ปัจจุบันและอนาคตของการวินิจฉัยด้วย AI ในจักษุวิทยา (AI Diagnosis in Ophthalmology)

ประเด็นสำคัญแบบเข้าใจง่าย

จักษุวิทยาเป็นหนึ่งในสาขาการแพทย์ที่การประยุกต์ใช้ AI (ปัญญาประดิษฐ์) ก้าวหน้าไปมากที่สุด และข้อมูลภาพที่เป็นมาตรฐาน เช่น ภาพถ่ายจอประสาทตาและ OCT เหมาะกับการเรียนรู้ของ AI
ในปี 2018 FDA ได้อนุมัติระบบวินิจฉัยด้วย AI แบบอัตโนมัติเต็มรูปแบบตัวแรก (IDx-DR) และการคัดกรองเบาหวานขึ้นจอประสาทตาแบบอัตโนมัติได้เข้าสู่การใช้งานจริง²⁾.
ในการประเมินความรู้ด้านจักษุวิทยาของแชตบอต AI (ChatGPT-4) พบว่าความถูกต้องโดยรวมอยู่ที่ 70% โดยมีความแตกต่างตามสาขา: จอประสาทตา 77% (สูงสุด) และประสาทจักษุวิทยา 58% (ต่ำสุด)³⁾.
การคัดกรองเบาหวานขึ้นจอประสาทตาด้วย AI ถูกประเมินว่าคุ้มค่าใน 11 จาก 15 งานวิจัย และ NHS ของสกอตแลนด์รายงานว่าประหยัดได้ประมาณ 400,000 ดอลลาร์ต่อปี¹⁾.
ความแม่นยำของ AI ยังมีข้อท้าทายในด้านคุณภาพของภาพ อคติของข้อมูลที่ใช้ฝึก และการดูแลโรคที่พบได้น้อย¹⁾.
การวินิจฉัยด้วย AI เป็นเครื่องมือช่วย และการวินิจฉัยสุดท้ายรวมถึงแผนการรักษาจะตัดสินโดยจักษุแพทย์ผู้เชี่ยวชาญ
งานวิจัย AI ที่คาดการณ์โรคระบบทั่วร่างกาย เช่น ความเสี่ยงโรคหัวใจและหลอดเลือดและภาวะสมองเสื่อม จากภาพถ่ายจอประสาทตากำลังพัฒนาอยู่⁶⁾.

1. การวินิจฉัยทางจักษุด้วย AI คืออะไร

AI (ปัญญาประดิษฐ์) เป็นคำเรียกรวมของระบบการเรียนรู้ของเครื่องที่เลียนแบบสติปัญญาของมนุษย์ การเรียนรู้เชิงลึก (DL) เป็นส่วนหนึ่งของ AI ที่ใช้โครงข่ายประสาทเทียมหลายชั้นเพื่อดึงคุณลักษณะขั้นสูงและตัดสินใจที่ซับซ้อน¹⁾.

จักษุวิทยาเป็นหนึ่งในสาขาการแพทย์ที่ AI ถูกนำมาใช้ก้าวหน้าที่สุด ภาพถ่ายจอประสาทตา OCT (การตรวจเอกซเรย์เชิงแสง), การตรวจลานสายตา และข้อมูลภาพอื่น ๆ ได้รับการทำให้เป็นมาตรฐาน จึงรวบรวมข้อมูลฝึกได้จำนวนมากได้ง่าย จุดประสงค์หลักของ AI มี 3 ข้อต่อไปนี้

เพิ่มประสิทธิภาพการคัดกรอง (ลดภาระการอ่านผลของจักษุแพทย์ผู้เชี่ยวชาญ)
เพิ่มการเข้าถึงในพื้นที่ที่ขาดแคลนผู้เชี่ยวชาญ
ทำให้ความแม่นยำในการวินิจฉัยสม่ำเสมอมากขึ้น (ลดความแตกต่างระหว่างสถานพยาบาล)

ในปี 2018 FDA ได้อนุมัติระบบวินิจฉัยด้วย AI แบบอัตโนมัติเต็มรูปแบบตัวแรก (IDx-DR) ซึ่งทำให้การใช้งานจริงของการวินิจฉัยทางจักษุด้วย AI เร็วขึ้น²⁾. IDx-DR สามารถให้บุคลากรที่ไม่ใช่จักษุแพทย์ใช้งานได้ในแผนกอายุรกรรมและสถานพยาบาลปฐมภูมิ และประเมินโดยอัตโนมัติว่าจำเป็นต้องส่งต่อไปยังจักษุแพทย์หรือไม่²⁾.

