AI ตรวจจับมะเร็งคืออะไร และทำไมกำลังเปลี่ยนเกมการรักษา
AI ตรวจจับมะเร็งคือการใช้แบบจำลองปัญญาประดิษฐ์วิเคราะห์ภาพแพทย์ เช่น ระบบวิเคราะห์ภาพเอกซเรย์หรือ CT scan เพื่อค้นหาสัญญาณความผิดปกติที่บ่งชี้โรคมะเร็งในระยะเริ่มแรก โดยมุ่งเพิ่มความแม่นยำในการอ่านภาพ ช่วยให้การวินิจฉัยโรคเร็วขึ้น และลดภาระของแพทย์เฉพาะทางที่มีจำนวนจำกัดในระบบสุขภาพสมัยใหม่ การเปลี่ยนจากการอ่านภาพด้วยสายตาอย่างเดียวไปสู่การอ่านร่วมกับอัลกอริทึม ทำให้เราตั้งคำถามใหม่เกี่ยวกับบทบาทของเทคโนโลยีสุขภาพ ความเสี่ยงจากข้อผิดพลาด และมาตรฐานการตรวจสอบเชิงคลินิกก่อนใช้งานกับผู้ป่วยจริง
ประเด็นสำคัญในวันนี้ไม่ใช่แค่ว่า AI ตรวจจับมะเร็งทำได้หรือไม่ แต่คือ “ทำได้แม่นแค่ไหน ในสถานการณ์ใด และผลที่ตามมาคืออะไร” เมื่อมันก้าวออกจากห้องทดลองสู่คลินิกจริงในวงกว้าง การโฟกัสตัวเลขความแม่นยำเพียงอย่างเดียวจึงไม่พอ เราต้องมองภาพรวมตั้งแต่การฝึกด้วยข้อมูลจำนวนมาก ไปจนถึงผลกระทบต่อผู้ป่วยที่ต้องตัดสินใจจากผลลัพธ์ของเทคโนโลยีเหล่านี้ หากเราไม่ตั้งกรอบคิดเชิงวิพากษ์ตั้งแต่วันนี้ ระบบ AI อาจกลายเป็น “กล่องดำ” ที่ทุกคนเชื่อโดยไม่มีการตั้งคำถาม ทั้งที่ชีวิตผู้ป่วยขึ้นกับทุกเปอร์เซ็นต์ของความถูกต้อง
กรณีศึกษา SiAiR: เมื่อระบบวิเคราะห์ภาพเอกซเรย์ขยายสู่กว่า 610 โรงพยาบาล
ห้องปฏิบัติการ SiAiR หรือ Siriraj AI in Radiology Laboratory ถูกตั้งขึ้นในปี 2562 เพื่อวิจัยและพัฒนา AI สำหรับใช้กับงานด้านรังสีวิทยาอย่างเป็นระบบ จุดแข็งคือการไม่หยุดอยู่ที่งานวิจัยเชิงทฤษฎี แต่ผลักดันให้เทคโนโลยีสุขภาพออกไปทำงานในโรงพยาบาลจริง หนึ่งในผลงานหลักคือโปรแกรม AI วิเคราะห์ภาพเอกซเรย์ทรวงอกที่ทำงานร่วมกับบริษัทเอกชนต่อยอดเป็นผลิตภัณฑ์เชิงพาณิชย์ ระบบนี้ช่วยคัดกรองและค้นหาความผิดปกติในภาพเอกซเรย์ ทำให้แพทย์มีข้อมูลประกอบการวินิจฉัยเร็วขึ้นและลดข้อจำกัดจากการขาดแคลนรังสีแพทย์เฉพาะทาง โดยเฉพาะในพื้นที่ห่างไกล
