งาน AI วิเคราะห์ MRI หลายลำดับของผู้ป่วย glioblastoma 58 คน เพื่อแยก true progression ออกจาก pseudoprogression โดยเปรียบเทียบ handcrafted radiomics, คุณลักษณะจาก Vision Transformer และแบบผสม พร้อมใช้ CT-GAN แก้ความไม่สมดุลของกลุ่ม
ข้อค้นพบสำคัญ
- โมเดล SVM ที่ใช้ radiomics ทำผลงานดีที่สุด โดย accuracy เฉลี่ย 91.84%±3.59 และ AUC 0.9667±0.0378 ภายใน cross-validation ของชุดข้อมูลนี้ ผลแสดงสัญญาณว่าลักษณะภาพเชิงปริมาณอาจช่วยแยกสองภาวะที่ภาพคล้ายกัน
ทำไมจึงมีความสำคัญระดับโลก
หากยืนยันข้ามโรงพยาบาล เครื่องสแกน และประชากร ระบบอาจช่วยลดการหยุดหรือเปลี่ยนการรักษาโดยไม่จำเป็น แต่ต้องทำงานเป็นเครื่องมือสนับสนุนร่วมกับเวชระเบียนและผู้เชี่ยวชาญ ไม่ใช่แทนการวินิจฉัย
บทบาทของนักวิจัยไทย
นาฟนีต กุมาร ดูเบย์ ซึ่งมีสังกัดร่วมมหาวิทยาลัยชินวัตรและสถาบันต่างประเทศร่วมพัฒนากรอบ AI นี้ ข้อมูลที่เข้าถึงไม่ยืนยันว่ากลุ่มผู้ป่วยมาจากประเทศไทย
ข้อจำกัดที่ควรรู้
ผู้ป่วยเพียง 58 คนและกลุ่ม PsP 17 คนเสี่ยง overfitting การสร้างข้อมูล GAN, ลดมิติ และเลือกคุณลักษณะต้องทำภายในแต่ละ fold เพื่อป้องกัน leakage ซึ่งบทคัดย่อไม่ยืนยัน ไม่มี external validation, calibration, decision-curve, prospective test หรือการวิเคราะห์ความต่างเครื่องสแกน และข้อมูลสังเคราะห์ไม่แทนผู้ป่วยใหม่