ก้าวสำคัญของ AI การแพทย์: การตีพิมพ์ในวารสาร Science และการโอเพนซอร์ส
สถาบัน DAMO Academy ของอาลีบาบา (Alibaba) ภายใต้ความร่วมมือกับโรงพยาบาล The First Affiliated Hospital of Zhejiang University School of Medicine และสถาบันพันธมิตรทางการแพทย์ ได้ประกาศความสำเร็จครั้งสำคัญด้วยการตีพิมพ์งานวิจัยในวารสารวิชาการชั้นนำระดับโลกอย่าง Science ภายใต้หัวข้อ 'A Generalist Expert-Level AI for Abdominal CT Diagnosis' เมื่อช่วงกลางเดือนกันยายน 2026 พร้อมทั้งเปิดตัวโมเดลรากฐาน DAMO RADAR (Rapid Abdominal Diagnosis with AI and Radiology) สู่สาธารณะ
สิ่งที่ทำให้การเปิดตัวครั้งนี้เป็นที่จับตามองในอุตสาหกรรมเทคโนโลยีชีวการแพทย์ คือการที่ DAMO Academy เลือกเปิดเผยซอร์สโค้ด กรอบการทำงานทางเทคนิค รวมถึงน้ำหนักของโมเดล (Model Weights) สู่ชุมชนนักพัฒนาแบบโอเพนซอร์สอย่างสมบูรณ์ ซึ่งเป็นการฉีกแนวทางจากบริษัทเทคโนโลยีรายใหญ่ที่มักเก็บโมเดลปัญญาประดิษฐ์ทางการแพทย์ไว้เป็นทรัพย์สินทางปัญญาแบบปิดเพื่อการค้าผ่านคลาวด์ API
สถาปัตยกรรมระดับอวัยวะ: วิเคราะห์ภาพ 3D CT ครั้งเดียวครอบคลุม 146 สภาวะ
DAMO RADAR ถูกออกแบบมาเพื่อแก้ปัญหาคอขวดที่สำคัญที่สุดอย่างหนึ่งในการตรวจทางรังสีวิทยาช่องท้อง โมเดลใช้สถาปัตยกรรมวิชันภาษา (Vision-Language Foundation Model) ที่ทำงานร่วมกับการเรียนรู้แบบคอนทราสทีฟในระดับละเอียด (Organ-level Fine-grained Alignment) ซึ่งระบบจะแบ่งข้อมูลภาพสแกน 3 มิติ (3D Abdominal CT) ออกเป็นหน่วยกายวิภาคย่อย และจับคู่ข้อมูลภาพเข้ากับรายงานผลการวินิจฉัยทางการแพทย์โดยตรง กลไกนี้ช่วยลดความจำเป็นในการให้แพทย์ผู้เชี่ยวชาญมานั่งทำเครื่องหมายระบุพิกัดแบบทีละภาพ (Slice-by-slice Annotation) ซึ่งเป็นกระบวนการที่สิ้นเปลืองทรัพยากรและเวลาอย่างมหาศาล
ในการประมวลผลเพียงรอบเดียว (Single Pass) DAMO RADAR สามารถครอบคลุมโครงสร้างอวัยวะหลักภายในช่องท้องได้ถึง 18 อวัยวะ พร้อมทั้งตรวจจับและระบุสภาวะความผิดปกติได้มากถึง 146 โรค ตั้งแต่มะเร็งร้ายแรงในระบบทางเดินอาหาร เช่น มะเร็งตับอ่อน มะเร็งกระเพาะอาหาร มะเร็งลำไส้ใหญ่ และมะเร็งตับ ไปจนถึงภาวะการอักเสบเฉียบพลันอย่างไส้ติ่งอักเสบ ซึ่งความสามารถในการวิเคราะห์แบบกว้างขวางในคราวเดียวถือเป็นคุณสมบัติของโมเดลผู้เชี่ยวชาญทั่วไป (Generalist Model) ที่หาได้ยากในระบบ AI ทางการแพทย์รุ่นก่อนหน้า
ตัวเลขการทดสอบทางคลินิก: ประสิทธิภาพเหนือแพทย์ส่วนใหญ่และลดเวลาตรวจ
ในแง่ของความน่าเชื่อถือทางสถิติ ข้อมูลวิจัยที่ได้รับการรับรองระบุว่า DAMO RADAR ทำคะแนนพื้นที่ใต้เส้นโค้ง (AUC) เฉลี่ยอยู่ที่ 0.913 จากการทดสอบความผิดปกติทั้ง 146 โรคในกลุ่มประชากรผู้ป่วยจริงเกือบ 40,000 รายการ นอกจากนี้ โมเดลยังแสดงความสามารถในการประเมินภาวะช่องท้องเฉียบพลัน (Acute Abdominal Conditions) ในกรณีฉุกเฉินด้วยค่า AUC สูงถึง 0.904 สะท้อนถึงเสถียรภาพในการคัดกรองภาวะวิกฤต
