การใช้ปัญญาประดิษฐ์ (AI) ในการดูแลสุขภาพนับเป็นจุดเปลี่ยนสำคัญของอุตสาหกรรม ด้วยเหตุผลในเรื่องการช่วยรักษาชีวิต ลดค่าใช้จ่ายในอีโคซิสเตมส์ทางการแพทย์ ที่โดดเด่นมากที่สุดคือภาพถ่ายทางการแพทย์ที่มีความสมเหตุสมผลที่สุดจากนักรังสีวิทยาที่ถือได้ว่าเป็นแถวหน้าด้านการแพทย์ในยุคดิจิทัลจากการนำเทคโนโลยีมาใช้งาน อ้างอิงจากสถาบันสุขภาพแห่งชาติสหรัฐฯ (The U.S. National Institute of Health / NIH) ระบุว่าการใช้ AI ในด้านภาพถ่ายทางการแพทย์ในช่วง 10 ปีที่ผ่านมา มีการเติบโตเร็วกว่าด้านอื่นๆ ซึ่งในปัจจุบัน AI จะถูกใช้บ่อยในเรื่องของการถ่ายภาพด้วยคลื่นสนามแม่เหล็ก และการตรวจเอกซเรย์คอมพิวเตอร์ ไปจนถึงการใช้งานด้านอื่นๆ เช่น งานรังสีวิทยา การตรวจคัดกรอง รายงานการรักษา วางแผนติดตาม วางแผนโครงสร้างพื้นฐานและการคาดคะเนสถานการณ์ และอื่นๆ
* กว่า 10 ปีที่ผ่านมาสิ่งพิมพ์โดยสถาบันสุขภาพแห่งชาติสหรัฐฯ
ได้ตีพิมพ์ข้อมูลเกี่ยวกับ AI ในงานรังสีวิทยา เพิ่มขึ้นจาก 100-150 ต่อปี เป็น 700-800 ต่อปี[1]
ความท้าทาย
วงการภาพถ่ายทางการแพทย์อยู่ภายใต้ความกดดันอย่างมากในการที่จะต้องเพิ่มประสิทธิภาพการจัดการ ผู้ป่วยที่มีอายุมากขึ้น หมายถึงปริมาณภาพที่เพิ่มขึ้น ความซับซ้อนและความละเอียดของภาพก็เพิ่มขึ้น แต่จำนวนของเจ้าหน้าที่รังสียังคงมีอยู่ในจำนวนจำกัด แม้แต่ในกลุ่มประเทศที่พัฒนาแล้ว หลายประเทศก็ยังขาดแคลนนักรังสีวิทยาโดยเฉพาะในพื้นที่ชนบท เช่นเดียวกันกับกลุ่มประเทศกำลังพัฒนาก็ขาดความเชี่ยวชาญด้านรังสีวิทยาเป็นอย่างมาก[2] การที่ปริมาณงานด้านรังสีวิทยามีมากขึ้นในขณะที่จำนวนของบุคลากรมีจำกัด AI จึงเป็นตัวช่วยสำคัญที่สามารถช่วยให้แต่ละแผนกสามารถใช้ทรัพยากรที่มีอยู่อย่างจำกัดได้ดีขึ้น โดยใช้ AI ช่วยการเตรียมการ ช่วยคัดกรอง วิเคราะห์ล่วงหน้า ความสามารถของ AI เป็นผู้ช่วยในการทำงานของนักรังสีวิทยาที่เชี่ยวชาญให้มีประสิทธิภาพ และประสิทธิผลเพิ่มขึ้น อีกทั้งสามารถให้เวลาไปกับกรณีที่ผิดปกติ หรือกรณีฉุกเฉินเร่งด่วนก่อน
** ข้อมูลจากสถาบันสุขภาพแห่งชาติสหรัฐฯ การถ่ายภาพด้วยคลื่นสนามแม่เหล็ก
และการตรวจเอกซเรย์คอมพิวเตอร์เป็นเทคนิคที่ AI มีความเกี่ยวข้องมากที่สุด[3]
โซลูชั่น
มีการนำแมชชีนเลิร์นนิ่งมาใช้ในทุกกระบวนการทำงานของเวิร์คโฟลว์ภาพทางการแพทย์ตั้งแต่การเก็บภาพ วิเคราะห์ จนถึงการรายงาน เช่น บริษัทสตาร์ทอัพด้านการแพทย์กำลังพัฒนาแอปพลิเคชั่นภาพทางการแพทย์ที่ช่วยลดค่าคอนทราสต์ สแกนได้เร็วขึ้นสูงสุด 4 เท่า หรือสามารถทำได้ทั้งสองอย่าง สิ่งนี้จะช่วยเพิ่มความสะดวกสบายและความปลอดภัยให้กับผู้ป่วย ในขณะที่เพิ่มผลงานให้กับแผนกรังสีวิทยา
โมเดล Deep Learning ได้รับการพัฒนาเพื่อรองรับเงื่อนไขการใช้งานที่หลากหลาย การเพิ่มความเร็ว ความแม่นยำในการวิเคราะห์เพื่อให้สามารถในการตรวจพบโรคได้เร็วขึ้น สำหรับพื้นที่ๆ มีรายละเอียดสูงอยู่ระหว่างการศึกษา ได้แก่ การตรวจหาก้อนเนื้อในปอด มะเร็งสมอง โรคปลอกประสาทเสื่อมแข็ง (Multiple Sclerosis / MS) และมะเร็งต่อมลูกหมาก