ระบบการเรียนรู้เชิงลึกแสดงความแม่นยำใกล้เคียงแพทย์ผู้เชี่ยวชาญในการตรวจหาเบาหวานขึ้นจอประสาทตา ต้อหิน และ AMD และได้แสดงศักยภาพของการวินิจฉัยด้วย AI โดยใช้ภาพถ่ายจอประสาทตา⁸⁾.

Q AI ถูกใช้ในจักษุวิทยาอย่างไร?

AI วิเคราะห์ภาพจากภาพถ่ายจอประสาทตาและ OCT โดยอัตโนมัติเพื่อตรวจหาโรค เช่น เบาหวานขึ้นจอประสาทตา ต้อหิน และจอประสาทตาเสื่อมตามอายุ AI สำหรับคัดกรอง (ทำงานอัตโนมัติเต็มรูปแบบ) สามารถให้บุคลากรที่ไม่ใช่จักษุแพทย์ใช้งานได้ และใช้สำหรับการคัดกรองเบื้องต้นในพื้นที่ที่ขาดแคลนผู้เชี่ยวชาญ นอกจากนี้ยังมีการศึกษาการใช้แชตบอต AI (เช่น GPT-4) เพื่อประเมินความรู้ด้านจักษุวิทยาและให้ความรู้แก่ผู้ป่วย³⁾ โดยมองว่าเป็นเครื่องมือช่วยเหลือในการวินิจฉัยขั้นสุดท้ายโดยจักษุแพทย์

2. ประเภทของ AI และโรคเป้าหมาย

AI ด้านจักษุวิทยาแบ่งออกกว้าง ๆ ได้เป็น 3 ประเภทดังต่อไปนี้ ตามหน้าที่และระดับความเป็นอัตโนมัติ

AI สำหรับคัดกรอง (อัตโนมัติเต็มรูปแบบ)

วิเคราะห์ภาพถ่ายจอประสาทตาโดยอัตโนมัติและตัดสินว่าต้องส่งต่อหรือไม่ สามารถใช้งานได้แม้ไม่มีจักษุแพทย์ และนำไปใช้กับโรคต่อไปนี้²⁾.

เบาหวานขึ้นจอประสาทตา (DR): ได้รับการศึกษามากที่สุดและนำมาใช้จริงมากที่สุด
จอประสาทตาเสื่อมตามอายุ (AMD): การตรวจพบ drusen และการเกิดหลอดเลือดใหม่
ต้อหิน: การวิเคราะห์อัตโนมัติของขั้วประสาทตาและชั้นเส้นใยประสาท
จอประสาทตาเสื่อมในทารกคลอดก่อนกำหนด (ROP): การคัดกรองทารกแรกเกิดใน NICU
เรติโนบลาสโตมา: การติดตามจอประสาทตาในเด็ก

AI สนับสนุนการวินิจฉัย (กึ่งอัตโนมัติ)

เป็นระบบที่ช่วยแพทย์ในการอ่านภาพ ใช้ในการจำแนกชนิดของ AMD โดยการแบ่งชั้นโครงสร้างของ OCT แบบอัตโนมัติ และการประเมินความรุนแรงของภาวะจอตาบวมจากเบาหวาน (DME)

แชตบอต AI (มัลติโหมด)

เป็นการประยุกต์ใช้โมเดลภาษาขนาดใหญ่ที่วิเคราะห์ข้อความ (ข้อมูลการซักประวัติ) และภาพ (ภาพถ่ายจอประสาทตาและ OCT) พร้อมกัน ความสามารถด้านความรู้ทางจักษุวิทยาและการตีความภาพของ ChatGPT-4 ได้รับการประเมิน และกำลังพิจารณาใช้เพื่อการให้ความรู้แก่ผู้ป่วยและการซักประวัติทางไกล³⁾.

