สรุปสั้น ๆ
- REDMOD ตรวจพบมะเร็งตับอ่อนในภาพ CT ที่เคยถูกอ่านว่าปกติได้ 73% เทียบกับ 38.9% ของรังสีแพทย์
- ภาพที่ใช้ทดสอบถ่ายไว้ก่อนการวินิจฉัยราว 475 วัน (ค่ามัธยฐาน) หรือประมาณ 16 เดือน
- ยังเป็นการศึกษาย้อนหลัง มีผลบวกลวงราว 19% และต้องพิสูจน์ต่อในการศึกษา AI-PACED
นักวิจัยจาก Mayo Clinic สหรัฐอเมริกา พัฒนาโมเดลปัญญาประดิษฐ์ (AI) ชื่อ REDMOD (Radiomics-based Early Detection Model) สำหรับค้นหาสัญญาณของมะเร็งตับอ่อนชนิด pancreatic ductal adenocarcinoma (PDAC) ซึ่งเป็นมะเร็งตับอ่อนที่พบบ่อยที่สุด จากภาพเอกซเรย์คอมพิวเตอร์ (CT scan) ช่องท้องที่รังสีแพทย์เคยอ่านว่า “ไม่พบมะเร็ง” ผลการทดสอบพบว่า REDMOD ตรวจพบผู้ป่วยที่ภายหลังได้รับการวินิจฉัยว่าเป็นมะเร็งได้ 73% เทียบกับ 38.9% เมื่อให้รังสีแพทย์ผู้เชี่ยวชาญอ่านภาพชุดเดียวกัน โดยภาพในชุดทดสอบถ่ายไว้ก่อนการวินิจฉัยจริงโดยมีค่ามัธยฐานราว 475 วัน หรือประมาณ 16 เดือน งานวิจัยนี้ตีพิมพ์ออนไลน์ในวารสาร Gut เมื่อเดือนเมษายน 2026 ตัวอย่างใน ภาพที่ 1 คือผู้ป่วยรายหนึ่งที่ภาพ CT ถูกอ่านว่าปกติ แต่ REDMOD ตรวจพบสัญญาณผิดปกติในตับอ่อนได้ตั้งแต่ 2.4 ปีก่อนการวินิจฉัย
ทำไมการตรวจพบเร็วจึงสำคัญ
มะเร็งตับอ่อนเป็นมะเร็งที่มีอัตรารอดชีวิตต่ำ ส่วนหนึ่งเพราะในระยะแรกแทบไม่มีอาการ และการเปลี่ยนแปลงของเนื้อเยื่อมักเล็กน้อยเกินกว่าจะมองเห็นได้จากภาพถ่ายทางการแพทย์ตามปกติ ข้อมูลของ National Cancer Institute ที่ Mayo Clinic อ้างถึงระบุว่า ในสหรัฐอเมริกา ผู้ป่วยมากกว่า 85% ได้รับการวินิจฉัยเมื่อโรคลุกลามไปแล้ว และอัตรารอดชีวิตที่ 5 ปีต่ำกว่า 15% ทีมวิจัยยังอ้างถึงแบบจำลองที่ชี้ว่า หากสัดส่วนผู้ป่วยที่ตรวจพบขณะมะเร็งยังอยู่เฉพาะที่เพิ่มจาก 10% เป็น 50% อัตรารอดชีวิตจะเพิ่มขึ้นมากกว่าเท่าตัว
REDMOD ทำงานอย่างไร
REDMOD อาศัยเทคนิคเรดิโอมิกส์ (radiomics) คือการแปลงภาพทางการแพทย์ให้เป็นค่าตัวเลขเชิงปริมาณ แทนการดูด้วยตาเพียงอย่างเดียว เรามาทำความเข้าใจเป็นลำดับดังนี้ (ภาพที่ 2)
- ระบบค้นหาและกำหนดขอบเขตของตับอ่อนในภาพ CT โดยอัตโนมัติ ไม่ต้องให้คนลากเส้นเอง ช่วยลดความแตกต่างของผลระหว่างผู้ใช้แต่ละคน
- สกัดค่าเชิงปริมาณของภาพจำนวนมาก ซึ่งบอกถึงพื้นผิว (texture) และโครงสร้างของเนื้อเยื่อ ทั้งจากภาพต้นฉบับและภาพที่ผ่านตัวกรอง เช่น wavelet
