- เป็นเนื้อหาแนะนำ แอปเรียนรู้มะเร็งผิวหนัง ที่พัฒนาโดย แพทย์ผิวหนังผู้เชี่ยวชาญ
- รองรับให้ผู้ใช้ได้รับประสบการณ์ที่เหมาะสมที่สุดบน อุปกรณ์พกพา
- แนะนำให้เข้าใช้งานเว็บไซต์ (molecheck.info) ผ่านการ สแกน QR code
- แม้จะใช้งานบนเดสก์ท็อปได้ แต่ การใช้งานด้วยสมาร์ตโฟน เหมาะสมกว่า
- สามารถเรียนรู้ความรู้เกี่ยวกับมะเร็งผิวหนังผ่าน ควิซโรคผิวหนังและรอยโรค
molecheck.info และคำแนะนำด้านการปรับให้เหมาะกับสภาพแวดล้อมบนมือถือ
- molecheck.info เป็นเว็บแอปเรียนรู้มะเร็งผิวหนังที่ แพทย์ผิวหนังผู้เชี่ยวชาญ มีส่วนร่วมสร้างขึ้นโดยตรง
- ผู้ใช้สามารถสแกน QR code ด้วยกล้องสมาร์ตโฟนเพื่อรับคำแนะนำให้ใช้งานเว็บแอปบน อุปกรณ์มือถือ
- เน้นย้ำว่าสามารถมอบ ประสบการณ์การใช้งานที่ดีที่สุด ในสภาพแวดล้อมบนมือถือ
- หากผู้ใช้ต้องการ ก็สามารถใช้งานแอปต่อใน สภาพแวดล้อมเดสก์ท็อป ได้
- ผ่านแอปนี้ ผู้ใช้สามารถทำ ควิซรอยโรคผิวหนัง เพื่อเพิ่มความเข้าใจเกี่ยวกับมะเร็งผิวหนังได้
1 ความคิดเห็น
ความเห็นจาก Hacker News
ผมชอบความเป็น DIY ของการเขียนโค้ดด้วย AI มาก ถ้าเมื่อไม่นานมานี้มีแพทย์ผิวหนังคนหนึ่งเสนอไอเดียแบบนี้ขึ้นมา ก็คงต้องหาพาร์ตเนอร์ผู้เชี่ยวชาญและทำงานอีกมากกว่าจะสร้างมันขึ้นมาได้จริง ดังนั้นส่วนใหญ่ก็คงจบแค่เป็นไอเดีย เรื่องนี้ไม่ได้เกิดกับคนที่ไม่ใช่มืออาชีพเท่านั้น ตัวผมเองก็มีลิสต์ไอเดียโปรเจ็กต์ที่สะสมมาหลายสิบปี แต่ไม่มีเวลาพอจะทำให้เป็นจริง ตอนนี้เลยกำลังลองใช้ AI agent เพื่อดูว่าตัวเองทำอะไรได้บ้าง
จริง ๆ แล้วสิ่งเดียวที่น่าเสียดายคือมันชื่อว่า “vibe code” การทำให้ทุกคนสามารถเขียนโปรแกรมคอมพิวเตอร์ในแบบที่เป็นประโยชน์ได้นั้นเป็นเรื่องที่ดีมากจริง ๆ
ผมก็คล้ายกัน มีไอเดียที่วนอยู่ในหัวมาหลายปี แต่ไม่เคยแม้แต่จะลองเพราะมั่นใจว่า ‘ยังไงก็คงไม่เวิร์ก’ ทั้งที่ทำงานเป็นนักพัฒนามืออาชีพมาเกือบ 20 ปี ก็มีความสามารถพอจะลงมือทำได้ เพียงแต่รู้สึกว่าเป็นการเสียเวลา ตอนนี้เลยอาศัยพลังของ AI ลุยแบบเต็มที่ ถึงผลลัพธ์จะยังหยาบ ๆ แต่ผมก็คิดว่าดีกว่าไม่มีอะไรเลย เพราะไม่มีใครรู้ว่าอะไรจะเกิดขึ้นได้บ้าง
ผมเองก็คงทำคนเดียวได้เหมือนกัน แต่คงใช้เวลาหลายสัปดาห์ และในความเป็นจริงก็น่าจะทำไม่เสร็จ
