ทีม สจล. ผสาน YOLOv4-tiny, U-Net และ DINOv2 เพื่อค้นหา แยกขอบเขต และจำแนก Candida จากภาพจุลทรรศน์ โมเดลรายงานผลสูงทั้งการตรวจจับ การแบ่งส่วน การจำแนกสองชนิดและสี่กลุ่ม พร้อม five-fold cross-validation
ข้อค้นพบสำคัญ
- detection mAP@50=0.908, PR-AUC=0.949, segmentation Dice=0.930 และ IoU=0.874 การจำแนกสองชนิดได้ accuracy 0.980–0.988 และ four-class F1 สูงสุด 0.977
ทำไมจึงมีความสำคัญระดับโลก
การระบุเชื้อราเร็วและสม่ำเสมออาจช่วยห้องปฏิบัติการที่ขาดผู้เชี่ยวชาญ โดยเฉพาะเมื่อเชื้อฉวยโอกาสเพิ่มความเสี่ยงในผู้มีภูมิคุ้มกันต่ำ
บทบาทของนักวิจัยไทย
ผู้เขียนสิบคนจาก สจล. พัฒนากระบวนการตั้งแต่เตรียมภาพจนถึงโมเดลจำแนก โดย Veerayuth Kittichai เป็นผู้เขียนติดต่อ
ข้อจำกัดที่ควรรู้
บทคัดย่อไม่ระบุขนาดและแหล่งความหลากหลายของชุดภาพชัดเจน cross-validation ภายในชุดเดียวอาจประเมินสูงเกินจริง และยังไม่ทดสอบ prospective workflow เวลา ต้นทุน หรือความผิดพลาดต่อผู้ป่วย