ประเภท AI	ระบบตัวอย่าง	เป้าหมาย	ตัวชี้วัดความแม่นยำ
AI คัดกรอง (อัตโนมัติ)	IDx-DR²⁾	เบาหวานขึ้นจอประสาทตา	ความไว 87.2%, ความจำเพาะ 90.7%
AI คัดกรอง (ทำงานอัตโนมัติ)	i-ROP DL⁵⁾	ROP	ความไว 91%, ความจำเพาะ 91%
AI คัดกรอง (ทำงานอัตโนมัติ)	EyeArt⁴⁾	ภาวะเบาหวานขึ้นจอประสาทตา	ได้รับการประเมินและใช้งานใน NHS ของสหราชอาณาจักร
แชตบอต AI	ChatGPT-4³⁾	การประเมินความรู้ด้านจักษุวิทยา	ความแม่นยำโดยรวม 70%

3. ระบบ AI หลักและความแม่นยำในการวินิจฉัย

IDx-DR (Digital Diagnostics)

²⁾ เป็นระบบวินิจฉัยด้วย AI แบบอัตโนมัติเต็มรูปแบบระบบแรกที่ FDA อนุมัติในปี 2018 บุคลากรที่ไม่ใช่จักษุแพทย์จะถ่ายภาพด้วยกล้องถ่ายภาพจอประสาทตาแบบไม่ขยายม่านตา จากนั้น AI จะวิเคราะห์โดยอัตโนมัติและตัดสินว่าควรส่งต่อหรือไม่ มีการนำไปใช้ในสถานพยาบาลปฐมภูมิแล้ว

ตัวชี้วัดประสิทธิภาพหลัก (การทดลองสำคัญของ Abràmoff และคณะในปี 2018)²⁾:

ความไว: 87.2% (การตรวจพบเบาหวานขึ้นจอประสาทตาระดับปานกลางขึ้นไป)
ความจำเพาะ: 90.7%
ค่าพยากรณ์ผลบวก: 49.7%, ค่าพยากรณ์ผลลบ: 98.5%

IDx-DR ช่วยให้การคัดกรอง DR แบบอัตโนมัติเป็นไปได้ในแผนกอายุรกรรมและสถานพยาบาลปฐมภูมิ และสามารถคัดกรองผู้ป่วยที่ต้องส่งต่อไปยังจักษุแพทย์ได้อย่างมีประสิทธิภาพ²⁾.

การแปลผลภาพทางจักษุวิทยาโดยแชตบอต AI (ChatGPT-4)

มีการประเมินความถูกต้องของ GPT-4 ในข้อสอบปรนัยด้านจักษุวิทยา³⁾ โดยมีความถูกต้องโดยรวม 70%

ความถูกต้องโดยรวม: 70% (299/428 ข้อ)
การจัดอันดับความถูกต้องตามสาขา:

สาขา	ความแม่นยำ
จอประสาทตา	77% (สูงสุด)³⁾
เนื้องอกตา	72%³⁾
จักษุวิทยาเด็ก	68%³⁾
ยูเวียอักเสบ	67%³⁾
ต้อหิน	61%³⁾
ประสาทจักษุวิทยา	58% (ต่ำสุด)³⁾

คำถามที่อิงจากภาพ: 65%, คำถามที่ไม่อิงจากภาพ: 82% (ความแตกต่าง 17%, P < .001)³⁾

ความแตกต่างนี้แสดงให้เห็นว่าความสามารถของแชตบอตในการตีความภาพยังคงด้อยกว่าความเข้าใจข้อความที่ไม่อิงจากภาพ มีการชี้ให้เห็นว่าการผสานแชตบอตแบบหลายรูปแบบเข้ากับเวชปฏิบัติอย่างเหมาะสมเป็นสิ่งจำเป็น³⁾.

