โจทย์ ปรนัย
What is the primary goal of the article according to its introduction?

The phrasing of option 3 exactly matches the typical scope stated in introductions of review / survey articles about generative AI in medicine: they set out to summarize recent technical advances (GANs / VAEs / diffusion), show where those methods are being used in medical imaging (augmentation, reconstruction, denoising, anomaly detection, privacy/synthetic data), and discuss practical challenges (data quality, evaluation, safety, regulatory and ethical issues). The other options describe different focuses (hospital management, economics, policy comparison, or inventing new diffusion models) that are narrower or different in kind from a general “advancements–applications–challenges” introduction.

• reviews key generative model families (GANs, VAEs, diffusion models),

โจทย์ ปรนัย
How do generative AI models differ from traditional discriminative models in healthcare applications?

Generative models learn to model and sample from the data distribution (learn p(x) or p(x,y)), so they can create realistic new examples (synthetic images, reconstructed images, or missing modality synthesis). Discriminative models instead learn decision boundaries or conditional probabilities p(y|x) to classify or predict labels from inputs they are optimized for mapping inputs to outputs, not for generating new realistic inputs

Generative use-cases: synthesize rare pathology images for training, image denoising/reconstruction (low-dose CT → high-quality CT), modality translation (MR → CT), data augmentation, creating privacy-preserving synthetic patient scans

โจทย์ ปรนัย
What is meant by the term “model as a dataset”?

แนวคิด “model as a dataset” หมายถึงการปฏิบัติที่ถือว่า โมเดลที่ฝึกเสร็จแล้วเป็นตัวแทนของข้อมูล นั่นคือการแชร์น้ำหนักโมเดล (trained weights / checkpoints) แทนการแจกข้อมูลดิบ ในทางปฏิบัติโมเดลฝึกแล้วจะบรรจุข้อมูลหรือสถิติของชุดฝึกไว้ ดังนั้นการเผยแพร่โมเดลจึงเทียบได้กับการเผยชุดข้อมูลและอาจเสี่ยงเรื่องการรั่วไหลของข้อมูลหรือความเป็นส่วนตัว (model can act like a proxy for the dataset)

เอกสารวิชาการและงานทบทวนที่พูดถึงความซับซ้อนของการประเมินและการแลกเปลี่ยนข้อมูลทางการแพทย์มักกล่าวถึงแนวคิดนี้ว่าการแชร์โมเดลแทนแชร์ข้อมูลดิบเป็นแนวทางหนึ่ง แต่มาพร้อมกับความเสี่ยงเรื่องการเปิดเผยข้อมูลที่ฝังอยู่ในพารามิเตอร์ของโมเดล

โจทย์ ปรนัย
Which statement correctly distinguishes physics-informed and statistical models?

Physics-informed models (เช่น PINNs, model-based deep learning ที่ฝังสมการทางฟิสิกส์) จะ ผนวกความรู้ทางกายภาพ/ชีววิทยาและสมการที่กำกับกระบวนการสร้างภาพ (เช่น สมการสัญญาณ MRI, สมการการแพร่กระจายของแสงในภาพทางการแพทย์) ลงในโครงสร้างหรือฟังก์ชันความสูญเสียของโมเดล เพื่อบีบให้คำตอบสอดคล้องกับกฎทางฟิสิกส์ ลดความต้องการข้อมูลตัวอย่างจำนวนมากและเพิ่มความมั่นคงทางฟิสิกส์ของผลลัพธ์

งานทบทวน/บทความเกี่ยวกับ PINNs และ physics-informed ML อธิบายหลักการและประโยชน์ในการประยุกต์กับการถ่ายภาพทางการแพทย์ (เช่น การฟื้นคืนภาพ MRI, การแก้ปัญหา inverse problems) และเปรียบเทียบกับแนวทางเชิงสถิติ/ข้อมูล-ขับเคลื่อน

โจทย์ ปรนัย
According to the article, what does the “image generation trilemma” describe?

