| 1 |
What is the primary goal of the article according to its introduction?
|
To compare AI policies across different countries |
|
เพราะบทนำ ของบทความนี้มุ่งเน้นไปที่การสำรวจความก้าวหน้า (Advancements) การนำไปประยุกต์ใช้งาน (Applications) และความท้าทาย (Challenges) ในการใช้เทคโนโลยี Generative AI กับภาพถ่ายทางการแพทย์ ซึ่งตรงกับตัวเลือกนี้โดยตรง ส่วนตัวเลือกอื่น เช่น การบริหารจัดการโรงพยาบาล ผลกระทบทางเศรษฐกิจ นโยบายระหว่างประเทศ หรือการออกแบบโมเดลใหม่ ไม่ใช่ใจความหลักที่บทนำระบุไว้
|
ใช้ทฤษฎีการอ่านจับใจความสำคัญ และการวิเคราะห์วัตถุประสงค์ของผู้เขียน โดยอ้างอิงจากการอ่านส่วนบทนำของบทความทางวิชาการ ซึ่งมักจะระบุขอบเขตและเป้าหมายหลักของการศึกษาไว้อย่างชัดเจนในส่วนท้ายของบทนำ เพื่อนำทางให้ผู้อ่านเข้าใจภาพรวมของงานวิจัยชิ้นนั้นๆ อ้างอิงตามหลักการเขียนบทความวิจัยระดับสากล
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 2 |
How do generative AI models differ from traditional discriminative models in healthcare applications?
|
Generative models produce new data rather than only classify or interpret |
|
เนื่องจากคุณสมบัติหลักที่แบ่งแยก Generative Models ออกจาก Discriminative Models อย่างชัดเจนคือความสามารถในการ สร้างข้อมูลใหม่ (เช่น การจำลองภาพเอกซเรย์ หรือการสร้างภาพสังเคราะห์ทางการแพทย์) ในขณะที่โมเดลแบบดั้งเดิม (Discriminative) จะทำหน้าที่เพียงแค่การจำแนกประเภท หรือทำนายผลจากข้อมูลที่มีอยู่ เช่น การระบุว่าภาพนี้เป็นโรคหรือไม่ ตัวเลือกนี้จึงเป็นคำตอบที่อธิบายความแตกต่างได้ถูกต้องที่สุด
|
อ้างอิงตามหลักการของปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง (Machine Learning) ในเรื่องความแตกต่างระหว่าง Generative และ Discriminative โดยพิจารณาจากฟังก์ชันทางคณิตศาสตร์ โดยที่Discriminative Models มุ่งเน้นการหาความเป็นไปได้แบบมีเงื่อนไข เพื่อจำแนกประเภทข้อมูล แต่Generative Models มุ่งเน้นการเรียนรู้การแจกแจงความน่าจะเป็นร่วม ผ่านการเรียนรู้
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 3 |
What is meant by the term “model as a dataset”?
|
Sharing trained model weights instead of raw data |
|
แนวคิด "Model as a Dataset" ในบริบทของข้อมูลสังเคราะห์ทางการแพทย์ หมายถึง การส่งต่อหรือแชร์โมเดลปัญญาประดิษฐ์ที่ผ่านการฝึกฝน ไปให้ผู้อื่นใช้งาน แทนที่จะส่งข้อมูลดิบของคนไข้ เพื่อความปลอดภัยทางด้านความเป็นส่วนตั
|
อ้างอิงแนวคิดการปกป้องความเป็นส่วนตัวในงานวิจัยและการแพทย์ และการสร้างข้อมูลสังเคราะห์ โดยใช้โมเดลประเภท Generative AI เช่น GANs (Generative Adversarial Networks) ซึ่งทำหน้าที่เรียนรู้การแจกแจงข้อมูล ของชุดข้อมูลจริง แล้วบันทึกความรู้นั้นไว้ในค่าน้ำหนักของโมเดล ทำให้ตัวโมเดลสามารถทำหน้าที่เสมือนเป็นแหล่งเก็บข้อมูล (Dataset ตัวแทน) ที่พร้อมจะถูกสกัดหรือสร้างข้อมูลใหม่ออกมาได้โดยไม่ต้องเสี่ยงต่อการรั่วไหลของข้อมูลคนไข้จริง
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 4 |
Which statement correctly distinguishes physics-informed and statistical models?