IDx-DR (ได้รับการอนุมัติจาก FDA ในปี 2018)

โรคเป้าหมาย: เบาหวานขึ้นจอประสาทตา

ความแม่นยำ: ความไว 87.2%, ความจำเพาะ 90.7%

คุณลักษณะ: ทำงานอัตโนมัติเต็มรูปแบบ บุคลากรที่ไม่ใช่จักษุแพทย์สามารถใช้งานได้ ใช้ในอายุรกรรมและการดูแลปฐมภูมิ²⁾

EyeArt (Eyenuk)

โรคเป้าหมาย: เบาหวานขึ้นจอประสาทตา

ความแม่นยำ: ได้รับการประเมินและนำไปใช้จริงใน NHS ของสหราชอาณาจักร

คุณลักษณะ: มีการผสานเข้ากับโปรแกรมคัดกรอง⁴⁾

i-ROP DL (2018)

โรคเป้าหมาย: โรคจอประสาทตาของทารกคลอดก่อนกำหนด (ROP)

ความแม่นยำ: ความไว 91%, ความจำเพาะ 91%

คุณสมบัติ: การตรวจพบภาวะ plus โดยอัตโนมัติใน NICU⁵⁾

ChatGPT-4 (OpenAI)

หัวข้อ: การประเมินความรู้ด้านจักษุวิทยาและการแปลผลภาพ

ความแม่นยำ: อัตราตอบถูกโดยรวม 70% (จอประสาทตา 77%, ประสาทจักษุวิทยา 58%)

คุณสมบัติ: อยู่ในระยะวิจัยเพื่อประยุกต์ใช้กับการให้ความรู้ผู้ป่วยและการปรึกษาทางไกล³⁾

Q AI วินิจฉัยโรคตาได้แม่นยำแค่ไหน?

AI สำหรับคัดกรองเบาหวานขึ้นจอประสาทตา (IDx-DR) มีความไว 87.2% และความจำเพาะ 90.7% โดยมีความแม่นยำใกล้เคียงกับการแปลผลของจักษุแพทย์²⁾. AI สำหรับโรคจอประสาทตาของทารกคลอดก่อนกำหนด (ROP) (i-ROP DL) ก็ทำได้ความไว 91% และความจำเพาะ 91%⁵⁾. ในขณะที่การประเมินความรู้ด้านจักษุวิทยาของแชตบอต AI (ChatGPT-4) มีอัตราตอบถูกโดยรวม 70% และในด้านประสาทจักษุวิทยาต่ำกว่า คือ 58%³⁾. ในทุกกรณี AI เป็นเพียงเครื่องมือช่วย และหากตรวจพบความผิดปกติ จำเป็นต้องตรวจละเอียดโดยจักษุแพทย์.

4. ความคุ้มค่าและเศรษฐศาสตร์สุขภาพ

หลักฐานเกี่ยวกับความคุ้มค่าของการคัดกรองทางจักษุวิทยาด้วย AI ได้สะสมจากหลายการศึกษา¹⁾.

การคัดกรองภาวะเบาหวานขึ้นจอประสาทตา (DR)

ในการทบทวนอย่างเป็นระบบของ Wu และคณะ (2021) มี 11 จาก 15 การศึกษาที่ประเมินเศรษฐศาสตร์ของการคัดกรอง DR ด้วย AI ว่ามีความคุ้มค่าทางต้นทุน¹⁾.

NHS สก็อตแลนด์: ประหยัดได้ปีละ $403,200
สหรัฐอเมริกา (IDx-DR/EyeArt): ลดต้นทุนลง 23.3% ต่อผู้ป่วยหนึ่งราย
ชนบทจีน: การคัดกรองด้วย AI มีราคาถูกกว่าผู้ประเมินมนุษย์ $34.86 และทำให้ QALY เพิ่มขึ้น 0.04

ภูมิภาค/บริบท	การประเมินความคุ้มค่าทางต้นทุน	แหล่งที่มา
NHS สก็อตแลนด์	ประหยัดได้ปีละ $403,200	Wu 2021¹⁾
การดูแลปฐมภูมิในสหรัฐอเมริกา	ลดต้นทุนลง 23.3% ต่อผู้ป่วยหนึ่งราย	Wu 2021¹⁾
ชนบทของจีน	ถูกกว่าผู้ประเมินที่เป็นมนุษย์ $34.86, +0.04 QALY	Wu 2021¹⁾
ญี่ปุ่น (AMD, Tamura et al. 2022)	ICER $99,283/QALY (สูงกว่าเกณฑ์)	Wu 2021¹⁾

การคัดกรองภาวะจอประสาทตาของทารกคลอดก่อนกำหนด (ROP)

มีรายงานว่าการคัดกรองด้วย AI แบบอัตโนมัติมีความคุ้มค่าด้านต้นทุนสูงที่สุดเมื่อเทียบกับการแพทย์ทางไกล การตรวจจอประสาทตา และ AI แบบช่วยเหลือ¹⁾. ที่เกณฑ์ความเต็มใจจ่าย $7 พบว่ามีความคุ้มค่าด้านต้นทุนเมื่อเทียบกับการคัดกรองแบบช่วยเหลือ¹⁾.