บทความใช้คำว่า “image generation trilemma” เพื่ออธิบายการแลกเปลี่ยน (trade offs) ระหว่างคุณสมบัติสำคัญสามประการของโมเดลสร้างภาพ คือ ความหลากหลายของภาพ (diversity), คุณภาพ/สมจริงของภาพ (quality/realism) และ ความเร็ว/ประสิทธิภาพในการสร้าง (speed/latency) กล่าวคือ การปรับปรุงด้านหนึ่งมักทำให้ด้านอื่นต้องเสียบางอย่าง (เช่น ต้องเพิ่มเวลาสร้างเพื่อให้ภาพมีคุณภาพสูงหรือมีความหลากหลายมากขึ้น)

กล่าวถึงแนวคิดนี้ชี้ว่าทริเล็มมาช่วยอธิบายข้อจำกัดเชิงปฏิบัติในการนำ generative models ไปใช้ในงานการแพทย์ (เช่น ถ้าต้องการภาพสังเคราะห์คุณภาพสูงและหลากหลาย อาจแลกกับเวลาการประมวลผลที่เพิ่มขึ้น) ข้อความหลักและคำอธิบายสั้น ๆ อ้างตามแหล่งเดียวกัน

โจทย์ ปรนัย
What is the Human Turing Test used for in medical image synthesis?

Human (or visual) Turing Test ในบริบทการสังเคราะห์ภาพการแพทย์คือการทดสอบเชิงคุณภาพที่ให้ผู้เชี่ยวชาญ (เช่น รังสีแพทย์หรือแพทย์เฉพาะทาง) ดูภาพจริงผสมกับภาพสังเคราะห์แบบบอด (blind) แล้วตัดสินว่าภาพไหนของจริง จุดประสงค์คือประเมิน ความสมจริงและความน่าเชื่อถือของภาพสังเคราะห์ (ว่ามันหลอกผู้เชี่ยวชาญได้หรือไม่) ซึ่งเป็นการวัดเชิงมนุษย์ที่เติมช่องว่างของมาตรวัดเชิงคณิตศาสตร์เพียงอย่างเดียว

งานหลายชิ้นด้านการสร้างภาพทางการแพทย์ (GANs / diffusion ฯลฯ) ใช้การทดลองนี้เป็นส่วนหนึ่งของการประเมินเชิงคุณภาพ แม้ว่าข้อจำกัดคือผลลัพธ์มีความเป็นอัตวิสัยและไม่ครอบคลุมเรื่องความหลากหลายหรือความถูกต้องเชิงสถิติเต็มที่

โจทย์ ปรนัย
Which of the following is NOT mentioned as a potential benefit of synthetic data in healthcare?

บทความและงานทบทวนหลายชิ้นระบุประโยชน์ของ synthetic data เช่น เพิ่มความหลากหลายของข้อมูล, ช่วยคงความเป็นส่วนตัวของผู้ป่วย, อำนวยความสะดวกในการทำงานร่วมกันข้ามศูนย์ และใช้ในการสอน/ฝึกอบรม แต่ชัดเจนว่า synthetic data ไม่ใช่กระสุนวิเศษที่จะลบล้าง bias ทางการแพทย์ทั้งหมดอย่างถาวรในหลายกรณี synthetic data สามารถสะท้อนหรือขยายอคติจากข้อมูลต้นทางได้ จึงไม่ถูกกล่าวว่าเป็นการ “ยุติ bias อย่างถาวร”

Eliminating All Medical Biases Permanently — ไม่ถูกต้อง งานวิจัยชี้ว่า synthetic data อาจสืบทอดหรือเปลี่ยนแปลงอคติจากข้อมูลต้นฉบับ มีข้อจำกัดด้านความยุติธรรม (fairness) และอาจต้องการมาตรการแก้ไขเพิ่มเติม

โจทย์ ปรนัย
What is one major ethical concern associated with generative AI in medical imaging?

ข้อกังวลเชิงจริยธรรมสำคัญคือ โมเดลสร้างภาพอาจ “เลียน” หรือจดจำข้อมูลจากชุดฝึก (memorization) จนสามารถสร้างตัวอย่างที่ใกล้เคียงกับเคสจริง — ผลคือความเสี่ยงของ การคัดลอกข้อมูล (data copying) และการ re-identification ของผู้ป่วย ผ่านการโจมตีเช่น membership inference หรือ model inversion ซึ่งงานวิจัยหลายชิ้นแสดงว่า synthetic/partial-synthetic datasets และโมเดลขนาดใหญ่สามารถเปิดช่องให้เกิดการเดาสมาชิกหรือคืนข้อมูลบางส่วนได้

จึงเป็นปัญหาจริยธรรมและความเป็นส่วนตัวที่สำคัญในการนำ generative AI ไปใช้งานทางการแพทย์

โจทย์ ปรนัย
What regulatory precedent did the article cite for synthetic data technologies?