|
Physics-informed models incorporate biological or physical principles |
|
เนื่องจากข้อแตกต่างสำคัญระหว่าง Physics-informed models และ Statistical models คือวิธีการคำนวณและข้อจำกัดของโมเดล โดย Physics-informed models จะไม่ได้คำนวณจากข้อมูลดิบทางสถิติเพียงอย่างเดียว แต่มีการนำกฎเกณฑ์ ข้อบังคับมาช่วยควบคุมการทำงานของ AI เพื่อให้ผลลัพธ์ที่สร้างขึ้นมีความถูกต้องและสมจริงตามหลักความเป็นจริงมากยิ่งขึ้น
|
อ้างอิงแนวคิด "Physics-Informed Neural Networks" (PINNs) ซึ่งเป็นสถาปัตยกรรมโครงข่ายประสาทเทียม ที่เรียนรู้รูปแบบความสัมพันธ์ของข้อมูลจากชุดข้อมูลฝึกฝน (Training Data) เพียงอย่างเดียวโดยไม่มีการคำนึงถึงข้อจำกัด
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 5 |
According to the article, what does the “image generation trilemma” describe?
|
Trade-offs among image diversity, quality, and speed |
|
เนื่องจากข้อจำกัดของโมเดลเจเนอเรทีฟในปัจจุบันที่ไม่สามารถบรรลุคุณสมบัติสำคัญการพัฒนาโมเดลจึงจำเป็นต้องมีการแลกเปลี่ยน (Trade-offs) เพื่อเลือกเน้นคุณสมบัติใดคุณสมบัติหนึ่งตามความเหมาะสมของงาน
|
อ้างอิงแนวคิดทางทฤษฎีปัญญาประดิษฐ์เรื่อง "Generative Learning Trilemma" ซึ่งอธิบายข้อจำกัดเชิงโครงสร้างของโมเดลหลักๆ เช่น GANs (เด่นเรื่องความเร็วและคุณภาพ แต่ขาดความหลากหลาย), VAEs/Normalizing Flows (เด่นเรื่องความหลากหลายและความเร็ว แต่คุณภาพภาพต่ำ) และ Diffusion Models (เด่นเรื่องคุณภาพและความหลากหลาย แต่ใช้เวลาประมวลผลนาน/ช้า)
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 6 |
What is the Human Turing Test used for in medical image synthesis?
|
To assess realism of synthetic medical images by experts |
|
Human Turing Test ในบริบทของภาพถ่ายทางการแพทย์ คือการทดสอบประสิทธิภาพของ AI โดยการนำภาพที่สร้างขึ้นจากโมเดลสังเคราะห์ ผสมรวมกับภาพถ่ายของคนไข้จริง แล้วให้แพทย์ผู้เชี่ยวชาญด้านรังสีวิทยา หรือผู้เชี่ยวชาญทางการแพทย์เป็นผู้แยกแยะ หากผู้เชี่ยวชาญไม่สามารถแยกออกได้ว่าภาพใดเป็นภาพจริงหรือภาพแต่งขึ้น แสดงว่าโมเดลนั้นมีประสิทธิภาพสูงและสร้างภาพได้สมจริงในระดับที่นำไปใช้งานต่อได้
|
อ้างอิงดัดแปลงมาจากแนวคิด "Turing Test" ที่ใช้ทดสอบว่าพฤติกรรมของเครื่องจักรสามารถแยกออกจากพฤติกรรมของมนุษย์ได้หรือไม่ นำมาประยุกต์ใช้ในด้านทัศนศาสตร์และการประเมินผลเชิงคุณภาพของภาพทางการแพทย์ ร่วมกับตัวชี้วัดเชิงปริมาณทางสถิติ เพื่อตรวจสอบความถูกต้องแม่นยำในการวินิจฉัย
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 7 |
Which of the following is NOT mentioned as a potential benefit of synthetic data in healthcare?