สิ่งที่น่าจับตาไม่ใช่แค่ตัวเทคโนโลยี แต่คือระดับการใช้งานจริงในระบบสุขภาพ เมื่อข้อมูล ณ เดือนเมษายน 2569 ระบุว่าระบบนี้ถูกขยายไปใช้แล้วในโรงพยาบาลเครือข่ายสาธารณสุขกว่า 610 แห่งทั่วประเทศ นี่คือ “คำพูดที่ควรหยิบไปอ้าง” เพราะสะท้อนการเปลี่ยนผ่านจากโครงการวิจัยสู่โครงสร้างพื้นฐานระดับชาติอย่างแท้จริง การที่บอร์ดหลักประกันสุขภาพให้สิทธิประโยชน์นำระบบไปใช้ แสดงให้เห็นว่าคนทำงานเชื่อว่าความแม่นยำของ AI อ่าน X-ray ทรวงอกดีพอจะเข้ามาเป็นส่วนหนึ่งของการดูแลผู้ป่วย แต่ในมุมวิพากษ์ เราต้องถามต่อว่า การกระจายสู่โรงพยาบาลจำนวนมากมาพร้อมเครื่องมือประเมินผลต่อเนื่องหรือไม่ และมีช่องทางปรับปรุงโมเดลให้สอดคล้องกับบริบทการใช้จริงอย่างไร
REDMOD จาก Mayo Clinic: ความแม่นยำ 73% กับคำเตือนเรื่องการใช้ในโลกจริง
อีกด้านหนึ่งของภูมิทัศน์ AI ตรวจจับมะเร็งมาจากทีมแพทย์ที่พัฒนาแบบจำลอง REDMOD (Radiomics-based Early Detection Model) เพื่อค้นหามะเร็งตับอ่อนจากภาพ CT ช่องท้องที่เดิมถูกอ่านว่า “ปกติ” โมเดลนี้วิเคราะห์ลักษณะเชิงเนื้อสัมผัสและโครงสร้างในตับอ่อนที่สายตาคนมองไม่เห็น เพื่อจับสัญญาณโรคก่อนมีก้อนชัดเจน REDMOD ถูกฝึกด้วยชุดข้อมูลหลายสถาบันรวม 969 คน แบ่งเป็นเคสก่อนวินิจฉัย 156 คน และกลุ่มควบคุม 813 คน แล้วทดสอบกับชุดอิสระอีก 493 คน (เคสก่อนวินิจฉัย 63 คน กลุ่มควบคุม 430 คน)
ผลที่ถูกพูดถึงมากคือโมเดลสามารถตรวจพบสัญญาณมะเร็งตับอ่อนได้ใน 46 จาก 63 เคสก่อนวินิจฉัย คิดเป็นความไว 73.0% ในชุดทดสอบอิสระ และมีระยะนำหน้าเฉลี่ยราว 16 เดือนก่อนการวินิจฉัยทางคลินิก ขณะเดียวกัน ความจำเพาะอยู่ที่ 81.1% หมายความว่าผู้ที่ไม่มีมะเร็งในภายหลังบางส่วนก็ถูกระบุว่า “น่าสงสัย” เช่นกัน ประโยคที่ควรอ้างจากงานนี้คือ “ผลลัพธ์อยู่ในช่องว่างระหว่างการยืนยันเชิงเทคนิคกับการนำไปใช้จริง ไม่ใช่คำแนะนำด้านการคัดกรอง” เพราะชี้ชัดว่าการแม่นในงานวิจัยย้อนหลัง ยังไม่เท่ากับการเหมาะสมสำหรับการใช้คัดกรองประชากรเมื่อคำนึงถึงต้นทุน การตรวจตาม และความกังวลที่เกิดจาก false positive
ความเสี่ยง ความแม่นยำ และโจทย์ใหญ่ด้านการตรวจสอบเชิงคลินิก
เมื่อเปรียบเทียบสองกรณีศึกษา เราเห็นภาพชัดว่า AI ตรวจจับมะเร็งไม่ใช่ “หนึ่งเทคโนโลยีเดียวกัน” แต่เป็นระบบหลากหลายที่มีจุดแข็งและข้อควรระวังต่างกัน SiAiR เลือกเส้นทางเน้นการสนับสนุนแพทย์ อ่านภาพเอกซเรย์ทรวงอกให้เร็วขึ้นและลดภาระงานในโรงพยาบาลจำนวนมาก ส่วน REDMOD แสดงให้เห็นว่าภาพ CT ที่ดูปกติอาจซ่อนสัญญาณมะเร็งตับอ่อนที่โมเดลสามารถอ่านได้มากกว่ามนุษย์ โดยเฉพาะในช่วงสองปีก่อนการวินิจฉัย แต่ทั้งสองกรณีต่างบอกเราว่า การเชื่อตัวเลขความไวและความจำเพาะอย่างเดียวเป็นเรื่องอันตราย หากไม่ได้ผูกกับคำถามเชิงคลินิก เช่น เราควรทำอะไรกับคนที่ถูกระบุว่าเสี่ยงสูงจาก AI แต่ไม่มีอาการชัดเจน