บทความอ้างถึงตัวอย่างทางกฎระเบียบที่เป็นบรรทัดฐาน (regulatory precedent) คือการที่หน่วยงานอย่าง FDA ให้การอนุญาต/clearance กับเทคโนโลยีที่สร้างภาพ MRI เชิงสังเคราะห์หรือซอฟต์แวร์แปรรูปภาพ (ตัวอย่างเช่น SyMRI/SyntheticMR และซอฟต์แวร์ที่ให้ภาพ STIR สังเคราะห์) เพื่อแสดงว่า regulator เริ่มรับรองการใช้งานเชิงคลินิกของภาพสังเคราะห์เป็นซอฟต์แวร์การประมวลผลภาพทางการแพทย์

จึงถูกหยิบมาเป็น precedent ในการพูดถึง synthetic data/AI ในงานภาพการแพทย์นี้

โจทย์ ปรนัย
What is the main purpose of the article?

บทความมีจุดประสงค์หลักเป็นการ เปรียบเทียบและประเมินแบบจำลองคาดการณ์ความเสี่ยง ASCVD ที่พัฒนา/ใช้ในประเทศในเอเชียตะวันออก ตรวจสอบความแม่นยำ (performance), ปัญหาการคาลิเบรต (calibration), และข้อจะแก้เมื่อนำแบบจำลองจากประชากรตะวันตกมาใช้ในบริบทท้องถิ่น (recalibration / พัฒนาโมเดลท้องถิ่น เช่น China-PAR, Suita, KRPM เป็นต้น)งานทบทวนและบทความล่าสุดที่เกี่ยวกับหัวข้อนี้เน้นการประเมินโมเดลในจีน ญี่ปุ่น เกาหลี และแนะนำการปรับให้เหมาะสมกับบริบทท้องถิ่น

บทความ/รีวิวสมัยใหม่ระบุชัดว่าต้องการเปรียบเทียบโมเดลระหว่างประเทศในเอเชียตะวันออกและเสนอแนวทาง (recalibration / development of local models) เพื่อให้การประเมินความเสี่ยงเหมาะสมในบริบทท้องถิ่น

โจทย์ ปรนัย
Which of the following models was originally developed for a Western population?

Framingham Risk Score ถูกพัฒนาจากข้อมูล Framingham Heart Study ในสหรัฐอเมริกา (Western cohort) — เป็นโมเดลความเสี่ยงที่มีต้นกำเนิดจากประชากรตะวันตก

• Framingham Risk Score — พัฒนาจาก Framingham Heart Study (สหรัฐอเมริกา)

โจทย์ ปรนัย
Why might Western-based risk prediction models overestimate ASCVD risk in East Asian populations?

หลายการศึกษาและการตรวจสอบภายนอก (external validation) พบว่าแบบจำลองความเสี่ยงที่พัฒนาจากประชากรตะวันตกมัก ประเมินความเสี่ยงสัมบูรณ์ (absolute risk) สูงกว่าที่สังเกตได้ในประชากรชาวเอเชียตะวันออก — สาเหตุสำคัญรวมถึงความต่างของ อุบัติการณ์พื้นฐาน (baseline incidence) ของโรค, ความแตกต่างในการแจกแจงปัจจัยเสี่ยง (risk-factor distribution), รูปแบบผลลัพธ์ทางคลินิกที่ต่างกัน (เช่น สัดส่วน stroke vs CHD), และความแตกต่างของ cohort / ระยะเวลาและระบบการดูแลสุขภาพที่ทำให้การคาลิเบรต (calibration) ของโมเดลผิดเพี้ยนได้. การแก้ปัญหาที่ใช้คือการ recalibration หรือพัฒนาแบบจำลองที่อิงข้อมูลท้องถิ่น

Lower baseline incidence / different event rates: หลายงานพบว่าอัตรา ASCVD (หรือองค์ประกอบของ ASCVD) ที่สังเกตได้ในบางประชากรเอเชียตะวันออกต่ำกว่าอัตราที่แบบจำลองตะวันตกคาดไว้ → ทำให้เกิดการประเมินเกิน

โจทย์ ปรนัย
What is the key advantage of the China-PAR model compared to Western-based models?

China-PAR ถูกพัฒนาและปรับจูนจาก cohort ขนาดใหญ่ของประชากรจีน (หลายแหล่ง/หลายภูมิภาค) เพื่อให้แบบจำลองสะท้อนอุบัติการณ์และการแจกแจงปัจจัยเสี่ยงของจีนจริง ๆ — นั่นคือข้อได้เปรียบสำคัญเมื่อเทียบกับแบบจำลองที่พัฒนาจากประชากรตะวันตก ซึ่งมักต้องทำการ recalibration ก่อนใช้งานในจีน

รายงาน/บทความหลักของโครงการ China-PAR และงานประเมิน/เปรียบเทียบระบุชัดว่า China-PAR พัฒนาจากข้อมูลระดับชาติ/ข้ามภูมิภาคของจีนและแสดงผลการคาลิเบรชันที่ดีกว่าสำหรับประชากรจีนในหลายการศึกษา

โจทย์ ปรนัย
Which of the following variables is not typically included in ASCVD risk prediction models discussed in the article?

