กรอบหลายขั้นใช้ CNN สกัดคุณลักษณะจากภาพเอกซเรย์เข่าแล้วจำแนกปกติ กระดูกบาง และกระดูกพรุนด้วยโมเดล machine learning การทดสอบภายนอกพบว่า AUC อาจยังดีแต่ความแม่นตาม threshold ลดลง โดยเฉพาะคลาสกระดูกบาง จึงต้องปรับ calibration และ threshold ก่อนคิดใช้จริง
ข้อค้นพบสำคัญ
- EfficientNetB0 และ DenseNet121 ให้ผลดีกว่า ResNet18 โดยรวม คู่ DenseNet121-โครงข่ายประสาทได้ผลรวมสูงสุด ขณะที่ EfficientNetB0-Efficient Linear มีความเสถียรดี การทดสอบภายนอกเผย class-prior mismatch และ probability collapse ในกลุ่ม osteopenia; การ recalibrate และ boost prior เพิ่ม sensitivity, balanced accuracy และ macro F1
ทำไมจึงมีความสำคัญระดับโลก
ภาพเข่าถูกถ่ายเป็นประจำและอาจใช้คัดกรองผู้เสี่ยงที่ไม่เคยได้รับการตรวจเฉพาะโรคกระดูกพรุน ช่วยเพิ่มโอกาสส่งต่อเพื่อประเมินมาตรฐาน แต่ AI ประเภทนี้ควรทำหน้าที่ opportunistic screening ไม่ใช่แทนการวินิจฉัย
บทบาทของนักวิจัยไทย
ทีมจากคณะแพทยศาสตร์ ศูนย์ข้อมูลสุขภาพอัจฉริยะ และคณะวิทยาศาสตร์ มหาวิทยาลัยพะเยา ร่วมกับศูนย์ปัญญาประดิษฐ์เชิงคำนวณ มหาวิทยาลัยเชียงใหม่ พัฒนาทั้งโมเดลและการวิเคราะห์การย้ายโดเมน
ข้อจำกัดที่ควรรู้
ผู้เขียนระบุว่าเป็น proof of concept แม้มีชุดข้อมูลภายนอก แต่ยังไม่ใช่ cohort หลายศูนย์ในงานคลินิกจริง บทคัดย่อไม่ระบุมาตรฐานอ้างอิง การกระจายอายุ เพศ เครื่องเอกซเรย์ หรือผลต่อการตัดสินใจรักษา การปรับ threshold หลังเห็นโดเมนใหม่อาจไม่ถ่ายโอนไปยังศูนย์ถัดไป
ตรวจสอบแหล่งต้นทาง
Journal of Clinical MedicineJournal of Clinical Medicine↗DOI: 10.3390/jcm15135222