|
Eliminating all medical biases permanently |
|
ตัวเลือกอื่น เช่น การรักษาความเป็นส่วนตัว หรือการส่งเสริมการศึกษาแพทย์ ล้วนเป็นประโยชน์จริงของข้อมูลสังเคราะห์
|
อ้างอิงหลักทฤษฎี "Data Bias and Algorithmic Fairness in Machine Learning" ซึ่งระบุว่าข้อมูลสังเคราะห์ที่ถูกสร้างโดยโมเดลเจเนอเรทีฟ มีความเสี่ยงที่จะคัดลอกหรือขยายความอคติ (Amplified Bias) ที่แฝงอยู่ในข้อมูลจริงที่ใช้สอนโมเดล (Training Set) ออกมาด้วย
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 8 |
What is one major ethical concern associated with generative AI in medical imaging?
|
Data copying and patient reidentification |
|
ความกังวลหลักทางจริยธรรม (Ethical Concern) ในการใช้ Generative AI กับข้อมูลทางการแพทย์คือ ปัญหาการจดจำและคัดลอกข้อมูลฝึกฝนของโมเดล
|
แนวคิดเรื่องความเป็นส่วนตัวในระบบการเรียนรู้เชิงลึก "Membership Inference Attacks" และ "Data Leakage in Generative Models" ซึ่งเป็นทฤษฎีที่ศึกษาเกี่ยวกับความเสี่ยงที่ข้อมูลส่วนบุคคลในอดีตที่ใช้สอน AI จะหลุดรอดหรือถูกถอดรหัสออกมาผ่านผลลัพธ์ที่โมเดลสร้างขึ้น
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 9 |
What regulatory precedent did the article cite for synthetic data technologies?
|
FDA clearance of synthetic MRI as image-processing software |
|
เนื่องจากบทความได้หยิบยกกรณีศึกษาที่เป็นบรรทัดฐานทางกฎหมายและการยอมรับในเชิงพาณิชย์ (Regulatory Precedent) โดยระบุถึงการที่องค์การอาหารและยาแห่งสหรัฐอเมริกา (FDA) ได้ให้การรับรองและอนุมัติเทคโนโลยีการสร้างภาพ MRI สังเคราะห์ (Synthetic MRI) ภายใต้หมวดหมู่ของซอฟต์แวร์ประมวลผลภาพทางการแพทย์ ซึ่งการอนุมัตินี้ถือเป็นจุดเปลี่ยนสำคัญที่ทำให้การนำข้อมูลสังเคราะห์ที่สร้างด้วย AI มาใช้จริงในสถานพยาบาลได้รับการยอมรับอย่างถูกกฎหมาย
|
อ้างอิงมาตรฐานการกำกับดูแลเครื่องมือแพทย์ระดับสากล โดยเฉพาะกรอบแนวคิด "Software as a Medical Device" (SaMD) ของ FDA ซึ่งกำหนดแนวทางการประเมินความปลอดภัย ประสิทธิภาพ และความถูกต้องทางคลินิก (Clinical Validation) ของอัลกอริทึมปัญญาประดิษฐ์ที่ถูกนำมาใช้ในกระบวนการถ่ายภาพและวินิจฉัยโรคเพื่อคุ้มครองผู้บริโภค
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 10 |
What is the main purpose of the article?