- คัดเลือกค่าที่มีประโยชน์ที่สุด 40 ค่าด้วยวิธี mRMR (minimum redundancy maximum relevance) โดยราว 90% เป็นค่าพื้นผิวจากภาพที่ผ่านตัวกรอง
- ให้โมเดลจำแนก 3 แบบ ได้แก่ logistic regression, random forest และ XGBoost ทำนายร่วมกัน แล้วเฉลี่ยความน่าจะเป็นเพื่อตัดสินว่าภาพนั้นมี “ลายเซ็น” ของมะเร็งที่ตามองไม่เห็นหรือไม่
จุดที่น่าสนใจคือ ระบบนี้ออกแบบมาให้ใช้กับภาพ CT ที่ผู้ป่วยถ่ายไว้แล้วด้วยเหตุผลอื่น โดยเฉพาะในกลุ่มเสี่ยงสูง เช่น ผู้ที่เพิ่งเริ่มเป็นเบาหวาน
ผลการทดสอบ
ทีมวิจัยใช้ภาพ CT ช่องท้องของผู้ป่วย 219 คนที่ภายหลังได้รับการวินิจฉัยว่าเป็น PDAC ภาพเหล่านี้ถ่ายไว้ก่อนการวินิจฉัยราว 3–36 เดือน และทั้งหมดเคยถูกอ่านว่าไม่พบมะเร็ง จากนั้นเปรียบเทียบกับภาพของคน 1,243 คนที่ไม่เป็นมะเร็งและได้รับการติดตามอย่างน้อย 3 ปี โดยจับคู่ตามอายุ เพศ และช่วงเวลาที่ถ่ายภาพ ข้อมูลถูกแบ่งเป็นชุดฝึก 969 ภาพ และชุดทดสอบแยกต่างหาก 493 ภาพ (ภาพก่อนวินิจฉัย 63 ภาพ ต่อภาพกลุ่มควบคุม 430 ภาพ หรือราว 1 ต่อ 6) ผลในชุดทดสอบเป็นดังนี้
- ความไว (sensitivity) ของ REDMOD อยู่ที่ 73.0% เทียบกับ 38.9% ของรังสีแพทย์ช่องท้องที่ได้รับวุฒิบัตร 2 คน ซึ่งอ่านภาพทั้ง 493 ภาพโดยไม่ทราบข้อมูลทางคลินิก
- ในภาพที่ถ่ายไว้ก่อนการวินิจฉัยนานกว่า 2 ปี REDMOD ตรวจพบได้ 68% ขณะที่รังสีแพทย์ตรวจพบได้ 23%
- ค่าจำเพาะ (specificity) อยู่ที่ 81.1% และค่า AUC 0.82
- เมื่อทดสอบเพิ่มเติมกับภาพของคนที่ไม่เป็นมะเร็งจากหลายสถาบัน 539 คน ได้ค่าจำเพาะ 81.3% และในชุดข้อมูลสาธารณะ NIH-PCT จำนวน 80 คน ได้ 87.5%
- เมื่อวิเคราะห์ภาพของคนเดียวกันที่ถ่ายต่างเวลากัน ผลการทำนายตรงกัน 90–92%
“ตอนนี้ AI สามารถระบุลายเซ็นของมะเร็งได้จากตับอ่อนที่ดูปกติ”
Ajit Goenka, M.D. รังสีแพทย์ของ Mayo Clinic และผู้วิจัยอาวุโสของงานนี้
ข้อจำกัดที่ควรรู้
แม้ผลจะน่าสนใจอย่างมาก แต่ยังมีข้อควรระวังหลายข้อ
- เป็นการศึกษาย้อนหลัง (retrospective) คือนำภาพเก่ามาวิเคราะห์ ยังไม่ได้ใช้คัดกรองผู้ป่วยจริงแบบไปข้างหน้า
- อัตราผลบวกลวง (false positive) อยู่ที่ราว 19% หมายความว่าในคนที่ไม่เป็นมะเร็ง 100 คน ราว 19 คนจะถูกระบบแจ้งว่าผิดปกติ และในชุดทดสอบ ภาพที่ระบบแจ้งว่าผิดปกติเป็นมะเร็งจริงเพียงราว 36% ซึ่งหากนำไปใช้จริงอาจนำไปสู่การตรวจเพิ่มเติมที่ไม่จำเป็น