เทคนิคการวินิจฉัยที่ใช้ AI บางอย่างได้ก้าวหน้าไปไกล อาทิ ศูนย์โรคตา Kellogg โดยมหาวิทยาลัยมิชิแกน ได้รวมอุปกรณ์ที่ติดตั้งบนสมาร์ทโฟนเพื่อการถ่ายภาพจอประสาทตา เข้ากับอัลกอริทึม AI อัตโนมัติอย่าง EyeArt[4] วิธีนี้จะช่วยระบุได้แบบเรียลไทม์ว่าผู้ป่วยเบาหวาน ควรไปพบจักษุแพทย์เพื่อติดตาม/ทำการรักษาหรือไม่
โดยขั้นตอนแรกคือการรวบรวมชุดข้อมูลพร้อมตัวอย่างทั้งที่เป็นโรค /เสียหาย และเนื้อเยื่อที่แข็งแรงสำหรับเป้าหมาย การจัดเตรียมชุดข้อมูล เคสส่วนใหญ่ที่ได้เจอโดยจะต้องมีคำอธิบายประกอบที่ชัดเจน ซึ่งในปัจจุบันคำอธิบายประกอบยังคงเป็นขั้นตอนที่ต้องใช้เวลานาน
ปัจจุบันงาน AI ที่สำคัญส่วนใหญ่เร่งความเร็วผ่านการใช้ชุดข้อมูลที่มีคำอธิบายประกอบที่เปิดเผยต่อสาธารณะ เช่น การศึกษาเกี่ยวกับจุดในปอด (Lung Nodule Studies) คอลเลคชั่นภาพ Lung Image Database Consortium (LIDC-IDRI) จะจัดเตรียมผลการสแกนเอกซเรย์คอมพิวเตอร์ (CT) พร้อมรอยโรคและคำอธิบายประกอบ ชุดข้อมูลนี้ใช้ในการวิเคราะห์ Lung Nodule Analysis 2016 (LUNA16) ซึ่งได้สรุปผลลัพธ์สำคัญไว้ในต้นปี 2561[5]
นอกจากนี้การใช้การเรียนรู้แบบร่วมมือกัน (Federated Learning) (หรือการเรียนรู้แบบร่วมกัน: Collaborative Learning) ช่วยให้สถาบันหรือนักวิจัยสามารถสร้างโมเดลแมชชีนเลิร์นนิ่งที่มีประสิทธิภาพโดยไม่ต้องแชร์ข้อมูล อีกนัยนึงคือชุดข้อมูลจะไม่ถูกนำออกจากโรงพยาบาลเพื่อความปลอดภัยของข้อมูล และความเป็นส่วนตัว
*** ความเชี่ยวชาญเฉพาะด้านที่ภาพถ่ายทางการแพทย์เกี่ยวข้องมากที่สุด จากเอกสารเผยแพร่โดยสถาบันสุขภาพแห่งชาติสหรัฐฯ (The U.S. National Institute of Health / NIH)[6] ได้แก่
#1 ประสาทวิทยา #4 เต้านม
#2 กระดูกและกล้ามเนื้อ #5 ทางเดินปัสสาวะ
#3 หัวใจและหลอดเลือด #6 ปอดและทรวงอก
#7 รังสีวิทยาช่องท้อง
ประโยชน์ที่ได้
แอคเซนเจอร์ (NYSE:ACN) คาดการณ์ว่าภายในปี 2026[7] AI ในอุตสาหกรรมเฮลท์แคร์จะช่วยประหยัดค่าใช้จ่ายของรัฐในการรักษาพยาบาลได้ถึง 150 พันล้านเหรียญสหรัฐต่อปี นอกจากนี้ศักยภาพของ AI ยังสามารถเข้ามาแทนที่งานอันตรายต่างๆ ที่นักรังสีวิทยาต้องพบเจอในปัจจุบัน รวมถึงการบูรณาการชุดข้อมูลให้เข้ากับกระบวนการเวชระเบียนอิเลคทรอนิกส์
การประหยัดเวลาเป็นสิ่งสำคัญ การเพิ่มขึ้นของงานรังสีวิทยา และจำนวนภาพในแต่ละเคสที่ต้องทำการศึกษา กำลังทำให้เกิดปัญหาการขาดแคลนนักรังสีวิทยาที่สามารถอ่านผลเหล่านี้ได้ AI จะช่วยให้นักรังสีวิทยาสามารถจัดลำดับความสำคัญที่จะต้องศึกษาหรืออ่านผลภาพถ่ายก่อน เลี่ยงการทำงานซ้ำซาก และมีสมาธิกับงานที่ท้าทายมากขึ้น
ข้อดีของการใช้งาน AI ในงานภาพถ่ายทางการแพทย์มีมากมาย
รายงานได้เร็วขึ้น ด้วยการรายงานล่วงหน้าจาก AI ที่นักรังสีวิทยาสามารถแก้ไขเพื่อความถูกต้อง
ศึกษาตามกลุ่มได้ง่ายขึ้นจากภาพถ่าย / ความคล้ายคลึงกันของผู้ป่วย
