាប្រព័ន្ធរោទិ៍អគ្គិភ័យមិនបន្លឺសំឡេង និងគិតថាគ្មានផ្សែង នៅពេលដែលមានភ្លើងកំពុងឆេះផ្ទះពិតមែន។ |
| Random Forest (RF) | គឺជាក្បួនដោះស្រាយម៉ាស៊ីនរៀន (Machine Learning Algorithm) ដែលបង្កើតនិងប្រើប្រាស់ "ដើមឈើសម្រេចចិត្ត" (Decision Trees) ជាច្រើនដើមរួមគ្នា ដើម្បីធ្វើការបោះឆ្នោតសម្រេចថាតើទិន្នន័យថ្មីមួយគួរស្ថិតក្នុងក្រុមចំណាត់ថ្នាក់ណា។ | ដូចជាការសួរយោបល់ពីគ្រូពេទ្យជំនាញ១០០នាក់ រួចយកចម្លើយដែលមានអ្នកបោះឆ្នោតគាំទ្រច្រើនជាងគេ ដើម្បីធ្វើរោគវិនិច្ឆ័យចុងក្រោយ។ |
| Missing values imputation | គឺជាដំណើរការនៃការប្រើប្រាស់ក្បួនគណិតវិទ្យា ឬក្បួនម៉ាស៊ីនរៀន (ដូចជា SVM) ដើម្បីទស្សន៍ទាយ និងបំពេញចន្លោះទិន្នន័យដែលបាត់បង់ ឬមិនបានកត់ត្រា ដើម្បីរក្សាគុណភាពទិន្នន័យសម្រាប់វិភាគបន្ត។ | ដូចជាការបំពេញពាក្យក្នុងចន្លោះនៃល្បះ ដោយទាយមើលអត្ថន័យនៃពាក្យដែលនៅសងខាងវា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