- ผู้วิจัยตั้งสัดส่วนภาพมะเร็งต่อภาพปกติไว้ราว 1 ต่อ 6 เพื่อจำลองสถานการณ์ที่พบมะเร็งน้อย แต่สัดส่วนนี้ยังสูงกว่าที่พบในการคัดกรองจริงมาก
- การทดสอบกับข้อมูลจากภายนอกทำได้เฉพาะค่าจำเพาะ ส่วนความไวยังไม่ได้ทดสอบกับข้อมูลชุดอื่น เพราะยังไม่มีชุดข้อมูลสาธารณะของภาพ CT ก่อนการวินิจฉัยมะเร็งตับอ่อน
- REDMOD ประเมินความเสี่ยงของตับอ่อนทั้งอวัยวะ ไม่ได้ระบุตำแหน่งของเนื้องอก ผู้วิจัยจึงมองว่าผลบวกจาก REDMOD ควรนำไปสู่การตรวจเพิ่มเติมเพื่อหาตำแหน่ง เช่น การตรวจภาพทางโมเลกุล
- การศึกษานี้ไม่ได้ออกแบบมาเพื่อประเมินผลในกลุ่มเชื้อชาติและชาติพันธุ์ต่าง ๆ จึงยังต้องทดสอบในประชากรอื่น เช่น ประชากรในเอเชีย ก่อนจะบอกได้ว่าใช้ได้ดีแค่ไหนในวงกว้าง
- เมื่อแบ่งตามช่วงเวลาก่อนการวินิจฉัย แต่ละกลุ่มย่อยมีจำนวนผู้ป่วยน้อย จึงยังเปรียบเทียบทางสถิติอย่างเป็นทางการไม่ได้
ก้าวต่อไป
ทีมวิจัยกำลังทดสอบ REDMOD ในทางคลินิกผ่านการศึกษาแบบไปข้างหน้า (prospective study) ชื่อ AI-PACED (Artificial Intelligence for Pancreatic Cancer Early Detection) ในผู้ป่วยที่มีความเสี่ยงสูง เพื่อประเมินทั้งความสามารถในการตรวจพบเร็ว จำนวนผลบวกลวง และผลลัพธ์ทางคลินิกของผู้ป่วย
ดังนั้น REDMOD ยังไม่ใช่เครื่องมือที่พร้อมใช้คัดกรองทั่วไป แต่แสดงให้เห็นว่าข้อมูลที่ซ่อนอยู่ในภาพ CT ซึ่งโรงพยาบาลถ่ายกันอยู่ทุกวัน อาจช่วยให้ตรวจพบมะเร็งที่อันตรายที่สุดชนิดหนึ่งได้เร็วขึ้นในระยะที่ยังรักษาให้หายขาดได้ ผู้อ่านที่สนใจบทบาทของ AI ในการแพทย์สามารถอ่านเพิ่มเติมได้ใน AI แก้ปัญหาการแพทย์ได้แค่ไหน? 5 งานวิจัยเด่นและข้อจำกัด และการใช้ภาพทางการแพทย์ในการวางแผนรักษาได้ใน Theranostics คืออะไร
สำหรับคนที่สนใจสามารถเข้าไปศึกษารายละเอียดของรายงานวิจัยได้ที่ Next-generation AI for visually occult pancreatic cancer detection in a low-prevalence setting with longitudinal stability and multi-institutional generalisability (Gut, 2026)
ข่าวจาก Mayo Clinic News Network และ ScienceDaily
ภาพประกอบทั้งสองภาพนำมาจากบทความต้นฉบับโดยไม่ดัดแปลง เผยแพร่ภายใต้สัญญาอนุญาต CC BY-NC 4.0