ผมไม่ใช่ผู้เชี่ยวชาญ แต่พี่สาวเป็นเมลาโนมา เลยสนใจเรื่องมะเร็งผิวหนังมาก ด้วยแอปนี้ผมเพิ่มความแม่นยำได้จาก 50% เป็น 85% อย่างรวดเร็ว เพราะส่วนใหญ่เป็นเคสมะเร็งผิวหนังเลยเรียนรู้ง่าย ดังนั้นคำแนะนำของผมคือ น่าจะดีกว่าถ้าจัดให้มะเร็งผิวหนังจริงมีสัดส่วนสัก 50% แน่นอนว่าเป้าหมายของการเรียนรู้อาจเป็นการทำให้โฟกัสกับเคสที่เป็นมะเร็งก็ได้ แต่ในความเป็นจริงมันเป็นปัญหาที่ยากกว่าที่คิดมาก จนทำให้ผมอยากไปพบแพทย์ผิวหนังตัวจริงเลย
ถ้าจะเขียนโค้ดเพื่อ “ฝึก” แพทย์ผิวหนังจริง ๆ ผมจะทำให้สัดส่วนใกล้เคียงกับโลกจริงมากกว่านี้ ในฐานะแพทย์ผิวหนัง รอยโรคผิวหนังที่คนไข้กังวลและเป็นมะเร็งจริง ๆ น่าจะมีประมาณ 1 ใน 100 ตอนนี้ในชุดข้อมูลมีรูปมะเร็งมากเกินไปจนถึงขั้นว่าตอบว่า 'เป็นมะเร็งทั้งหมด' ก็ยังได้คะแนนดี แต่ถ้าส่งต่อคนที่ไม่ได้เป็นมะเร็งจริงไปพบจักษุแพทย์มากเกินไป สุดท้ายมันก็จะกลายเป็นเครื่องมือที่ใช้งานจริงได้ยาก
เป็นประเด็นที่ดีครับ ในความเป็นจริงมะเร็งกับรอยโรคชนิดไม่ร้ายแรงน่าจะอยู่ใกล้ 50:50 มากกว่า ซึ่งผมตั้งใจจะสะท้อนจุดนั้นในเวอร์ชันถัดไป แน่นอนว่ารอยโรคผิวหนังส่วนใหญ่ในชีวิตจริงไม่อันตราย แต่ผมก็ยังคิดว่าการฝึกแบบเข้มข้นช่วงสั้น ๆ ก็ช่วยให้คนทั่วไปแยกรอยโรคที่น่าสงสัยได้ดีขึ้น
พอลองคิดดูอีกที ผมกลับคิดว่าในช่วงแรกควรแสดงเคสที่เป็นมะเร็ง 100% หรือมีสัดส่วนสูง เพื่อให้เรียนรู้ก่อนว่าควรมองหาอะไร จากนั้นค่อย ๆ เพิ่มความยากทีหลัง ยิ่งเข้าใกล้สัดส่วน 50% คะแนนก็จะยิ่งเข้าใกล้ความน่าจะเป็นล้วน ๆ เลยยิ่งรู้สึกยาก
สิบสองภาพแรกแทบทั้งหมดเป็นมะเร็ง และสิบสองภาพถัดมาส่วนใหญ่ไม่ใช่มะเร็ง (ไม่รู้ว่าสุ่มจริงไหม) (และผมเองก็แยกไม่ออกจริง ๆ ว่ารอยโรคผิวหนังไหนเป็นมะเร็ง)
ผมเป็นคนที่มีกระ ฝ้า ไฝ และอะไรที่ไม่รู้เต็มไปหมดทุกแบบ เลยรู้สึกว่าโปรเจ็กต์นี้น่ากลัวมากจริง ๆ
การไปตรวจผิวหนังทั้งตัวกับแพทย์ผิวหนังทุกปีเป็นเรื่องปกติ ผมทำแบบนั้นทุกปีมาหลายปีเพราะสภาพผิวของตัวเอง และในการตรวจครั้งล่าสุดก็เจอมะเร็งเซลล์ฐานตั้งแต่ระยะต้น
ของผมมีแค่จุดเดียวที่น่าสงสัย แต่ถึงอย่างนั้นก็ยังใช้เวลาไปราว 20 นาทีในการค้นหา ‘dermatofibroma กับ basal cell carcinoma’ ใน Google สำหรับกรณีของผมมันดูเหมือน dermatofibroma แต่โปรเจ็กต์แบบนี้ก็ทำให้ผมตระหนักอีกครั้งว่าสุดท้ายแล้วก็ควรไปตรวจให้แน่ใจ