|
To compare and evaluate ASCVD risk prediction models in East Asia |
|
วัตถุประสงค์หลักของบทความวิจัยชิ้นนี้คือการศึกษา เปรียบเทียบ และประเมินสมรรถนะของแบบจำลองทำนายความเสี่ยงการเกิดโรคหัวใจและหลอดเลือดจากไขมันอุดตัน โดยเน้นไปที่บริบทของประชากรในแถบเอเชียตะวันออก (เช่น จีน ญี่ปุ่น เกาหลี) เนื่องจากแบบจำลองดั้งเดิมส่วนใหญ่ถูกพัฒนาขึ้นจากข้อมูลของประชากรตะวันตก ซึ่งอาจให้ผลลัพธ์ที่ไม่สอดคล้องกับโครงสร้างประชากรในเอเชีย
|
อ้างอิงระเบียบวิธีวิจัยทางระบาดวิทยาคลินิก (Clinical Epidemiology) และวิทยาศาสตร์ข้อมูลสุขภาพ ในการทำ "Model Validation and Comparison" เพื่อประเมินความแม่นยำในการทำนาย
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 11 |
Which of the following models was originally developed for a Western population?
|
Framingham Risk Score |
|
เนื่องจาก Framingham Risk Score คือแบบจำลองพยากรณ์ความเสี่ยงโรคหัวใจและหลอดเลือดที่มีชื่อเสียงและถูกพัฒนาขึ้นในสหรัฐอเมริกา โดยอาศัยข้อมูลดิบจากการศึกษาติดตามประชากรระยะยาวในเมือง Framingham รัฐแมสซาชูเซตส์ ซึ่งเป็นประชากรผิวขาวชาวตะวันตก
|
อ้างอิงข้อมูลประวัติศาสตร์การแพทย์และงานวิจัยเชิงระบาดวิทยา ซึ่งเป็นรากฐานสำคัญของเวชศาสตร์ป้องกัน (Preventive Cardiology) ในโลกตะวันตก ทฤษฎีนี้ชี้ให้เห็นว่าปัจจัยเสี่ยง
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 12 |
Why might Western-based risk prediction models overestimate ASCVD risk in East Asian populations?
|
East Asians have identical lifestyles to Western populations |
|
สาเหตุที่แบบจำลองทำนายความเสี่ยงที่พัฒนาจากประชากรตะวันตก (เช่น Framingham) มักจะพยากรณ์ความเสี่ยงของคนเอเชียตะวันออกสูงเกินจริง (Overestimate) เนื่องจากในความเป็นจริง ประชากรชาวเอเชียตะวันออกมีอัตราการเกิดโรคอุบัติการณ์พื้นฐาน
|
อ้างอิงทฤษฎีทางระบาดวิทยาเกี่ยวกับ "Model Calibration" และ "Baseline Risk Heterogeneity" ซึ่งระบุว่า ความแม่นยำของโมเดลพยากรณ์โรคจะลดลงเมื่อนำไปใช้นอกกลุ่มประชากรที่ใช้พัฒนา ที่ตรงกับกลุ่มประชากรเป้าหมาย มิฉะนั้นจะเกิดความเอนเอียงทางสถิติ (Prediction Bias) สอดคล้องกับหลักการทางมานุษยวิทยาการแพทย์
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 13 |
What is the key advantage of the China-PAR model compared to Western-based models?
|
It was calibrated using national data representing diverse regions in China |
|
ข้อได้เปรียบหลักของแบบจำลอง China-PAR เมื่อเทียบกับแบบจำลองของตะวันตก คือการที่ตัวโมเดลได้รับการปรับเทียบ (Calibration) และพัฒนาขึ้นโดยใช้ฐานข้อมูลขนาดใหญ่ระดับชาติ (National Data) ที่รวบรวมมาจากประชากรในหลายภูมิภาคของประเทศจีนโดยตรง ทำให้ตัวแปรและค่าน้ำหนักความเสี่ยงสะท้อนถึงวิถีชีวิต พันธุกรรม และอุบัติการณ์ของโรคในประชากรชาวจีน (และชาวเอเชียตะวันออกที่มีบริบทใกล้เคียงกัน) ได้แม่นยำกว่าโมเดลฝั่งตะวันตกอย่างมาก
|
อ้างอิงหลักการคำนวณทางสถิติ "External Calibration and Population Generalizability" ในการพัฒนาโมเดลทำนายความเสี่ยงทางระบาดวิทยา การใช้กลุ่มตัวอย่างที่เป็นตัวแทนระดับประเทศ ช่วยลดความคลาดเคลื่อนจากปัจจัยกวน และเพิ่มความแม่นยำในการทดสอบทางคลินิก สำหรับกลุ่มเป้าหมายเฉพาะภูมิภาค
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 14 |
Which of the following variables is not typically included in ASCVD risk prediction models discussed in the article?
