เกิดอะไรขึ้น
ทีมงานที่มหาวิทยาลัย Hacettepe นำโดยคณาจารย์ Olcay Hekimoğlu และได้รับการสนับสนุนจาก TÜBITAK กำลังพัฒนาแอปพลิเคชันมือถือที่ขับเคลื่อนด้วย AI ซึ่งออกแบบมาเพื่อระบุชนิดของเห็บจากภาพถ่ายสมาร์ทโฟน โครงการนี้มีกำหนดใช้เวลา 3 ปี โดยมีเป้าหมายเพื่อให้สามารถระบุเห็บเบื้องต้นได้อย่างรวดเร็ว โดยเน้นไปที่สายพันธุ์ เช่น Hyalomma Marginatum ที่ทราบกันว่าแพร่เชื้อไข้เลือดออกไครเมีย-คองโก (CCHF)
โครงการนี้มีชื่อว่า 'แบบจำลองปัญญาประดิษฐ์ที่ใช้สมาร์ทโฟนเพื่อการระบุชนิดเห็บอย่างรวดเร็ว ต้นทุนต่ำ และเข้าถึงได้ของชนิดเห็บในตุรกี' กำลังอยู่ในระหว่างการพัฒนาที่มหาวิทยาลัย Hacettepe ทีมงานกำลังสร้างฐานข้อมูลการฝึกอบรมโดยใช้ตัวอย่างเห็บที่เชื่อถือได้ ซึ่งได้รับการตรวจสอบทั้งลักษณะทางสัณฐานวิทยาและการวิเคราะห์ดีเอ็นเอ
แบบจำลอง AI ได้รับการฝึกให้จดจำเห็บ 8 สายพันธุ์โดยเฉพาะ โดยเน้นที่ Hyalomma Marginatum ซึ่งเป็นเวกเตอร์ที่รู้จักสำหรับ CCHF แอปพลิเคชั่นนี้ออกแบบมาเพื่อวิเคราะห์ภาพถ่ายของเห็บที่ถูกกำจัดออกจากโฮสต์ของมนุษย์หรือสัตว์แล้ว เนื่องจากนักวิจัยตั้งข้อสังเกตว่าเห็บที่ติดอยู่อาจถูกบดบังหรือเปลี่ยนแปลงทางกายภาพ ทำให้การระบุตัวตนทำได้ยาก
เพื่อให้แน่ใจว่าเครื่องมือนี้ใช้งานได้จริง ทีมงานกำลังทดสอบโมเดลนี้กับอุปกรณ์สมาร์ทโฟนและสภาพแสงต่างๆ แอปพลิเคชันนี้ยังได้รับการออกแบบทางวิศวกรรมให้ทำงานแบบออฟไลน์ ซึ่งเป็นคุณสมบัติที่สำคัญสำหรับผู้ใช้ในพื้นที่ชนบทหรือห่างไกลที่ไม่รับประกันการเข้าถึงอินเทอร์เน็ต
ระบบนี้มีกลไกด้านความปลอดภัย: หากรูปถ่ายที่ส่งมาเบลอเกินไปหรือไม่เพียงพอสำหรับการระบุตัวตนที่แม่นยำ AI จะถูกตั้งโปรแกรมให้ขอรูปภาพใหม่หรือแนะนำให้ผู้ใช้ขอการประเมินจากผู้เชี่ยวชาญ แทนที่จะให้ผลลัพธ์ที่บังคับและอาจไม่ถูกต้อง
รายละเอียดที่มา: dailysabah.com ↗
ทำไมมันถึงสำคัญ
โครงการนี้กล่าวถึงความท้าทายด้านสาธารณสุขที่สำคัญในเมืองตุรกี ซึ่ง CCHF ส่งผลให้มีผู้ป่วยมากกว่า 17,000 รายและมีผู้เสียชีวิตหลายร้อยรายตั้งแต่ปี พ.ศ. 2545 ด้วยการจัดหาเครื่องมือราคาประหยัดและเข้าถึงได้สำหรับเกษตรกร เจ้าหน้าที่ด้านการดูแลสุขภาพ และประชาชนทั่วไป นักวิจัยมีเป้าหมายที่จะปรับปรุงการระบุโรคเห็บที่เป็นพาหะนำโรคได้ตั้งแต่เนิ่นๆ ระบบได้รับการออกแบบให้ทำงานแบบออฟไลน์ เพื่อให้มั่นใจถึงประโยชน์ใช้สอยในพื้นที่ชนบทที่การเชื่อมต่ออินเทอร์เน็ตมักถูกจำกัด นอกจากนี้ โครงการยังเน้นความน่าเชื่อถือในโลกแห่งความเป็นจริงด้วยการฝึกแบบจำลองด้วยภาพที่หลากหลายและมีคุณภาพสูง และทดสอบภายใต้สภาพแสงและสภาพแวดล้อมที่หลากหลาย แทนที่จะอาศัยข้อมูลระดับห้องปฏิบัติการเพียงอย่างเดียว วิธีการนี้สามารถเพิ่มความตระหนักรู้ของสาธารณชนและการรวบรวมข้อมูลเกี่ยวกับการกระจายเห็บได้อย่างมีนัยสำคัญ
