| 1 |
How does the concept of “model as a dataset” reshape traditional data-sharing practices in medical imaging?
|
3. It enables sharing of learned model weights instead of sensitive raw images. |
|
แนวคิด model-as-a-dataset ชี้ให้เห็นว่าการแลกเปลี่ยนข้อมูลทางการแพทย์สามารถทำได้โดยการแชร์โมเดลหรือพารามิเตอร์ที่เรียนรู้มา (weights/gradients/synthetic-model-output) แทนการส่งภาพผู้ป่วยดิบ ซึ่งช่วยลดความเสี่ยงด้านความเป็นส่วนตัวของข้อมูลผู้ป่วย |
ถูกข้อ (3) เท่านั้น — เพราะแนวคิดคือแชร์โมเดล/พารามิเตอร์หรือผลสังเคราะห์แทนภาพดิบ แต่ไม่ได้ยกเลิกกฎระเบียบหรือแปลว่าต้องเปิดฐานข้อมูลผู้ป่วย |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 2 |
Which analytical conclusion can be drawn about the trade-offs between physics-informed and statistical models?
|
2. Physics-informed models are more interpretable but computationally intensive. |
|
Physics-informed (เช่น PINNs หรือ PIML) ใส่ข้อจำกัดจากกฎฟิสิกส์หรือสมการเชิงอนุพันธ์เข้าไปในแบบจำลอง ทำให้ผลลัพธ์มีความสอดคล้องกับหลักการทางกายภาพและมักให้ความหมายเชิงกายภาพที่ตีความได้ง่ายขึ้น → เพิ่มความ interpretability และความทนทานเมื่อตัวอย่างจริงมีน้อย |
physics-informed ให้ความเข้าใจเชิงฟิสิกส์และความตีความได้ดีขึ้น แต่มักแลกมาด้วยความซับซ้อนและค่าใช้จ่ายเชิงคำนวณที่สูงขึ้น |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 3 |
Why is “mode collapse” considered a critical problem in GAN-based medical image synthesis?
|
2. It reduces image realism and variety by producing repetitive outputs. |
|
Mode collapse คือสถานะที่ generator ผลิตภาพที่ซ้ำกัน/มีรูปแบบจำกัด (few modes) แทนที่จะครอบคลุมความหลากหลายของข้อมูลจริง — ผลคือความหลากหลายของตัวอย่างลดลงอย่างมาก ซึ่งทำให้ภาพสังเคราะห์ไม่เพียงพอสำหรับการขยายข้อมูล (data augmentation) หรือการฝึกโมเดล downstream ที่ต้องการตัวอย่างหลากหลายเชิงพยาธิวิทยา/กายภาพ |
ในบริบททางการแพทย์ การขาดความหลากหลาย = อาจละเลยลักษณะสำคัญของโรค (rare presentations, anatomical variation) → ลดความสมจริงทางคลินิกและทำให้ผลการทดลอง/โมเดลที่ฝึกต่อจากข้อมูลสังเคราะห์ลำเอียงหรือไร้ประโยชน์ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 4 |
Why are healthcare-specific metrics preferred over general-purpose metrics such as FID or SSIM?
|
2. They better capture clinical accuracy and diagnostic relevance. |
|
มาตรวัดทั่วไป (FID, SSIM, PSNR ฯล.) วัดความคล้ายเชิงภาพ/สถิติหรือ perceptual similarity เทียบกับ distribution หรือภาพอ้างอิง แต่ ไม่จำเป็นต้องสะท้อนความถูกต้องเชิงคลินิก — ตัวอย่างเช่น metric เหล่านี้อาจไม่ไวต่อรายละเอียดกายวิภาคท้องถิ่นหรือสัญญาณพยาธิวิทยาที่สำคัญต่อการวินิจฉัย |
งานวิจัยหลายชิ้นชี้ว่าการประเมินแบบ task-based (เช่น performance บน segmentation/classification downstream tasks, หรือ metrics ที่ประเมินความถูกต้องของเครื่องหมายทางการแพทย์) และการประเมินโดยผู้เชี่ยวชาญทางการแพทย์ มักให้สัญญาณที่สอดคล้องกับความเหมาะสมเชิงคลินิกมากกว่า FID/SSIM เพียงอย่างเดียว. ดังนั้น metric เฉพาะด้านสามารถจับ ความสำคัญทางการแพทย์/การวินิจฉัย ได้ดีกว่า |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 5 |
What does the article identify as the key tension between privacy preservation and image fidelity?
|
1. Higher realism may risk reproducing identifiable patient data. |
|
ยิ่งภาพสังเคราะห์มีความสมจริงสูง (high fidelity) ก็มีความเสี่ยงที่โมเดลจะไปจำข้อมูลเฉพาะของผู้ป่วยจริง (memorization) หรือสร้างภาพที่ใกล้เคียงกับภาพผู้ป่วยจริงจนสามารถระบุตัวตนได้ — นี่คือ tension หลักระหว่างต้องการภาพที่ใช้งานได้จริง (utility/fidelity) กับการต้องปกป้องข้อมูลส่วนบุคคล |
งานวิจัยและรีวิวชี้ว่าแม้ synthetic data จะช่วยลดการแชร์ภาพดิบ แต่ไม่ได้การันตีว่าไม่มีความเสี่ยงเช่น membership inference หรือ model inversion — จึงต้องออกแบบกลไกป้องความเป็นส่วนตัว (เช่น DP, federated learning, sensitivity-aware DP) เพื่อชั่งน้ำหนัก fidelity ↔ privacy |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 6 |
Why is the FDA’s approval of synthetic MRI technology significant for future AI-generated data?