|
Genetic ancestry markers |
|
การคำนวณของแบบจำลองพยากรณ์ความเสี่ยงโรค ASCVD แบบดั้งเดิมทั่วไป แม้ว่าพันธุกรรมจะมีผลต่อโรค แต่โมเดลคลาสสิกส่วนใหญ่ (เช่น Framingham, China-PAR, Suita) จะเน้นใช้ข้อมูลทางคลินิกและพฤติกรรมที่ตรวจวัดได้ง่าย ได้แก่ อายุ (Age), ความดันโลหิต (Blood Pressure), ระดับคอเลสเตอรอล (Serum Cholesterol) และสถานะการสูบบุหรี่ (Smoking Status) ดังนั้น "Genetic Ancestry Markers" จึงเป็นตัวเลือกที่ถูกต้องเพราะยังไม่ได้ถูกนำมาใช้เป็นเกณฑ์มาตรฐานในทางปฏิบัติทั่วไป
|
อ้างอิงหลักเกณฑ์ตัวแปรดั้งเดิมของแบบจำลองความเสี่ยงโรคหัวใจและหลอดเลือดตามแนวทางของ AHA/ACC ซึ่งสมการทางสถิติส่วนใหญ่ เช่น Pooled Cohort Equations จะอาศัยตัวแปรทางฟีโนไทป์ (Phenotypic) และไลฟ์สไตล์ที่มีหลักฐานเชิงประจักษ์ชัดเจน การตรวจหาเครื่องหมายทางพันธุกรรม (Genetic Markers) ยังคงจำกัดอยู่ในงานวิจัยเฉพาะทางและยังไม่ได้ถูกบรรจุในโมเดลประเมินความเสี่ยงขั้นพื้นฐาน
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 15 |
What is a major difference between the Suita Score and the Framingham Risk Score?
|
Suita Score was designed for a Japanese population using local epidemiological data |
|
ข้อแตกต่างสำคัญระหว่าง Suita Score และ Framingham Risk Score คือ "กลุ่มประชากรเป้าหมายที่ใช้พัฒนาโมเดล" โดย Suita Score ได้รับการพัฒนาขึ้นจากข้อมูลการศึกษาทางระบาดวิทยาในเมืองซุอิตะ ประเทศญี่ปุ่น เพื่อให้สอดคล้องกับพฤติกรรมและการเกิดโรคของชาวญี่ปุ่นโดยเฉพาะ ซึ่งมีอัตราการเกิดโรคหัวใจขาดเลือดต่ำกว่าแต่มีอัตราโรคลมปัจจุบัน (Stroke) สูงกว่าชาวตะวันตก ในขณะที่ Framingham พัฒนามาจากข้อมูลของประชากรผิวขาวในสหรัฐอเมริกา
|
ในประเทศญี่ปุ่น ซึ่งแสดงให้เห็นถึงความจำเป็นในการสร้างแบบจำลองเฉพาะกลุ่มประชากร เพื่อแก้ปัญหาความไม่ตรงกันของสัดส่วนปัจจัยเสี่ยง และแก้ไขปัญหาความคลาดเคลื่อนทางสถิติเมื่อนำโมเดลต่างสัญชาติไปใช้งานข้ามวัฒนธรรมและข้ามเชื้อชาติ
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 16 |
According to the article, what is a potential benefit of developing East Asia–specific risk models?