การคัดกรอง AMD (จอประสาทตาเสื่อมตามอายุ)

ในการจำลองกลุ่มประชากรญี่ปุ่น (คนอายุ 40 ปีขึ้นไป 500,000 คน ความชุก 3.85%) ICER ของการคัดกรองด้วย AI ทุก 3 ปีอยู่ที่ $99,283/QALY ($92,890-$99,283)¹⁾. ตัวเลขนี้สูงกว่าเกณฑ์ความเต็มใจจ่ายของญี่ปุ่น (ประมาณ $47,286/QALY) จึงยังคงมีข้อสงสัยเกี่ยวกับความคุ้มค่าด้านต้นทุนของการคัดกรอง AMD ในขณะนี้¹⁾. อย่างไรก็ตาม ความก้าวหน้าของเทคโนโลยี AI และต้นทุนที่ลดลงอาจทำให้ดีขึ้นได้ในอนาคต.

5. ความท้าทายและข้อจำกัด

ความท้าทายทางเทคนิค

อคติของข้อมูลฝึกสอน: หากชุดข้อมูลฝึกสอนเอนเอียงไปทางเชื้อชาติหรือช่วงอายุใดช่วงอายุหนึ่ง ความแม่นยำในกลุ่มอื่นจะลดลง¹⁾
การพึ่งพาคุณภาพของภาพ: คุณภาพของภาพถ่ายจอประสาทตา (มีการขยายม่านตาหรือไม่ ความขุ่นของสื่อกลาง และสภาพการถ่ายภาพ) ส่งผลโดยตรงต่อความแม่นยำของ AI
ความยากในการรับมือกับโรคหายาก: โรคที่มีข้อมูลฝึกสอนน้อยไม่สามารถให้ความแม่นยำได้เพียงพอ
ปัญหากล่องดำ: เหตุผลของการตัดสินใจของ AI ไม่ชัดเจน ทำให้แพทย์อธิบายความรับผิดชอบได้ยาก¹⁾
ความแม่นยำต่ำในจักษุประสาทวิทยา: อัตราคำตอบถูกของ ChatGPT-4 ในจักษุประสาทวิทยาอยู่ที่ 58% ซึ่งต่ำที่สุด และมีข้อจำกัดในการตีความโรคของเส้นประสาทตาที่ซับซ้อน³⁾

ประเด็นด้านจริยธรรมและกฎระเบียบ

ประเด็นทางจริยธรรมและกฎหมายของ AI ทางจักษุวิทยามีดังต่อไปนี้¹⁾.

ความเป็นส่วนตัวของผู้ป่วยและความปลอดภัยของข้อมูล: การจัดทำกฎระเบียบเกี่ยวกับการจัดการภาพจอประสาทตาบนคลาวด์และการแชร์ระหว่างประเทศ
ความรับผิดชอบเมื่อวินิจฉัยผิด: หาก AI วินิจฉัยผิด ใครเป็นผู้รับผิดชอบ ระหว่างแพทย์หรือผู้ผลิต AI
กระบวนการกำกับดูแลและการอนุมัติ: ระบบประเมินที่เหมาะสมสำหรับอุปกรณ์การแพทย์ที่ใช้ AI ภายใต้ FDA (สหรัฐฯ), กฎหมายยาและเครื่องมือแพทย์ (ญี่ปุ่น) และอื่น ๆ
การทำให้เข้าใจได้ (explainability): ความสำคัญของการนำเสนอเหตุผลของการตัดสินใจของ AI ในรูปแบบที่แพทย์และผู้ป่วยเข้าใจได้

ประเด็นเศรษฐศาสตร์สุขภาพ

ค่าใช้จ่ายเริ่มต้นในการนำมาใช้ (ฮาร์ดแวร์ ซอฟต์แวร์ และการฝึกอบรมบุคลากร) อาจสูง¹⁾
ความแตกต่างด้านความคุ้มค่าระหว่างประเทศรายได้ต่ำกับรายได้สูงมีมาก¹⁾
ระบบการเบิกจ่ายค่ารักษาโดยประกันกำลังอยู่ระหว่างการพัฒนาในแต่ละประเทศ และการนำมาใช้ในญี่ปุ่นยังอยู่ในช่วงพัฒนา

Q การวินิจฉัยโรคตาด้วย AI ปลอดภัยไหม?