งานยอดเยี่ยมมาก ตอนนี้คุณต้องไปเรียนเรื่องสถิติอย่างจริงจัง และถ้าทำแบบนั้นคุณจะตระหนักได้เร็วว่าสิ่งที่ทำมานี่เป็นแค่ส่วนที่ง่ายเท่านั้น สิ่งที่ยากกว่ามากคือจะนำผลการจำแนกไปใช้จริงอย่างไรให้เกิดประโยชน์สุทธิต่อสุขภาพของผู้ป่วย สตาร์ตอัปแห่งหนึ่งเคยสร้างระบบจำแนกแบบนี้และแก้เรื่องเทคนิคได้ดีแล้ว แต่กลับลำบากมากกับคำถามว่าจะใช้งานจริงอย่างไรโดยหลีกเลี่ยงผลเสีย อัตราความผิดพลาดถึงจะต่ำแค่ไหน สุดท้ายก็จะกลายเป็นความท้าทายหลัก ทั้ง false positive และ false negative ต่างก็มีต้นทุนทั้งด้านค่าใช้จ่ายและด้านความรู้สึก
เป็นเครื่องมือที่มีประโยชน์มาก ผมอยากให้มีคำอธิบายเพิ่มเติมว่าตัดสินจากอะไร หรือช่วยอธิบายว่าควรหาคำตอบจากรูปอย่างไร ผมแยกเมลาโนมากับ seborrheic keratosis/nevus ได้ยากและยังไม่ค่อยเข้าใจ แม้จะดูอย่างตั้งใจไปราว 120 ภาพแล้วก็ยังจับทางไม่ค่อยได้ แล้วก็อีกอย่าง หน้าไกด์ในเมนูไม่มีอยู่จริง: https://molecheck.info/how-to-recognise-skin-cancer
เป็นฟีดแบ็กที่มีประโยชน์มากครับ ผมจะปรับคำแนะนำให้ช่วยเรื่องการตัดสินได้มากขึ้น และจะเพิ่มคำอธิบายละเอียดไว้ในเมนูด้วย จริง ๆ แล้วผมคิดว่าจะมีแค่คนไข้ของผมไม่กี่คนที่ใช้ และไม่เคยคาดเลยว่าจะขึ้นหน้าแรกของ HN
ผมก็รู้สึกคล้ายกัน อยากได้โหมดที่ทั้งชุดมี 50% เป็นเมลาโนมา และอีก 50% เป็น ‘รอยโรคสีน้ำตาลชนิดไม่ร้ายแรง’
ผมสงสัยว่านี่เป็น "invasive melanoma" จริงหรือเปล่า ลิงก์
ตาม metadata ของชุดข้อมูลมันถูกระบุว่าเป็นแบบนั้น แน่นอนว่าอาจถูกจัดหมวดผิดก็ได้ ในบางกรณีที่พบได้น้อยมาก ไฝที่ดูปกติดีจากภายนอกก็อาจเป็นมะเร็งได้จริง เช่นเคส naevoid melanoma: รูปภาพ naevoid melanoma ใน Google นี่จึงเป็นเหตุผลว่าทำไมการวินิจฉัยทางผิวหนังถึงยาก และการจำแนกภาพด้วย AI จึงไม่ง่ายในแง่กฎหมายและการบริหารความเสี่ยง ในอดีตระหว่างการประชุมสหสาขาเรื่องเมลาโนมา ปีหนึ่งจะมีอยู่ 1-2 ครั้งที่มีเคสซึ่งเมื่อดูจากภาพเก่าแล้วแทบไม่น่าสงสัยเลย สิ่งที่ผมเน้นกับคนไข้เสมอคือ ต่อให้ไฝดูไม่มีอะไรเปลี่ยนจากภายนอก ถ้ามันมีการเปลี่ยนแปลงตลอดช่วงหลายเดือน ก็ควรไปตรวจเสมอ
ใช่ อันนี้ดูแทบจะแน่นอนว่าเป็นการจัดหมวดผิด
