បញ្ហា (The Problem)៖ ការរកឃើញដំបូងនៃជំងឺប្រព័ន្ធប្រសាទ (Neurodegenerative Diseases) ដូចជាជំងឺផាកឃីនសុន និងអាល់ហ្សៃមេ មានសារៈសំខាន់ណាស់ ប៉ុន្តែការវិភាគដោយភ្នែកលើរូបភាព MRI មានការលំបាកក្នុងការរកឃើញការផ្លាស់ប្តូរតូចតាចនៅដំណាក់កាលដំបូង។ ការសិក្សានេះដោះស្រាយបញ្ហានៃកំហុសក្នុងការធ្វើរោគវិនិច្ឆ័យ និងតម្រូវការសម្រាប់ប្រព័ន្ធស្វ័យប្រវត្តិដែលមានភាពជាក់លាក់ខ្ពស់។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានអភិវឌ្ឍប្រព័ន្ធជំនួយដោយកុំព្យូទ័រ (Computer-Aided Detection) ដោយប្រើប្រាស់ការវិភាគវាយនភាពជាមួយនឹងបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (ANN) និងបណ្តាញសរសៃប្រសាទ 3D CNN ដើម្បីវិភាគរូបភាព MRI ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| 3D Convolutional Neural Networks (3D CNN) បណ្តាញសរសៃប្រសាទសិប្បនិម្មិតបែប Convolutional 3D |
មានសមត្ថភាពរៀនលក្ខណៈពិសេសដោយស្វ័យប្រវត្តិពីទិន្នន័យរូបភាព MRI ដោយមិនចាំបាច់មានការកំណត់លក្ខណៈដោយដៃ (Handcrafted features)។ វាមានប្រសិទ្ធភាពខ្ពស់ក្នុងការវិភាគទិន្នន័យដែលមានលក្ខណៈ 3D ដូចជាខួរក្បាល។ | ទាមទារធនធានកុំព្យូទ័រខ្ពស់ (High Computational Cost) និងទិន្នន័យបណ្តុះបណ្តាលច្រើន។ ម៉្យាងទៀតវាមានភាពស្មុគស្មាញក្នុងការបកស្រាយលទ្ធផល (Black Box) ប្រសិនបើមិនប្រើបច្ចេកទេសជំនួយ។ | ទទួលបានភាពត្រឹមត្រូវ (Accuracy) ៩៥.២៩% សម្រាប់ជំងឺផាកឃីនសុន និង ៩៥.៨៨% សម្រាប់ជំងឺអាល់ហ្សៃមេ។ |
| Feature Engineering + Artificial Neural Network (ANN) ការដកស្រង់លក្ខណៈពិសេស (វាយនភាព/សណ្ឋានដី) បូកនឹងបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត |
មានប្រសិទ្ធភាពខ្ពស់នៅពេលដែលលក្ខណៈពិសេស (Features) ត្រូវបានជ្រើសរើសបានល្អ។ ដំណើរការលឿនជាង CNN ក្នុងការបណ្តុះបណ្តាល និងអនុវត្ត។ | ពឹងផ្អែកខ្លាំងលើការបែងចែកតំបន់ (Segmentation) និងការគណនាលក្ខណៈពិសេសដោយដៃ ដែលអាចមានកំហុសប្រសិនបើគុណភាពរូបភាពមិនល្អ។ | ទទួលបានភាពត្រឹមត្រូវ ៩៥.៣% ក្នុងការចាត់ថ្នាក់ជំងឺផាកឃីនសុន។ |
| Support Vector Machine (SVM) / Random Forest ក្បួនដោះស្រាយម៉ាស៊ីនរៀនបែបប្រពៃណី (SVM និង Random Forest) |
ងាយស្រួលក្នុងការអនុវត្ត និងត្រូវការធនធានតិចជាង Deep Learning។ | មិនអាចចាប់យកភាពស្មុគស្មាញនៃទិន្នន័យរូបភាព 3D បានល្អដូច ANN ឬ CNN ឡើយ ដោយទទួលបានលទ្ធផលទាបជាងនៅក្នុងការសិក្សានេះ។ | ទទួលបានភាពត្រឹមត្រូវទាបជាង ៩០% (ឧទាហរណ៍ SVM បានត្រឹមតែ ៧៩.១៥% ប៉ុណ្ណោះក្នុងការធ្វើតេស្តខ្លះ)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះទាមទារនូវធនធានកុំព្យូទ័រដែលមានសមត្ថភាពខ្ពស់ និងចំណេះដឹងឯកទេសផ្នែករូបភាពវេជ្ជសាស្ត្រ។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យពី PPMI និង ADNI ដែលភាគច្រើនជាប្រជាជននៅបស្ចិមប្រទេស (អាមេរិក និងអឺរ៉ុប)។ សម្រាប់ប្រទេសកម្ពុជា នេះអាចជាបញ្ហាប្រឈមដោយសារភាពខុសគ្នានៃហ្សែន កត្តាបរិស្ថាន និងកម្រិតនៃការទទួលបានសេវាសុខភាព ដែលអាចធ្វើឱ្យម៉ូដែលដំណើរការមិនសូវមានប្រសិទ្ធភាពលើអ្នកជំងឺខ្មែរ។
វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់សម្រាប់វិស័យសុខាភិបាលនៅកម្ពុជា ជាពិសេសក្នុងការជួយដល់គ្រូពេទ្យជំនាញក្នុងការធ្វើរោគវិនិច្ឆ័យ។
ទោះបីជាបច្ចេកវិទ្យានេះទំនើបក៏ដោយ ការអនុវត្តជាក់ស្តែងនៅកម្ពុជាត្រូវការការបង្កើតមូលដ្ឋានទិន្នន័យរូបភាព MRI ក្នុងស្រុកជាមុនសិន ដើម្បីធានាភាពត្រឹមត្រូវ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| 3D Convolutional Neural Network (3D CNN) | ជាប្រភេទនៃបណ្តាញសរសៃប្រសាទសិប្បនិម្មិតដែលត្រូវបានរចនាឡើងដើម្បីវិភាគទិន្នន័យដែលមានលក្ខណៈបីវិមាត្រ (ទទឹង បណ្តោយ និងជម្រៅ)។ នៅក្នុងបរិបទវេជ្ជសាស្ត្រ វាមានសមត្ថភាពស្វែងរកលំនាំស្មុគស្មាញនៅក្នុងរូបភាព MRI ដោយពិនិត្យមើលទំនាក់ទំនងរវាងផ្នែកផ្សេងៗក្នុងលំហទាំងមូលនៃខួរក្បាល។ | ដូចជាការស្កេនមើលដុំនំប៉័ងទាំងមូលដើម្បីរកមើលគ្រាប់ទំពាំងបាយជូរនៅខាងក្នុង មិនមែនគ្រាន់តែមើលតែមួយចំណិតដូចម៉ាស៊ីនថតធម្មតានោះទេ។ |
| Voxel | ពាក្យនេះមកពីការរួមបញ្ចូលគ្នានៃ "Volume" និង "Pixel"។ វាគឺជាឯកតាតូចបំផុតនៅក្នុងរូបភាព 3D (ដូចជា MRI) ដែលតំណាងឱ្យតម្លៃមួយនៅក្នុងលំហបីវិមាត្រ ខុសពី Pixel ដែលមានតែពីរវិមាត្រ។ | ប្រសិនបើ Pixel គឺជាការ៉ូមួយផ្ទាំងនៅលើឥដ្ឋ Voxel គឺជាដុំឥដ្ឋមួយដុំ (Lego) ដែលគេយកមកសង់ជាជញ្ជាំងឬរូបរាងអ្វីមួយ។ |
| Class Activation Map (CAM) | ជាបច្ចេកទេសដែលជួយឱ្យយើងមើលឃើញថា តើផ្នែកណាមួយនៃរូបភាពដែលកុំព្យូទ័របានយកចិត្តទុកដាក់ខ្លាំងជាងគេនៅពេលវាធ្វើការសម្រេចចិត្ត ឬធ្វើរោគវិនិច្ឆ័យ។ វាជួយឱ្យគ្រូពេទ្យយល់ពីមូលហេតុដែល AI វិនិច្ឆ័យថាមានជំងឺ។ | ប្រៀបដូចជាផែនទីកម្ដៅដែលបង្ហាញថាភ្នែករបស់អ្នកបើកបរបានសម្លឹងទៅមើលកន្លែងណាខ្លះ មុនពេលគាត់សម្រេចចិត្តបត់ចង្កូត។ |
| Atlas-based ROI Segmentation | គឺជាដំណើរការនៃការប្រើប្រាស់ផែនទីខួរក្បាលស្តង់ដារ (Atlas) ដើម្បីកំណត់ទីតាំង និងកាត់យកតំបន់ជាក់លាក់ណាមួយនៃខួរក្បាលរបស់អ្នកជំងឺ (Region of Interest - ROI) ដើម្បីយកទៅវិភាគដាច់ដោយឡែកពីផ្នែកផ្សេងទៀត។ | ដូចជាការយកក្រដាសដែលមានគូសវាសផែនទីស្រាប់ ទៅដាក់ពីលើរូបថតពីផ្កាយរណប ដើម្បីរកមើលទីតាំងភូមិឬស្រុកណាមួយឱ្យបានលឿននិងត្រឹមត្រូវ។ |
| Recursive Feature Elimination | ជាវិធីសាស្ត្រស្ថិតិដែលប្រើដើម្បីជ្រើសរើសយកតែទិន្នន័យ ឬលក្ខណៈពិសេស (Features) ដែលសំខាន់បំផុតសម្រាប់ការវិភាគ។ វាធ្វើការដោយបង្កើតម៉ូដែលសាកល្បង ហើយដកចេញនូវព័ត៌មានណាដែលមិនសូវមានប្រយោជន៍ម្តងមួយៗ រហូតដល់សល់តែព័ត៌មានដែលល្អបំផុត។ | ប្រៀបបាននឹងការរៀបចំកាតាបដើរព្រៃ ដោយដកចេញនូវរបស់ណាដែលមិនសូវចាំបាច់ម្តងមួយៗ រហូតដល់សល់តែរបស់ដែលសំខាន់បំផុតដែលត្រូវយកទៅ ដើម្បីកុំឱ្យធ្ងន់។ |
| Bayesian Sequential Model-Based Optimization (SMBO) | ជាក្បួនដោះស្រាយដ៏ឆ្លាតវៃមួយសម្រាប់កែតម្រូវការកំណត់របស់ម៉ូដែល AI (Hyperparameters)។ វាប្រើប្រាស់លទ្ធផលពីការពិសោធន៍មុនៗ ដើម្បីទស្សន៍ទាយថាការកំណត់មួយណាគួរតែសាកល្បងបន្ទាប់ ដើម្បីទទួលបានលទ្ធផលល្អបំផុតដោយចំណាយពេលតិច។ | ដូចជាចុងភៅភ្លក់សម្ល ហើយប៉ាន់ស្មានយ៉ាងត្រឹមត្រូវថាត្រូវថែមអំបិលប៉ុន្មានទៀត ដោយផ្អែកលើរសជាតិបច្ចុប្បន្ន ជាជាងការចេះតែថែមដោយចៃដន្យ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
