ในยุคที่เทคโนโลยีปัญญาประดิษฐ์ (AI) เข้ามามีบทบาทในชีวิตประจำวันมากขึ้น วงการแพทย์ก็เป็นอีกหนึ่งสาขาที่ได้รับผลกระทบจากการเปลี่ยนแปลงนี้อย่างมีนัยสำคัญ AI ไม่ได้เป็นเพียงเครื่องมือที่ช่วยอำนวยความสะดวกในการทำงานเท่านั้น แต่ยังเป็นพลังขับเคลื่อนสำคัญที่ช่วยยกระดับการทำงาน ลดขั้นตอนที่ไม่จำเป็น ทำให้บุคลากรสามารถใช้เวลาไปกับสิ่งที่มีประโยชน์ต่อผู้ป่วยจริงๆ และสามารถไปพัฒนางานให้มีประสิทธิภาพได้ดียิ่งขึ้น
“แนวคิด Lean (ลีน) คือกระบวนการปรับปรุงระบบ
โดยการลดความสูญเปล่า (Waste)”
วิวัฒนาการ และการเปลี่ยนแปลงครั้งใหญ่ของ AI
AI ถือเป็นหนึ่งในการเปลี่ยนแปลงครั้งใหญ่ที่สำคัญของโลก (Revolution) เมื่อเปรียบเทียบความสำคัญกับเหตุการณ์สำคัญในประวัติศาสตร์ของมนุษย์ เช่น การค้นพบไฟ, การพัฒนาการพิมพ์ (Printing press) การเข้ามาของคอมพิวเตอร์ ตลอดจนการพัฒนาวัคซีนในทางการแพทย์ที่ช่วยให้มนุษย์สามารถมีอายุยืนยาวขึ้น ในปัจจุบันวิวัฒนาการของ Generative AI โดยเฉพาะ Generative Pre-trained Transformer (GPT) ได้เข้ามาเปลี่ยนแปลงวิธีการทำงาน และการเรียนรู้ของมนุษย์อย่างมาก รวมถึงการพัฒนาแบบก้าวกระโดดของ Graphics Processing Unit (GPU) ที่ทำให้สามารถประมวลผลข้อมูลได้เร็วกว่าเดิมเป็นอย่างมากในช่วง 10 ปีที่ผ่านมา
ทำความเข้าใจความสัมพันธ์ และลำดับชั้นของแนวคิดต่างๆ ที่เกี่ยวข้องกับปัญญาประดิษฐ์ (Artificial Intelligence หรือ AI)
ความสัมพันธ์ของแนวคิดเกี่ยวกับ AI มีคำอธิบาย ดังนี้
- Artificial Intelligence (AI) คือ สาขาวิชาที่ศึกษาเกี่ยวกับการสร้างเครื่องจักรกลอัจฉริยะ หรือระบบคอมพิวเตอร์ที่มีความสามารถในการแสดงออกถึงความฉลาดคล้ายมนุษย์
- Machine Learning (ML) คือ แขนงหนึ่งของ AI ที่เน้นการสร้างระบบที่สามารถเรียนรู้จากข้อมูลได้โดยไม่ต้องมีการเขียนโปรแกรมคำสั่งอย่างชัดเจน
- Deep Learning คือ ส่วนหนึ่งของ Machine Learning ที่ใช้โครงข่ายประสาทเทียม (Artificial Neural Networks) ที่มีหลายชั้น (deep) ในการเรียนรู้และประมวลผลข้อมูล
- Generative (GenAI) & Agentic AI คือ ประเภทหนึ่งของ Artificial Neural Networks ที่สามารถสร้างข้อมูลใหม่ที่มีความคล้ายคลึงกับข้อมูลที่ใช้ในการฝึกฝน หรือ AI ที่เป็น Agent ที่สามารถตอบสนองและโต้ตอบกับสภาพแวดล้อมได้ GenAI ที่เป็นที่รู้จัก เช่น Chat GPT (OpenAI), Gemini (Google), Grok (X), LLaMA (Meta), DeepSeek