ผมก็เป็นแพทย์เหมือนกัน และอยากฟังรายละเอียดเกี่ยวกับเจตนาของโปรเจ็กต์กับกระบวนการพัฒนา การแบ่งแบบทวิภาค ‘น่ากังวล/ไม่น่ากังวล’ น่าจะสำคัญกับแพทย์คลินิกที่รับปรึกษามากกว่า ขณะที่การแยกหลายตัวเลือกแบบ ‘BCC vs melanoma’ น่าจะเหมาะกับการสอนนักศึกษาแพทย์มากกว่า และเหมือนกับความเห็นอื่น ๆ ผมคิดว่าการทำให้สอดคล้องกับสถานการณ์ผู้ป่วยจริงหรือบริการปฐมภูมิก็น่าสนใจดี แม้ว่าอาจจะน่าเบื่อถ้ามีแต่ไฝชนิดไม่ร้ายแรงเยอะเกินไปก็ตาม
เป็นไอเดียที่ยอดเยี่ยม และเป็นตัวอย่างที่ดีของการใช้ AI ทำให้ไอเดียเกิดขึ้นจริง ผมคิดว่าเครื่องมือการศึกษาที่ผู้เชี่ยวชาญสร้างขึ้นนี่แหละคือกรณีใช้งานที่มีความหวังที่สุดในยุค AI เพียงแต่ก็รู้สึกขมขื่นนิดหน่อย เพราะ AI มักถูกใช้ในทางลบจนคุณค่าของครีเอเตอร์บนอินเทอร์เน็ตถูกดึงไปทางนักลงทุนสายเทค และโปรเจ็กต์แบบนี้ก็ยังถูกเอาไปใช้โต้เถียงแนว “ทำไมคุณถึงต่อต้านการรักษามะเร็ง” เพื่อตอบโต้คำวิจารณ์เหล่านั้นด้วย
จริง ๆ แล้วมีสตาร์ตอัปจำนวนมากเริ่มต้นในหัวข้อนี้ไปแล้ว และแม้พวกเขาจะทำเทคโนโลยีได้สำเร็จ แต่การข้ามผ่านโจทย์ยากด้านการแพทย์และจริยธรรมนั้นเป็นความท้าทายที่หนักกว่ามาก
ขอบคุณสำหรับฟีดแบ็กครับ ดีใจที่หลายคนเห็นว่าแอปมีประโยชน์ มันเป็นสิ่งที่เกิดขึ้นได้เพราะ AI coding อย่างชัดเจน และผมคิดว่าในอนาคตก็น่าจะประยุกต์ใช้กับสาขาที่ไม่ใช่เทคนิคได้อีกหลายด้าน
เป็นโปรเจ็กต์ที่ดีมากและมีประโยชน์ต่อการเรียนรู้จริง ๆ แต่ผมมีข้อกังวลอยู่อย่างหนึ่ง คือสัดส่วนของรอยโรคแบบ "น่ากังวล" เทียบกับ "ไม่น่ากังวล" ในแอปดูไม่สอดคล้องกับประชากรจริง โอกาสที่ไฝที่สุ่มเจอจะเป็นมะเร็งนั้นไม่ได้สูงอย่างที่แอปชวนให้รู้สึก แน่นอนว่าสำหรับประสิทธิภาพในการเรียนรู้อาจจำเป็นต้องทำแบบนี้ แต่สำหรับคนทั่วไปมันอาจสร้างอคติให้กังวลเกินจริงได้ น่าจะต้องมีการให้ความรู้เรื่อง base rate ควบคู่กันไปด้วย
นี่คือกรณีใช้งาน AI coding ที่สมบูรณ์แบบ ตัวอย่างของผู้เชี่ยวชาญเฉพาะทางที่สร้างแอปซึ่งขอบเขตชัดเจนและทำได้ไม่ยาก @sungam ถ้าคุณทำวิจัยโมเดล AI ด้านมะเร็งผิวหนังเมื่อไร ติดต่อผมได้เสมอ (อีเมลอยู่ในโปรไฟล์) ผมกำลังสร้างเครื่องมือที่ช่วยให้นักวิจัยสายคลินิกนำ AI เข้ามาใช้ในงานวิจัยได้ง่ายขึ้น