โมเดล ASCVD แบบดั้งเดิม/ที่อภิปรายในบทความ (เช่น Framingham, Suita และแบบจำลองระดับชาติอื่น ๆ) มักใช้ตัวแปรพื้นฐานเช่น อายุ, ความดันโลหิต (SBP), คอเลสเตอรอล (TC, HDL, LDL), ภาวะเบาหวาน, การสูบบุหรี่ เป็นต้น — แต่ genetic ancestry markers (หรือโครงสร้างเชื้อสายทางพันธุกรรม) ไม่ใช่ตัวแปรมาตรฐานที่รวมอยู่ในแบบจำลองคลาสสิกเหล่านี้ (แม้ว่าปีหลังๆ จะมีงานวิจัยที่รวม polygenic scores เป็นส่วนเสริม)

• Genetic Ancestry Markers — ไม่ใช่ตัวแปรแบบมาตรฐานใน Framingham/Suita; การใช้ตัวชี้วัดทางพันธุกรรม (เช่น polygenic risk scores) เป็นแนวโน้มใหม่แต่ยังไม่เป็นองค์ประกอบมาตรฐานของแบบจำลองที่บทความหลักพูดถึง

โจทย์ ปรนัย
What is a major difference between the Suita Score and the Framingham Risk Score?

Suita score ถูกพัฒนาจาก cohort ชุมชนเมืองญี่ปุ่น (Suita study) เพื่อทำนายความเสี่ยง 10-ปีของ CHD/CVD ในประชากรญี่ปุ่น โดยใช้ตัวแปร/ค่าสถิติท้องถิ่น (เช่น LDL, HDL, BP, เบาหวาน, ค่า eGFR/โปรตีนปัสสาวะ เป็นต้น) ซึ่งทำให้ผลการพยากรณ์ตรงกับสภาวะของญี่ปุ่นดีกว่า Framingham ที่พัฒนาจาก Framingham Heart Study ในสหรัฐฯ (ประชากร Western)

PubMed / J-Stage บทความเปรียบเทียบ Suita กับ Framingham พบว่า FRS มักจะ overestimate ในประชากรญี่ปุ่น และ Suita (รวมแบบที่มี CKD) ให้การพยากรณ์ที่แม่นยำกว่า

โจทย์ ปรนัย
According to the article, what is a potential benefit of developing East Asia–specific risk models?

บทความเน้นว่าแบบจำลองที่พัฒนาจากข้อมูลท้องถิ่นของประเทศในเอเชียตะวันออก (เช่น China-PAR, Suita ฯลฯ) มักให้การคาลิเบรตและการประเมินความเสี่ยงสัมบูรณ์ที่ใกล้เคียงกับข้อมูลจริงมากกว่าแบบจำลองที่พัฒนาจากประชากรตะวันตก (ซึ่งมัก overestimate ความเสี่ยงเมื่อใช้โดยตรง) — ดังนั้นการพัฒนา/ปรับจูนแบบจำลองสำหรับภูมิภาคนั้นช่วยเพิ่มความแม่นยำและลดการประเมินเกิน

หลายการศึกษาวิเคราะห์การนำ Framingham/PCE มาใช้ในกลุ่มจีน/เอเชียพบการ overestimation อย่างมีนัยสำคัญ และงานที่พัฒนาระบบเฉพาะถิ่น (เช่น China-PAR) รายงานการคาลิเบรชันที่ดีขึ้นเมื่อนำมาใช้ในประชากรจีน—แต่ยังต้องอาศัยการตรวจสอบ/ปรับเพิ่มเติมในบางกลุ่มย่อย

โจทย์ ปรนัย
Which factor was highlighted as influencing ASCVD risk differences among East Asian countries?