ระบบที่หน่วยงานกำกับดูแล เช่น FDA อนุมัติ (เช่น IDx-DR) ผ่านการทดลองทางคลินิกอย่างเข้มงวดและยืนยันความปลอดภัยในระดับหนึ่งแล้ว²⁾ อย่างไรก็ตาม การวินิจฉัยด้วย AI เป็นเพียงเครื่องมือช่วย และการวินิจฉัยสุดท้ายรวมถึงแผนการรักษาควรให้จักษุแพทย์เป็นผู้ตัดสิน ไม่แนะนำให้ผู้ป่วยวินิจฉัยตนเองโดยใช้แชตบอต AI เพียงอย่างเดียว (เช่น ChatGPT) ความแม่นยำของ AI อาจลดลงเมื่อคุณภาพภาพไม่ดี โรคที่พบได้น้อย และในสาขาประสาทจักษุวิทยา³⁾ ดังนั้นหากสงสัยว่ามีความผิดปกติ ควรไปพบจักษุแพทย์โดยเร็ว

6. พื้นฐานทางเทคนิค: กลไกของการเรียนรู้เชิงลึก

ภาพที่ซ้อนฮีตแมป Grad-CAM บนภาพถ่ายจอประสาทตา แสดงบริเวณที่ AI ให้ความสนใจด้วยสเกลสีสำหรับ 3 กลุ่ม ได้แก่ ตาปกติ สงสัยต้อหิน และสงสัยเบาหวานขึ้นจอประสาทตา

Arias-Serrano I, et al. Artificial intelligence based glaucoma and diabetic retinopathy detection using MATLAB — retrained AlexNet convolutional neural network. F1000Research. 2024;12:14. Figure 8. PMCID: PMC11143403. License: CC BY.

ภาพเปรียบเทียบที่ซ้อนฮีตแมป Grad-CAM จาก AlexNet, ResNet50 และ GoogLeNet บนภาพถ่ายจอประสาทตา (คอลัมน์ซ้าย) ของตาปกติ (Non_D) สงสัยต้อหิน (Sus_G) และสงสัยเบาหวานขึ้นจอประสาทตา (Sus_R) สีแดงถึงเหลืองแสดงถึงความสนใจสูงกว่า และสีน้ำเงินแสดงถึงความสนใจต่ำกว่า ในผู้ป่วยต้อหินพบการกระตุ้นเด่นรอบขั้วประสาทตา ส่วนในผู้ป่วยเบาหวานขึ้นจอประสาทตาพบการกระตุ้นเด่นบริเวณมาคูลาไปจนถึงขั้วหลัง ซึ่งสอดคล้องกับเทคนิคการมองเห็น Grad-CAM และโครงข่ายประสาทเทียมแบบคอนโวลูชันที่อธิบายในหัวข้อ “พื้นฐานทางเทคนิค: กลไกของการเรียนรู้เชิงลึก”

โครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN)

โครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN: Convolutional Neural Network) เป็นเทคโนโลยีหลักของการวินิจฉัยโรคทางจักษุด้วย AI

สกัดคุณลักษณะจากภาพถ่ายจอประสาทตาและภาพ OCT ที่ป้อนเข้าโดยอัตโนมัติและเป็นลำดับชั้น
ชั้นตื้นจะรับรู้คุณลักษณะระดับต่ำ เช่น เส้นขอบและสี ขณะที่ชั้นลึกจะรับรู้คุณลักษณะเชิงนามธรรม เช่น รูปแบบหลอดเลือด เลือดออก บวมน้ำ และรูปร่างของขั้วประสาทตา
เรียนรู้ซ้ำๆ จากข้อมูลฝึกสอนจำนวนมาก (ภาพมาตรฐานที่ผู้เชี่ยวชาญติดป้ายกำกับ)

