งานเบื้องต้นเสนอ entropy-weighted hybrid pooling สำหรับ CNN จำแนกภาพอัลตราซาวนด์เต้านมจากชุดข้อมูลสาธารณะ 9,016 ภาพ แบบจำลอง 3 บล็อกได้ความแม่นยำเฉลี่ยร้อยละ 93.98 และ AUC 0.987 สูงกว่า max pooling เล็กน้อย แต่ในแบบจำลอง 4 บล็อก hybrid ไม่ได้ชนะ จึงยังสรุปความเหนือกว่าทั่วไปไม่ได้
ข้อค้นพบสำคัญ
- แบบ 3 บล็อก hybrid ได้ accuracy 93.98±1.72 และ AUC 0.987 เทียบ max pooling 92.72±0.85 และ 0.9815 แต่แบบ 4 บล็อกในผลที่รายงานครั้งเดียว hybrid ได้ accuracy 92.90 ต่ำกว่า max pooling 94.79 ผลจึงชี้ว่าประโยชน์ขึ้นกับสถาปัตยกรรม ไม่ใช่ความได้เปรียบคงที่
ทำไมจึงมีความสำคัญระดับโลก
การออกแบบ pooling ที่ปรับตามข้อมูลอาจช่วยให้โมเดลภาพการแพทย์ขนาดเล็กใช้ลักษณะภาพหลายระดับ แต่คุณค่าทางคลินิกต้องพิสูจน์ด้วยชุดข้อมูลภายนอกและผลลัพธ์ที่คำนึงถึงความปลอดภัย
บทบาทของนักวิจัยไทย
ทีมมหาวิทยาลัยเทคโนโลยีสุรนารีเสนอการดัดแปลงสถาปัตยกรรมและวิเคราะห์เงื่อนไขที่ให้ผลดี เป็นผลงานวิธีการ AI จากไทยที่ต่อยอดได้ในงานภาพทางการแพทย์
ข้อจำกัดที่ควรรู้
ใช้ชุดข้อมูลสาธารณะเดียว ไม่ชัดเจนว่าการแบ่งข้อมูลเป็นระดับผู้ป่วยหรือภาพ จึงมีความเสี่ยงข้อมูลรั่วไหล ไม่มีการทดสอบภายนอก การปรับเทียบความน่าจะเป็น การเปรียบเทียบรังสีแพทย์ หรือการประเมิน workflow และบางผลเป็นการรันครั้งเดียว