- Predictive AI ใช้ประโยชน์จากเทคนิค Machine Learning และ Deep Learning แต่จะมุ่งเน้นไปที่การทำนายหรือคาดการณ์ผลลัพธ์ในอนาคต โดยอิงจากข้อมูลในอดีตหรือข้อมูลปัจจุบัน
ตัวอย่างการประยุกต์ใช้ AI ด้านการแพทย์ (AI in Healthcare)
การนำ AI เข้ามาใช้ในวงการสุขภาพทำให้เกิดการพัฒนาทางการแพทย์อย่างรวดเร็วมาก เช่น AlphaFold ที่ช่วยคาดการณ์โครงสร้างของโปรตีนได้แม่นยำมากขึ้น ซึ่งส่งผลให้กระบวนการค้นคว้ายาใหม่เร็วขึ้น ไม่ต้องเสียเวลาทดลองผิดถูกหลายครั้ง นอกจากนี้ AI ยังสามารถช่วยวินิจฉัยโรค และพยากรณ์แนวทางการรักษาได้ดียิ่งขึ้นด้วยการวิเคราะห์ข้อมูลที่มีขนาดใหญ่ ช่วยให้กระบวนการวิจัยและพัฒนายาเร็วขึ้นกว่าเดิม
วิธีการใช้งาน AI และ Prompt Engineering เพื่อ Lean Approach to Efficiency
ในการใช้ AI เราต้องสื่อสารผ่านการใช้คำถามหรือคำสั่ง เรียกว่า prompt ซึ่งมีความสำคัญอย่างมากในการทำให้ได้ผลลัพธ์ที่ถูกต้องแม่นยำ และตรงกับความต้องการของผู้ใช้ โดยในบทความนี้จะขอกล่าวถึงวิธีการ prompt 4 แบบ ได้แก่
- Zero-shot Prompting คือ การส่งคำถามตรงไปตรงมา ไม่มีตัวอย่างประกอบ
- Few-shot Prompting คือ ผู้ใช้ให้ตัวอย่างเพิ่มเติมเพื่อช่วย AI เข้าใจบริบทที่ชัดเจนขึ้น
- Chain-of-Thought Prompting คือ ผู้ใช้ให้ AI คิด และตอบเป็นขั้นตอน ทำให้การตอบคำถามที่ซับซ้อนมีความละเอียดและแม่นยำมากขึ้น
- Tree-of-Thought Prompting คือ ผู้ใช้ให้ AI ทำงานเหมือนเป็นทีมผู้เชี่ยวชาญหลายคนช่วยกันวิเคราะห์ปัญหาที่ซับซ้อน ซึ่งทำให้ผลลัพธ์มีประสิทธิภาพสูงสุด
องค์ประกอบสำคัญสำหรับ prompt ที่มีประสิทธิภาพ
- Persona: ระบุบทบาทหรือมุมมอง AI ที่ควรนำมาใช้
- Task: ระบุการกระทำที่คุณต้องการให้ AI ดำเนินการอย่างชัดเจน โดยใช้คำกริยาหรือคำสั่ง
- Context: ให้ข้อมูลพื้นฐานหรือรายละเอียดที่เกี่ยวข้อง
- Format: กำหนดรูปแบบที่คุณต้องการให้แสดงผลลัพธ์ (เช่น แบบรายการ แบบตาราง)
ควรใช้ภาษาธรรมชาติในเขียน prompt เหมือนกับว่าคุณกำลังพูดคุยกับคน ใช้ประโยคที่สมบูรณ์และแสดงความคิดของคุณออกมาให้ครบถ้วน มีความกระชับ และหลีกเลี่ยงความซับซ้อน
ตัวอย่างการ prompt : You are a program manager in [industry]. Draft an executive summary email to [persona] based on [details about relevant program docs]. Limit to bullet points.