กระบวนการเรียนรู้ของ AI

การรวบรวมข้อมูล: รวบรวมภาพถ่ายจอประสาทตา OCT และข้อมูลการตรวจลานสายตาในวงกว้าง
การใส่ป้ายกำกับ: จักษุแพทย์ผู้เชี่ยวชาญใส่ป้ายกำกับอ้างอิง (ระยะและลักษณะที่พบ) ให้กับภาพแต่ละภาพ
การฝึกและการปรับให้เหมาะสม: ปรับพารามิเตอร์ของเครือข่ายซ้ำๆ เพื่อให้เข้าใกล้คำตอบที่ถูกต้อง
การประเมินและการทดลองทางคลินิก: ประเมินประสิทธิภาพในกลุ่มผู้ป่วยภายนอก และทดลองนำร่องในเวชปฏิบัติจริง

การเรียนรู้ถ่ายโอน (การนำโมเดลที่ฝึกไว้แล้วจากโดเมนอื่น เช่น ImageNet มาใช้กับภาพทางจักษุวิทยา) ถูกใช้กันอย่างกว้างขวางเป็นวิธีที่ช่วยให้ได้ความแม่นยำสูงแม้ข้อมูลฝึกสอนมีจำกัด

งานวิจัยเกี่ยวกับการสร้างภาพสังเคราะห์โดยใช้ GAN (โครงข่ายกำเนิดเชิงปฏิปักษ์) เพื่อขยายข้อมูลฝึกสอนของโรคหายากแบบเทียมก็มีความก้าวหน้าอย่างต่อเนื่อง

AI หลายรูปแบบ

AI หลายรูปแบบที่ประมวลผลทั้งข้อความ (ข้อมูลจากการซักประวัติ) และภาพ (ภาพถ่ายจอประสาทตาและ OCT) พร้อมกัน กำลังถูกนำมาประยุกต์ใช้ในจักษุวิทยาควบคู่ไปกับการพัฒนาของโมเดลภาษาขนาดใหญ่ (เช่น GPT-4)³⁾ แม้จะสามารถรวมข้อมูลที่หลากหลายกว่า CNN แบบรูปแบบเดียวได้ แต่ยังพบว่าความสามารถในการตีความภาพยังด้อยกว่าความเข้าใจข้อความ³⁾.

7. งานวิจัยล่าสุดและแนวโน้มในอนาคต

การทำนายโรคทางระบบจากภาพถ่ายจอประสาทตา

การวิเคราะห์ภาพถ่ายจอประสาทตาด้วยการเรียนรู้เชิงลึกแสดงให้เห็นว่าอาจสามารถทำนายปัจจัยเสี่ยงทางระบบ เช่น อายุ เพศ ความดันโลหิตซิสโตลิก ประวัติการสูบบุหรี่ และ HbA1c ได้จากภาพถ่ายจอประสาทตาเพียงอย่างเดียว⁶⁾. นอกจากนี้ ยังมีรายงานว่าการทำนายความเสี่ยงในอนาคตของเหตุการณ์ทางหัวใจและหลอดเลือด (กล้ามเนื้อหัวใจตายและโรคหลอดเลือดสมอง) มีความแม่นยำในระดับหนึ่ง จึงได้รับความสนใจว่าภาพถ่ายจอประสาทตาอาจเป็นหน้าต่างสู่ภาวะสุขภาพโดยรวมได้แบบหนึ่ง แบบจำลอง AI สำหรับการทำนายภาวะสมองเสื่อม โรคไต และภาวะโลหิตจางก็ยังอยู่ในระยะวิจัย⁶⁾.