|
They improve accuracy and reduce overestimation of risk |
|
ประโยชน์สำคัญที่สุดในการพัฒนาแบบจำลองพยากรณ์ความเสี่ยงที่เจาะจงสำหรับประชากรในเอเชียตะวันออก คือ การช่วยเพิ่มความแม่นยำในการคัดกรองโรค และ "ลดการประเมินความเสี่ยงที่สูงเกินจริง" ซึ่งเป็นปัญหาเรื้อรังจากการใช้โมเดลฝั่งตะวันตก การประเมินที่แม่นยำขึ้นนี้จะช่วยป้องกันไม่ให้คนไข้ที่ไม่ได้มีความเสี่ยงสูงจริงต้องได้รับยาลดไขมัน
|
อ้างอิงหลักการ "Personalized Medicine" (เวชศาสตร์เฉพาะบุคคล) และทฤษฎีการตัดสินใจทางคลินิก การลดความเอนเอียงเชิงระบบ (Systematic Bias) ในการพยากรณ์โรคจะช่วยเพิ่มประสิทธิภาพในการจัดสรรทรัพยากรทางการแพทย์ และลดค่าใช้จ่ายรวมถึงผลข้างเคียงจากการรักษาที่เกินขนาด สอดคล้องกับหลักการบริบาลที่เน้นคุณค่าและความปลอดภัยของผู้ป่วยเป็นสำคัญ
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 17 |
Which factor was highlighted as influencing ASCVD risk differences among East Asian countries?
|
Cultural and dietary variations, such as salt intake and lifestyle |
|
แม้ว่าประเทศในภูมิภาคเอเชียตะวันออก (จีน ญี่ปุ่น เกาหลี) จะมีความใกล้ชิดทางภูมิศาสตร์ แต่ปัจจัยสำคัญที่สร้างความแตกต่างของความเสี่ยงโรคหัวใจและหลอดเลือด (ASCVD) ระหว่างประเทศเหล่านี้ คือพฤติกรรมการใช้ชีวิตและวัฒนธรรมการบริโภคอาหารที่เฉพาะตัว เช่น ปริมาณการกินเค็ม/โซเดียม (Salt intake) อัตราการสูบบุหรี่ หรือระดับกิจกรรมทางกาย ซึ่งส่งผลให้การพัฒนาโมเดลจำเป็นต้องคำนึงถึงบริบททางพฤติกรรมของแต่ละประเทศร่วมด้วย ไม่สามารถใช้โมเดลรวมแบบเหมารวมได้
|
อ้างอิงหลักการทางระบาดวิทยาเรื่อง "Social Determinants of Health" และ "Nutritional Epidemiology" กฎเกณฑ์ทางสถิติระบุว่า ตัวแปรด้านการบริโภคและวิถีชีวิตเป็นปัจจัยกวนที่เปลี่ยนค่าความเสี่ยงสัมพัทธ์ของโรคในแต่ละกลุ่มประชากร การปรับโมเดลให้สอดคล้องกับพฤติกรรมส่วนท้องถิ่นจึงมีความสำคัญต่อความแม่นยำทางคลินิก
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 18 |
What future direction does the article suggest for improving ASCVD risk prediction?
|
Using multimodal AI-based prediction integrated with regional data |
|
แนวทางการพัฒนาในอนาคตที่บทความแนะนำสำหรับการพยากรณ์ความเสี่ยงโรค ASCVD คือ การนำเทคโนโลยีปัญญาประดิษฐ์รูปแบบมัลติโมดอล (Multimodal AI) มาประยุกต์ใช้ โดยระบบนี้สามารถรวมข้อมูลหลากหลายรูปแบบเข้าด้วยกัน เช่น ภาพถ่ายทางการแพทย์ ผลตรวจเลือด ข้อมูลพันธุกรรม และวิถีชีวิตส่วนบุคคล ควบคู่กับการปรับเทียบเข้ากับข้อมูลทางสถิติระดับภูมิภาค เพื่อเพิ่มขีดความสามารถในการทำนายโรคให้มีความแม่นยำสูงสุดและจำเพาะเจาะจงกับคนไข้แต่ละราย
|
อ้างอิงแนวคิดเทคโนโลยี "Multimodal Machine Learning" ในการแพทย์แม่นยำจากแหล่งข้อมูลที่แตกต่างกันเพื่อสร้างการเรียนรู้ที่มีประสิทธิภาพเหนือกว่าการใช้ข้อมูลแบบเดี่ยว (Unimodal) ช่วยลดข้อจำกัดของสมารการทางสถิติดั้งเดิมและเพิ่มขอบเขตการพยากรณ์โรคเชิงลึก
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 19 |
Which statement best explains the key difference in how VAEs, GANs, and DDPMs generate medical images according to the figure?