ระดับของการใช้ AI และการพัฒนาที่สูงขึ้น
GenAI มีระดับการใช้งานที่หลากหลาย ตั้งแต่การใช้งานระดับผู้ใช้งานทั่วไป (Consumer app) ไปจนถึงระดับการพัฒนา (Developer app) เราสามารถใช้ GenAI ได้ 2 ระดับ ซึ่งถือว่าเพียงพอแล้วสำหรับการใช้งานในชีวิตประจำวัน
- ระดับ Consumer App (แอปพลิเคชันสำหรับผู้บริโภคทั่วไป): เป็นการใช้ Generative AI ผ่านแอปพลิเคชันหรือบริการที่เปิดให้บุคคลทั่วไปใช้งานได้ โดยมุ่งเน้นความสะดวกในการเข้าถึง และใช้งานง่าย ไม่จำเป็นต้องมีความรู้ทางเทคนิคเชิงลึก เช่น
- การค้นหาข้อมูลทางการแพทย์: ใช้ GenAI เช่น ChatGPT เพื่อค้นหาข้อมูลทางการแพทย์เบื้องต้น ทำความเข้าใจโรค อาการ หรือการรักษาใหม่ๆ ได้อย่างรวดเร็ว
- การสรุปข้อมูล: ช่วยสรุปบทความวิจัย รายงานผู้ป่วย หรือข้อมูลทางการแพทย์อื่นๆ เพื่อประหยัดเวลาในการอ่านและทำความเข้าใจ รวมถึงสรุปรายงานการประชุม
- การสร้างเนื้อหาเพื่อการศึกษา: สร้างสื่อการสอน หรืออธิบายข้อมูลทางการแพทย์ให้ผู้ป่วยเข้าใจได้ง่ายขึ้น
- การทำวิจัยหรือ R2R: GenAI สามารถช่วยในการเขียนข้อเสนอโครงการวิจัย (Research Proposal) ทบทวนวรรณกรรม สรุปงานวิจัย และวิเคราะห์ข้อมูลเบื้องต้น
- ข้อควรระวัง:
- ข้อมูลที่ได้จาก Consumer App อาจไม่ถูกต้องหรือเป็นปัจจุบันเสมอ บุคลากรทางการแพทย์ควรใช้ข้อมูลเหล่านี้เป็นข้อมูลเบื้องต้นเท่านั้น และควรตรวจสอบความถูกต้องจากแหล่งข้อมูลที่เชื่อถือได้เสมอ
- ไม่ควรใช้ Consumer App ในการตัดสินใจทางการแพทย์ที่สำคัญ โดยเฉพาะอย่างยิ่งในการวินิจฉัยโรคหรือการวางแผนการรักษา
- ระดับ Enterprise App (แอปพลิเคชันสำหรับองค์กร): เป็นการใช้ Generative AI ผ่านแอปพลิเคชันหรือซอฟต์แวร์ที่พัฒนาขึ้นสำหรับใช้งานภายในองค์กร เช่น โรงพยาบาล หรือคลินิก โดยมักมีการปรับแต่งหรือรวมเข้ากับระบบที่มีอยู่เดิม
- การใช้งานสำหรับบุคลากรทางการแพทย์:
- ระบบสนับสนุนการตัดสินใจทางคลินิก: ใช้ Generative AI เพื่อวิเคราะห์ข้อมูลผู้ป่วย (เช่น ประวัติทางการแพทย์ ผลตรวจ) และให้คำแนะนำในการวินิจฉัยหรือการรักษา
- การจัดการเวชระเบียน: ช่วยในการจัดระเบียบ และค้นหาข้อมูลเวชระเบียนของผู้ป่วยได้อย่างมีประสิทธิภาพมากขึ้น
- การสื่อสารกับผู้ป่วย: สร้างข้อความตอบกลับอัตโนมัติสำหรับคำถามที่พบบ่อยจากผู้ป่วย หรือช่วยในการสร้างแผนการดูแลผู้ป่วยเฉพาะบุคคล
การวิเคราะห์ข้อมูลทางระบาดวิทยา: ช่วยในการวิเคราะห์ข้อมูลการแพร่ระบาดของโรค หรือติดตามผลลัพธ์ของการรักษาในกลุ่มผู้ป่วยต่างๆ