การผสานกับกล้องถ่ายภาพจอประสาทตาบนสมาร์ทโฟน

การถ่ายภาพจอประสาทตาโดยใช้เลนส์ขนาดเล็กที่ติดกับสมาร์ทโฟนร่วมกับการวิเคราะห์ด้วย AI ได้แสดงให้เห็นว่าการคัดกรอง DR ในผู้ป่วยเบาหวานในอินเดียสามารถใช้งานได้จริง⁷⁾. ทั้งความไวและความจำเพาะให้ผลไม่ด้อยไปกว่ากล้องถ่ายภาพจอประสาทตาเฉพาะทาง และการคัดกรองด้วย AI ที่ใช้ร่วมกับอุปกรณ์อเนกประสงค์ราคาต่ำอาจช่วยให้แพร่หลายมากขึ้นในประเทศกำลังพัฒนาและพื้นที่ชนบท

การผสานระหว่าง AI กับการแพทย์ทางไกล

การรวมการคัดกรองด้วย AI กับการแพทย์ทางไกลคาดว่าจะช่วยปรับปรุงการเข้าถึงบริการจักษุในพื้นที่ห่างไกลและประเทศกำลังพัฒนา แม้ในสถานพยาบาลที่ไม่มีจักษุแพทย์ผู้เชี่ยวชาญ AI ก็สามารถคัดกรองเบื้องต้นได้ และส่งเฉพาะรายที่ผลบวกให้ผู้เชี่ยวชาญอ่านภาพจากระยะไกล ทำให้ใช้ทรัพยากรทางการแพทย์ได้อย่างมีประสิทธิภาพมากขึ้น

การประยุกต์ใช้ในเวชศาสตร์เฉพาะบุคคล

กำลังมีการวิจัย AI ที่สามารถทำนายการตอบสนองต่อการรักษาด้วย anti-VEGF (ranibizumab, aflibercept, faricimab เป็นต้น) ล่วงหน้า และเสนอแผนการให้ยาที่เหมาะสมที่สุดสำหรับผู้ป่วยแต่ละราย แบบจำลองที่ทำนายผลการรักษาจากภาพ OCT อาจช่วยลดจำนวนการฉีดยาและปรับปรุงพยากรณ์การมองเห็นได้

การประยุกต์ใช้ AI เชิงกำเนิดเพื่อการให้ความรู้ผู้ป่วยและช่วยการซักประวัติ

โมเดลภาษาขนาดใหญ่ (เช่น GPT-4) กำลังได้รับการศึกษาเพื่อใช้ในการอธิบายโรคแก่ผู้ป่วย การจัดทำเอกสารยินยอมรักษา และการช่วยซักประวัติ³⁾ อย่างไรก็ตาม การป้องกันข้อผิดพลาดและอคติในข้อมูลทางการแพทย์ รวมถึงการรักษาความสัมพันธ์ระหว่างแพทย์กับผู้ป่วย ยังเป็นความท้าทาย ไม่แนะนำให้ผู้ป่วยตัดสินใจวินิจฉัยตนเองหรือรักษาเองโดยอาศัยแชตบอตเพียงอย่างเดียว³⁾

8. เอกสารอ้างอิง

Wu JH, Liu TYA, Hsu WT, et al. Performance and limitation of machine learning algorithms for diabetic retinopathy screening: meta-analysis. J Med Internet Res. 2021;23(11):e23863.
Abràmoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ digital medicine. 2018;1:39. doi:10.1038/s41746-018-0040-6. PMID:31304320; PMCID:PMC6550188.
Mihalache A, Popovic MM, Guo MZ, et al. Performance of an upgraded artificial intelligence chatbot for ophthalmic knowledge assessment. JAMA Ophthalmol. 2024;142(3):234-241.
Olvera-Barrios A, Heeren TF, Balaskas K, et al. Diagnostic accuracy of diabetic retinopathy grading by an artificial intelligence-enabled algorithm compared with a human standard reference. Diabetologia. 2023;66(5):857-866.
Brown JM, Campbell JP, Beers A, et al. Automated diagnosis of plus disease in retinopathy of prematurity using deep convolutional neural networks. JAMA Ophthalmol. 2018;136(7):803-810.
Poplin R, Varadarajan AV, Blumer K, Liu Y, McConnell MV, Corrado GS, et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nature biomedical engineering. 2018;2(3):158-164. doi:10.1038/s41551-018-0195-0. PMID:31015713.
Rajalakshmi R, Subashini R, Anjana RM, et al. Automated diabetic retinopathy detection in smartphone-based fundus photography using artificial intelligence. Eye. 2018;32(6):1138-1144.
Ting DSW, Cheung CY, Lim G, Tan GSW, Quang ND, Gan A, et al. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA. 2017;318(22):2211-2223. doi:10.1001/jama.2017.18152. PMID:29234807; PMCID:PMC5820739.