ความแม่นยำของระบบ AI และของทีมแพทย์ไม่เท่ากันในทุกบริบท บางโมเดลอาจไวกว่าในการจับสัญญาณก่อนวินิจฉัย บางทีมแพทย์อาจระมัดระวังมากกว่าในเรื่องผลลบลวงและผลบวกลวง หากไม่มีกรอบการตรวจสอบเชิงคลินิกอย่างเข้มข้น ตั้งแต่การทดลองแบบ prospective ไปจนถึงการประเมินผลกระทบต่อผู้ป่วย การนำ AI เข้าระบบสุขภาพในวงกว้างอาจสร้างภาระจากการตรวจตามและความกังวลเกินจำเป็นมากกว่าประโยชน์จากการวินิจฉัยโรคเร็ว จุดท้าทายคือการออกแบบขั้นตอนที่ AI เป็น “ผู้ช่วยตัดสินใจ” ไม่ใช่ “ผู้ตัดสินสุดท้าย” เพื่อให้เทคโนโลยีสุขภาพเสริมคุณภาพการรักษาโดยไม่ลดทอนความรับผิดชอบและวิจารณญาณของแพทย์
บทสรุป: เราต้องการ AI ที่แม่น และระบบสุขภาพที่กล้าตั้งคำถาม
กรณี SiAiR และ REDMOD แสดงให้เห็นว่า AI ตรวจจับมะเร็งสามารถก้าวจากห้องทดลองสู่คลินิกได้ในรูปแบบที่ต่างกันอย่างชัดเจน SiAiR ถูกฝังเข้าไปในโครงข่ายโรงพยาบาลกว่า 610 แห่งเพื่อช่วยอ่านภาพเอกซเรย์ทรวงอกในชีวิตประจำวัน ขณะที่ REDMOD ยังอยู่ในพื้นที่ระหว่างการวิเคราะห์ย้อนหลังกับการทดลองเชิงคลินิกในกลุ่มเสี่ยงสูง ทั้งสองเรื่องบอกเราอีกอย่างว่า การวินิจฉัยโรคเร็วด้วยเทคโนโลยีสุขภาพไม่ใช่เป้าหมายสุดท้าย แต่เป็นหนึ่งในองค์ประกอบของการรักษาที่ดี ซึ่งต้องคำนึงถึงคุณภาพชีวิตผู้ป่วย ต้นทุนการตรวจ และความโปร่งใสของการตัดสินใจร่วมระหว่างแพทย์กับผู้ป่วย
ทางออกจึงไม่ใช่การหลงเชื่อหรือปฏิเสธ AI แบบสุดโต่ง แต่คือการสร้างวัฒนธรรมที่ยอมรับว่าระบบเหล่านี้มีทั้งพลังและข้อจำกัด การลงทุนในโครงสร้างพื้นฐานด้านคอมพิวเตอร์สมรรถนะสูง เช่น supercomputer และระบบจัดเก็บข้อมูลขนาดใหญ่ที่ใช้ฝึกโมเดลของ SiAiR จะมีความหมายก็ต่อเมื่อมีการออกแบบการทดลองเชิงคลินิกที่ดีพอรองรับผลลัพธ์จากโมเดลอย่าง REDMOD ซึ่งต้องพิสูจน์ว่าการใช้สัญญาณบน CT ที่ดูปกติสามารถช่วยชีวิตคนได้โดยไม่สร้างอันตรายจาก false positive เกินรับได้ ในท้ายที่สุด AI ตรวจจับมะเร็งจะเปลี่ยนชีวิตผู้ป่วยได้จริง ก็ต่อเมื่อระบบสุขภาพพร้อมตั้งคำถามกับตัวเลขทุกตัวที่โมเดลส่งมา และใช้มันเป็นจุดเริ่มต้นของการสนทนา ไม่ใช่คำตอบสุดท้าย