เป้าหมายด้านสาธารณสุขเบื้องต้นคือการจัดหาเครื่องมือระบุเห็บเบื้องต้นที่รวดเร็วและเข้าถึงได้ ซึ่งเป็นภัยคุกคามต่อสุขภาพอย่างต่อเนื่องในตุรกี ด้วยการทำให้ผู้ใช้สามารถระบุพาหะของโรคที่อาจเกิดขึ้นได้อย่างรวดเร็ว โครงการนี้มีเป้าหมายที่จะสนับสนุนข้อมูลทางวิทยาศาสตร์ในวงกว้างเกี่ยวกับการแพร่กระจายของเห็บและความปลอดภัยด้านสาธารณสุข
โครงการนี้สร้างความโดดเด่นโดยการจัดลำดับความสำคัญของประสิทธิภาพในโลกแห่งความเป็นจริงมากกว่าความแม่นยำในห้องปฏิบัติการเท่านั้น นักวิจัยกำลังจัดการกับข้อจำกัดในทางปฏิบัติที่มักพบในเครื่องมือวินิจฉัยที่ใช้ AI ด้วยการฝึกแบบจำลองบนภาพที่ถ่ายภาคสนามที่หลากหลาย และรับรองการทำงานแบบออฟไลน์
นักวิจัยชี้แจงว่าเครื่องมือนี้ใช้แทนการวินิจฉัยทางการแพทย์อย่างมืออาชีพไม่ได้ แต่ทำหน้าที่เป็นข้อมูลช่วยเหลือเพื่อช่วยให้บุคคลและบุคลากรทางการแพทย์มีข้อมูลมากขึ้นในการตัดสินใจเกี่ยวกับการสัมผัสโรคที่เกิดจากเห็บ
กลไกเชิงโต้ตอบ: มันทำงานอย่างไร
สำรวจเทคโนโลยีเบื้องหลังการพัฒนานี้แบบโต้ตอบ
Which component of an AI application is the machine-learning model itself?
จะดูอะไรต่อไป.
ปัจจุบันโครงการนี้อยู่ในระยะการพัฒนาสามปี เหตุการณ์สำคัญในอนาคต ได้แก่ การสร้างฐานข้อมูลที่ครอบคลุมและผ่านการตรวจสอบแล้วของสายพันธุ์เห็บ โดยใช้ตัวอย่างทางสัณฐานวิทยาและที่ได้รับการยืนยัน DNA ตามด้วยการทดสอบอย่างเข้มงวดทั้งในสภาพแวดล้อมที่มีการควบคุมและภาคสนาม นักวิจัยระบุอย่างชัดเจนว่าเครื่องมือดังกล่าวจะไม่ให้การวินิจฉัยทางการแพทย์ และต้องรอดูว่าแอปพลิเคชันขั้นสุดท้ายจะนำไปใช้กับสาธารณะอย่างไร หรือบูรณาการเข้ากับระบบเฝ้าระวังสุขภาพที่มีอยู่
โครงการนี้มีการวางแผนเป็นระยะเวลาสามปี ในช่วงเวลานี้ ทีมงานจะยังคงปรับปรุงโมเดล AI และขยายฐานข้อมูลเพื่อรวมสายพันธุ์เห็บเพิ่มเติมในเวอร์ชันในอนาคต
ความพร้อมใช้งานสาธารณะและเงื่อนไขการเข้าถึงสำหรับแอปพลิเคชันยังไม่ได้รับการพิจารณา เนื่องจากโครงการยังอยู่ในขั้นตอนการพัฒนาและทดสอบ
ประสิทธิผลของ AI ในสภาพสนามจริงยังคงเป็นตัวชี้วัดสำคัญในการติดตามในขณะที่นักวิจัยเปลี่ยนจากการสร้างฐานข้อมูลไปสู่การทดสอบในวงกว้าง