ก้าวต่อไปของ Generative AI (GenAI) โดยใช้ Multimodal Large Language Models (MLLMs)
โมเดลสร้างภาษาบนข้อมูลสื่อผสมผสาน (Multimodal Large Language Models: MLLMs) คือโมเดลปัญญาประดิษฐ์ที่มีความสามารถในการประมวลผล และวิเคราะห์ข้อมูลที่มีลักษณะหลากหลายรูปแบบหรือที่เรียกว่า multimodal ซึ่งได้แก่ ข้อความ ภาพ เสียง และข้อมูลอื่นๆ ที่ต่างชนิดกัน โมเดลเหล่านี้สร้างขึ้นจากพื้นฐานของโมเดลภาษาขนาดใหญ่ (Large Language Models: LLMs) และขยายขีดความสามารถโดยการรวมข้อมูลจากแหล่งที่มาต่างๆ เข้าด้วยกันเพื่อสร้างผลลัพธ์ที่มีความแม่นยำ และครบถ้วนมากขึ้น ตัวอย่างในบริบททางการแพทย์ประโยชน์หลักของ MLLMs ในด้านสุขภาพ ได้แก่ การวิเคราะห์ภาพทางการแพทย์เพื่อสนับสนุนการวินิจฉัย การสร้างระบบสนับสนุนการตัดสินใจทางคลินิก ซึ่ง MLLMs มีศักยภาพในเพิ่มความแม่นยำและเฉพาะเจาะจงมากขึ้น ช่วยลดระยะเวลาในขั้นตอนการให้บริการที่เสียวเวลามาก รวมถึงการช่วยให้บุคลากรทางการแพทย์มีเวลาปฏิสัมพันธ์กับผู้ป่วยมากขึ้น
ความท้าทายและข้อควรระวังในการใช้ GenAI
- ความแม่นยำของ AI อาจมีข้อผิดพลาดหรือเกิด Hallucination ให้ข้อมูลที่ไม่ถูกต้อง
- ความเป็นส่วนตัวของข้อมูลผู้ป่วย ต้องมีมาตรการป้องกันการรั่วไหลของข้อมูล
- ควรใช้ AI อย่างสมดุล AI เป็นเครื่องมือสนับสนุน ไม่สามารถแทนที่มนุษย์ได้
“Human in the Loop”
การประยุกต์ใช้ AI ในการดำเนินงานถือเป็นการดำเนินการตามแนวทาง Lean ซึ่งมุ่งเน้นการเพิ่มประสิทธิภาพของระบบสุขภาพ โดยการลดขั้นตอนที่ไม่จำเป็น และส่งเสริมคุณภาพการดูแลผู้ป่วย AI สนับสนุนบุคลากรทางการแพทย์ในการวิเคราะห์โรค บริหารจัดการงาน ลดภาระงานด้านเอกสาร และส่งเสริมการวิจัยทางการแพทย์ บุคลากรทางการแพทย์จึงควรศึกษา และทำความเข้าใจ AI เพื่อให้สามารถใช้งานได้อย่างมีประสิทธิภาพและยั่งยืน
ตัวอย่างการใช้ GenAI สำหรับช่วยเขียนโครงร่างงานวิจัย
เอกสารศึกษาเพิ่มเติม
Google Workspace. Prompt like a pro in Google Workspace with Gemini [Internet]. Mountain View (CA): Google; [cited 2023 Oct 26]. Available from: https://workspace.google.com/learning/content/gemini-prompt-guide
คำสำคัญ: ปัญญาประดิษฐ์, แนวคิดลีน, การแพทย์อัจฉริยะ, การประยุกต์ใช้ AI ทางการแพทย์, โมเดลสร้างภาษาบนข้อมูลสื่อผสมผสาน
อ.ภก.บรรณสรณ์ เตชะจำเริญสุข ผู้ถอดความ