|
DDPMs iteratively remove noise through reverse diffusion rather than using encoder–decoder or discriminator structures. |
|
จากแผนภาพที่แสดงสถาปัตยกรรมทั้ง 3 รูปแบบ:
รูป A (VAEs) ใช้โครงสร้าง Encoder และ Decoder ในการบีบอัดและถอดรหัสข้อมูล
รูป B (GANs) ใช้การแข่งขันกันระหว่าง Generator และ Discriminator
รูป C (DDPMs/Diffusion) แตกต่างอย่างชัดเจนโดยทำงานผ่านกระบวนการเติมสัญญาณรบกวน (Forward diffusion) และค่อยๆ ลบสัญญาณรบกวนออกทีละขั้น (Reverse diffusion) เพื่อสร้างภาพขึ้นมาจาก Noise โดยไม่ต้องพึ่งพาโครงสร้างแบบตัวกรองจำแนกหรือตัวบีบอัดค่าน้ำหนักเหมือนสองโมเดลแรก ตัวเลือกนี้จึงอธิบายกลไกที่ต่างกันได้ถูกต้องที่สุด
|
Variational Autoencoders (VAEs) อิงทฤษฎี Variational Inference
Generative Adversarial Networks (GANs) อิงทฤษฎีเกม (Game Theory: Minimax Game)
Denoising Diffusion Probabilistic Models (DDPMs) อิงทฤษฎีเทอร์โมไดนามิกส์และกระบวนการมาร์คอฟ (Markov Chain) ในการแปลงสัญญาณรบกวนในมิติแบบเกาส์เซียน (Gaussian Noise) ให้กลับมาเป็นโครงสร้างข้อมูลภาพถ่ายทางการแพทย์ที่สมบูรณ์
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 20 |
Which of the following best explains the trend shown in Figure comparing age-standardized and crude CVD mortality rates among East Asian countries?
|
Despite differences in age structures, Japan maintains low mortality rates in both measures, suggesting effective prevention and healthcare systems. |
|
กราฟ A แสดงอัตราการเสียชีวิตที่ปรับมาตรฐานตามอายุ (Age-Standardized Mortality) ซึ่งช่วยตัดปัจจัยเรื่องสัดส่วนผู้สูงอายุออกไป
กราฟ B แสดงอัตราการเสียชีวิตดิบ (Crude Mortality Rate)
เมื่อสังเกตข้อมูลของประเทศญี่ปุ่น (Japan) จะพบว่าแท่งกราฟอยู่ในระดับที่ต่ำมากอย่างเด่นชัดในทั้งสองรูปแบบเมื่อเทียบกับประเทศอื่นในเอเชียตะวันออก เช่น มองโกเลีย หรือจีน ข้อมูลเชิงประจักษ์นี้สะท้อนให้เห็นว่าระบบสาธารณสุข มาตรฐานการรักษา และมาตรการเวชศาสตร์ป้องกันโรคหัวใจและหลอดเลือดของญี่ปุ่นมีประสิทธิภาพสูงมาก
|
คำนวณเพื่อตัดอิทธิพลของโครงสร้างอายุประชากรที่แตกต่างกันในแต่ละพื้นที่ ทำให้สามารถเปรียบเทียบประสิทธิภาพของระบบสาธารณสุข (Healthcare System Performance Evaluation) และนโยบายควบคุมโรคของแต่ละประเทศได้อย่างถูกต้องตรงตามความเป็นจริงตรรกะทางระบาดวิทยาคลาสสิก
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|