บทความชี้ว่าสาเหตุสำคัญที่ทำให้ความเสี่ยง ASCVD แตกต่างกันระหว่างประเทศในเอเชียตะวันออกคือความแตกต่างด้านวิถีชีวิตและโภชนาการ (เช่น ปริมาณโซเดียม/เกลือ, รูปแบบอาหาร, การนอน/กิจกรรมทางกาย) ที่สะท้อนในอุบัติการณ์พื้นฐานของโรคและการกระจายปัจจัยเสี่ยงในประชากรแต่ละแห่ง — ดังนั้นปัจจัยทางวัฒนธรรม/อาหารจึงถูกระบุเป็นปัจจัยหลักที่อธิบายความแตกต่างข้ามชาติ

งานทบทวนและการศึกษาหลายชิ้นชี้ให้เห็นว่า excessive sodium intake และการเปลี่ยนแปลงวิถีชีวิตที่มาจากการพัฒนาเศรษฐกิจมีผลต่อภาระ ASCVD ในเอเชีย รวมทั้งความแตกต่างเชิงภูมิภาค/วัฒนธรรมที่ส่งผลต่อความชุกของปัจจัยเสี่ย

โจทย์ ปรนัย
What future direction does the article suggest for improving ASCVD risk prediction?

บทความแนะนำทิศทางอนาคตให้รวมข้อมูลหลายมิติ (คลินิก, ภาพถ่ายทางการแพทย์, เบโยมาร์คเกอร์, ข้อมูลภูมิภาค/สังคมประชากร) ด้วยวิธี AI/multimodal เพื่อปรับปรุงการพยากรณ์ความเสี่ยง (เพิ่มความแม่นยำและปรับให้เข้ากับบริบทท้องถิ่น) — แนวทางนี้ถูกเน้นในงานทบทวนล่าสุดว่าเป็นหนทางนำไปสู่การพยากรณ์ ASCVD ที่เป็นบุคคลและข้ามบริบทมากขึ้น

ทบทวนงานวิจัยด้าน AI สำหรับการป้องกันโรคหัวใจและบทวิเคราะห์ด้าน multimodal/ multiomics แนะนำให้ผสานข้อมูลเชิงชีวภาพ ภาพ และบริบทภูมิภาคผ่านแพลตฟอร์ม AI เพื่อลดปัญหา generalizability และปรับปรุงผลลัพธ์เชิงคลินิก

โจทย์ ปรนัย
Which statement best explains the key difference in how VAEs, GANs, and DDPMs generate medical images according to the figure?

• รูป (A) แสดง VAE — ใช้โครงสร้าง encoder → latent (มี prior) → decoder เพื่อจำลองการแจกแจงและสร้างภาพใหม่ (encoder–decoder, ความสูญเสียรวม reconstruction + KL). • รูป (B) แสดง GAN — ใช้คู่ generator vs discriminator ในการฝึกแบบ adversarial เพื่อให้ภาพปลอมใกล้เคียงจริง (ไม่มีตัว encoder แบบ VAE โดยตรง). • รูป (C) แสดง DDPM (denoising diffusion probabilistic models) — กระบวนการ forward diffusion เติมสัญญาณรบกวนทีละขั้น และ reverse diffusion เป็นกระบวนการไล่ลดสัญญาณรบกวนแบบเป็นลำดับ (iterative denoising) เพื่อฟื้นภาพ — ต่างจาก VAE (encoder–decoder) และ GAN (adversarial discriminator) ในเชิงสถาปัตยกรรมและวิธีสร้างภาพ

Kingma & Welling (VAE, 2014); Goodfellow et al. (GAN, 2014); Ho et al. (DDPM, 2020) — งานเหล่านี้อธิบายหลักการ encoder–decoder, adversarial training, และ forward/reverse diffusion ตามลำดับ

โจทย์ ปรนัย
Which of the following best explains the trend shown in Figure comparing age-standardized and crude CVD mortality rates among East Asian countries?

• แผนภูมิแสดงทั้ง age-standardized (ปรับตามโครงสร้างอายุ) และ crude (ค่าจริง) CVD mortality ต่อ 100k — ประเทศอย่าง Mongolia และ North Korea มีค่าสูงทั้งสองมาตราวัด ขณะที่ Japan (และ South Korea) แสดงค่า ต่ำทั้งแบบปรับอายุและแบบไม่ปรับ. • เมื่อค่าสองแบบทั้งคู่ต่ำในประเทศหนึ่งๆ (เช่น ญี่ปุ่น) แปลว่าไม่ใช่เพียงข้อแตกต่างของโครงสร้างอายุที่อธิบายได้ แต่สะท้อนการควบคุมปัจจัยเสี่ยง ระบบการป้องกันและการดูแลรักษาที่มีประสิทธิภาพด้วย — ดังนั้นตัวเลือก (3) อธิบายแนวโน้มได้ตรงที่สุด

ข้อมูลมาจากการสรุปอัตราตาย CVD (Global Burden of Disease / Global Health Data Exchange) ที่ใช้ในรูป — งานภาระโรคโลกชี้ความแตกต่างข้ามประเทศและบทบาทของระบบสาธารณสุข/มาตรการป้องกันในการลดอัตราตาย