AI ไม่ได้ทำหน้าที่ได้ดีแค่ค้นหาความผิดปกติเท่านั้น แต่ประโยชน์ที่มากกว่าคือ การจำแนกประเภทของการศึกษาปกติหรือเชิงลบได้เร็วขึ้น นั่นทำให้นักรังสีวิทยามีเวลามากขึ้นในการตรวจสอบสิ่งผิดปกติ ช่วยให้ระบุผลการศึกษาได้ดีขึ้น โดยไม่ต้องมีการค้นพบที่สำคัญ
ประมวลผลเวชระเบียนอิเลคทรอนิกส์ที่ดีขึ้น นำเสนอนักรังสีวิทยาด้วยข้อมูล / สารสนเทศทางคลินิค (Clinical Information) ของผู้ป่วยได้อย่างทันท่วงที
ติดตั้งกลไกสำหรับการควบคุมคุณภาพ และการสื่อสารระหว่างรังสีแพทย์และนักเทคนิคการแพทย์
ข้อสรุป
AI มีผลกระทบต่องานด้านรังสีวิทยารวดเร็วกว่าการแพทย์สาขาอื่น ความกังวลของนักรังสีวิทยาในการยอมรับ AI คล้ายกับการที่นักบินของสายการบินไม่พร้อมยอมรับเทคโนโลยีการบินอัตโนมัติในช่วงแรกๆ เราจะเห็นได้ว่า AI ไม่ได้เข้ามาแทนที่รังสีแพทย์ แต่เข้ามาช่วยนักรังสีวิทยาและระบบการดูแลสุขภาพทั่วไป
นักรังสีแพทย์ควรต้องทราบถึงหลักการพื้นฐานในการสังเกต และวิธีการตีความของ AI ว่าในแต่ละขั้นตอนได้มาอย่างไร ชุดข้อมูลที่ใช้ในการเซ็ทอัพ AI ที่มีข้อจำกัดรวมไปถึงมีการมองข้ามอคติ ในการปฏิบัติแนวใหม่นั้นนักรังสีวิทยาจะต้องรู้วิธีการโต้ตอบกับโซลูชั่นของ AI, การตั้งค่าสถานะที่ให้ผลลัพธ์ที่ไม่ถูกต้อง หรือการประมวลผลล้มเหลว และวิธีการโต้ตอบกับนักวิทยาศาสตร์ข้อมูล และไอทีซัพพอร์ทของโซลูชั่นเหล่านี้
ด้วยเหตุเหล่านี้ NetApp และ NVIDIA ได้ร่วมกันส่งมอบโซลูชั่น AI ที่เหมาะสมสำหรับกลุ่มอุตสาหกรรมเฮลท์แคร์[8]เน้นให้ความสำคัญกับการแก้ปัญหาคอขวดของ AI เพื่อให้ก้าวไปสู่ขอบเขตที่สามารถเป็นไปได้อย่างรวดเร็ว. NetApp ใส่ใจในเรื่อง data pipeline ที่จะขยายความสามารถในการเร่งการประมวลผลของ NVIDIA
ด้วยการผสมผสานเทคโนโลยีของ NetApp และ NVIDIA ทำให้ NetApp ONTAP AI ช่วยเร่งกระบวนการฝึกอบรม และการวินิจฉัย AI ในทุกด้าน เพื่อให้ได้ผลลัพธ์ที่ดีขึ้นอย่างรวดเร็วโซลูชั่นนี้มาพร้อมกับ NVIDIA DGX supercomputers, NetApp
cloud-connected all-flash storage และ Cisco Nexus switches ได้พิสูจน์แล้วว่าช่วยลดความซับซ้อน และเร่งกระบวนการทั้งแมชชีนเลิร์นนิ่งและอัลกอริทึมของดีพเลิร์นนิ่ง จะช่วยให้เริ่มต้นได้ง่ายจากจุดเล็กๆ และเติบโตได้อย่างต่อเนื่อง. ONTAP AI Toolkit นำเสนอเครื่องมือและฟังก์ชั่นต่างๆมากมายเพื่อลดความซับซ้อนในการตั้งค่าและการใช้งานให้ผลผลิตในทันที
เรียนรู้เกี่ยวกับ Net AI Solutions for healthcare ได้ที่ Take the next step.
[1] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6199205/
[2] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4656240/
[3] ibid
[4] https://www.eurekalert.org/pub_releases/2019-04/mm-u-edo042519.php
[5] https://luna16.grand-challenge.org/Description/
[6] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6199205/
[7] https://www.accenture.com/sg-en/insight-artificial-intelligence-healthcare
[8] https://www.netapp.com/us/media/tr-4811.pdf