ยิ่งไปกว่านั้น ในการทดสอบแบบมีผู้อ่านประเมินร่วมกัน (Reader Evaluation Trials) ซึ่งเปรียบเทียบผลกับรังสีแพทย์ทางคลินิกจำนวน 26 คนจากหลายโรงพยาบาล พบว่า DAMO RADAR สามารถทำผลงานเฉลี่ยได้ดีกว่ารังสีแพทย์ถึง 23 คน โดยมีเพียงแพทย์ผู้เชี่ยวชาญระดับอาวุโส 3 คนเท่านั้นที่ทำผลงานได้ทัดเทียมหรือดีกว่าโมเดล และเมื่อนำ AI มาประยุกต์ใช้ในการทำงานร่วมกันระหว่างมนุษย์กับระบบ ผลลัพธ์ชี้ว่าระบบช่วยลดการวินิจฉัยที่คลาดเคลื่อนหรือการตรวจหลุด (เพิ่ม Diagnostic Sensitivity) ได้ถึง 10% พร้อมทั้งช่วยลดเวลาที่แพทย์ต้องใช้ในการอ่านภาพสแกนลงถึง 30.7%
เสียงสะท้อนจากนักพัฒนา: ประโยชน์ต่อสาธารณสุขและข้อจำกัดทางเทคนิค
การเปิดเผยน้ำหนักของโมเดลได้รับการตอบรับในเชิงบวกอย่างกว้างขวางจากกลุ่มนักพัฒนาเทคโนโลยีทางการแพทย์และชุมชนโอเพนซอร์ส ผู้สังเกตการณ์ในสายงานระบุว่า โมเดลนี้แสดงให้เห็นถึงประโยชน์สูงสุดของการเปิดโอเพนซอร์สโมเดลขนาดใหญ่เพื่อสาธารณสุขอย่างแท้จริง เพราะช่วยให้สถานพยาบาลระดับภูมิภาคและคลินิกของรัฐที่ขาดแคลนงบประมาณในการสมัครใช้บริการคลาวด์ของบริษัทเอกชน สามารถนำสถาปัตยกรรมระดับแนวหน้านี้ไปติดตั้งบนเซิร์ฟเวอร์ภายในองค์กร (On-premise) ได้โดยตรง
อย่างไรก็ตาม ผู้เชี่ยวชาญและนักวิจัยด้านปัญญาประดิษฐ์บางส่วนยังคงชี้ให้เห็นถึงข้อควรระวังสำคัญ โดยเฉพาะสมมติฐานที่ว่าแนวคิดการจัดวางระดับอวัยวะ (Organ-level Alignment) จะสามารถถ่ายทอดข้ามไปยังการตรวจทางการแพทย์รูปแบบอื่น เช่น ภาพคลื่นแม่เหล็กไฟฟ้า (MRI), ภาพเอกซเรย์ปล่อยโพซิตรอน (PET) หรือการตรวจคลื่นเสียงความถี่สูง (Ultrasound) ได้อย่างราบรื่น ซึ่งเรื่องนี้ยังเป็นเพียงข้อสันนิษฐานของงานวิจัยที่ยังไม่มีข้อมูลการทดสอบทางคลินิกมารองรับ และจำเป็นต้องผ่านการทดสอบแบบหลายรูปแบบ (Multi-modal) ในอนาคตต่อไป
นัยสำคัญเชิงกลยุทธ์ต่อระบบสาธารณสุขและโรงพยาบาลในไทย
สำหรับภาคธุรกิจการแพทย์และระบบสาธารณสุขในประเทศไทย การเปิดตัว DAMO RADAR ถือเป็นโอกาสเชิงยุทธศาสตร์ที่น่าจับตามอง ประเทศไทยกำลังเผชิญกับปัญหาความไม่สมดุลของบุคลากรทางการแพทย์ โดยเฉพาะรังสีแพทย์ผู้เชี่ยวชาญที่กระจุกตัวอยู่ในโรงพยาบาลศูนย์และโรงเรียนแพทย์ในกรุงเทพฯ ขณะที่โรงพยาบาลประจำจังหวัดและโรงพยาบาลชุมชนมักประสบปัญหาการขาดแคลนผู้เชี่ยวชาญในการอ่านภาพ CT ช่องท้องที่ซับซ้อน
โรงพยาบาลเอกชน ตลอดจนกลุ่มสตาร์ทอัพด้านเทคโนโลยีสุขภาพ (HealthTech) ในไทย สามารถนำน้ำหนักโมเดล DAMO RADAR มาปรับแต่งต่อยอด (Fine-tuning) หรือผสานเข้ากับระบบ PACS (Picture Archiving and Communication System) ภายในโครงสร้างพื้นฐานเดิมของตนเองได้ ซึ่งนอกจากจะช่วยรักษาความเป็นส่วนตัวของข้อมูลผู้ป่วยตามข้อกำหนดของกฎหมาย PDPA เนื่องจากข้อมูลไม่ต้องส่งออกไปยังเซิร์ฟเวอร์ต่างประเทศแล้ว ยังช่วยเพิ่มประสิทธิภาพในการจัดลำดับความเร่งด่วนของผู้ป่วย (Triage) ในแผนกอุบัติเหตุและฉุกเฉินได้อย่างมีนัยสำคัญ
การเปิดโอเพนซอร์สน้ำหนักโมเดลที่ผ่านการรับรองทางวิชาการระดับโลกเปิดโอกาสให้โรงพยาบาลและคลินิกในไทยนำ AI ช่วยคัดกรองโรคซับซ้อนและลดภาระงานรังสีแพทย์ได้โดยไม่ต้องพึ่งพาคลาวด์ปิดราคาแพง