|
1. It establishes a framework for validating synthetic data equivalence in clinical use. |
|
การได้รับ clearance/approval จาก FDA (เช่น กรณีซอฟต์แวร์ที่สร้างภาพ MRI สังเคราะห์ ที่มีการรายงานการได้รับ 510(k) สำหรับผลิตภัณฑ์บางราย) แปลว่าเทคโนโลยีนั้นผ่านการประเมินเรื่องความปลอดภัยและประสิทธิผลสำหรับการใช้งานทางคลินิก — สร้างบรรทัดฐานว่าการสร้างภาพสังเคราะห์สามารถถูกตรวจวัดและยอมรับในบริบทคลินิกได้ถ้ามีหลักฐานรองรับ |
นี่เป็นสัญญาณเชิงนโยบายและเชิงเทคนิคที่สำคัญ: ช่วยกำหนดกรอบการทดสอบ การวัดความสมเท่าเทียมทางคลินิก (clinical equivalence/validation) และแนวทางการกำกับดูแลสำหรับระบบ AI ที่สร้างหรือแปลงภาพทางการแพทย์ — ทำให้ผู้พัฒนาและหน่วยงานทางการแพทย์รู้ว่าอะไรเป็นมาตรฐานที่ยอมรับได้ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 7 |
Which strategy would best mitigate demographic bias in generative models according to the article?
|
2. Applying diversity-aware training and fairness constraints |
|
การใส่ข้อจำกัดเชิงความยุติธรรม (fairness constraints) และการฝึกที่ตระหนักความหลากหลาย (diversity-aware training: re-weighting, fairness loss, demographic-parity/equalized-odds constraints, adversarial debiasing) จะช่วยปรับการแจกแจงของตัวอย่างสังเคราะห์ให้ครอบคลุมกลุ่มที่ถูกมองข้าม แก้ปัญหา bias ที่ต้นตอของการสร้างข้อมูลได้โดยตรง — ดีกว่าการเพิ่มตัวอย่างจากกลุ่มใหญ่ (ซึ่งอาจเสริมอคติ) หรือเพิกเฉยต่อความแตกต่างของประชากร |
งานทบทวนและงานวิจัยในภาพทางการแพทย์ชี้ว่าแนวทางผสาน (data-level + algorithmic fairness + post-processing / external validation) ให้ผลดีที่สุดในการลดความเหลื่อมล้ำเชิงประสิทธิภาพข้ามกลุ่ม |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 8 |
How do DDPMs exemplify versatility in healthcare image synthesis?
|
2. They can perform multiple tasks such as denoising, inpainting, and anomaly detection without retraining. |
|
DDPMs ถูกออกแบบมาเป็น denoising กระบวนการย้อนกลับ ทำให้สามารถใช้เป็นกรอบทั่วไปสำหรับหลายงาน: ฟื้นฟูภาพ (reconstruction/denoising), inpainting/lesion editing (โดยการกำหนดเงื่อนไขหรือมาสก์), และใช้สำหรับ anomaly detection (เช่น สร้างภาพ ‘pseudo-healthy’ แล้วเทียบกับภาพจริงเพื่อหาความต่าง) — หลายงานแสดงว่า diffusion models สามารถปรับคำสั่ง (conditioning) หรือ guidance เพื่อทำหลาย task โดยไม่ต้องเทรนโมเดลใหม่ทุกครั้ง |
รีวิว/งานล่าสุดใน biomedical imaging ระบุการใช้งาน DDPMs ตั้งแต่ denoising, reconstruction, inpainting ไปจนถึง anomaly localization — แสดงความยืดหยุ่นสูงสำหรับงานทางคลินิกต่าง ๆ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 9 |
What analytical insight does the article provide about integrating AI-generated medical images into education and research?
|
2. It enhances training by providing diverse, realistic datasets without ethical breaches. |
|
บทความยอมรับว่าภาพสังเคราะห์จาก AI ช่วย เพิ่มความหลากหลายของชุดข้อมูล (รวมทั้งตัวอย่างกรณีโรคหายากหรือความแปรผันทางกายวิภาค) จึงช่วยปรับปรุงการฝึกและทดสอบผู้เรียน/โมเดลโดยไม่จำเป็นต้องเข้าถึงภาพผู้ป่วยดิบแบบเปิดใจทั่วไป — นำไปสู่ประโยชน์เชิงการศึกษาและงานวิจัย |
แต่บทความยังเตือนว่า “ไม่ใช่ไม่มีเงื่อนไข” — การใช้ต้องควบคุมด้านจริยธรรม/ความเป็นส่วนตัว (governance, validation, reader studies, bias checks) เพื่อหลีกเลี่ยงการละเมิดสิทธิหรือปัญหาความน่าเชื่อถือ ซึ่งหมายความว่าประโยคส่วน “without ethical breaches” ต้องตีความว่า ฟรีจากการละเมิดเมื่อมีมาตรการคุ้มครองที่เหมาะสม |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 10 |
Why is regional calibration essential when applying risk prediction models across countries?
|
2. To adjust for population-specific incidence and lifestyle differences |
|
โมเดลทำนายที่พัฒนาในประชากรหนึ่งมัก ไม่แม่นยำ (miscalibrated) เมื่อย้ายไปใช้กับประชากรอื่น เพราะความชุกของโรค (baseline incidence), ปัจจัยเสี่ยง, พฤติกรรม/ไลฟ์สไตล์ และระบบการรักษาอาจต่างกัน — การปรับค่า baseline หรือ recalibration ปรับความคาดหมายให้สอดคล้องกับความเสี่ยงจริงของกลุ่มเป้าหมาย จึงจำเป็นเพื่อหลีกเลี่ยงการประเมินความเสี่ยงผิดพลาด |
งานทบทวนและงานวิจัยหลายชิ้นแสดงว่า external validation + recalibration มักปรับปรุงความถูกต้องและการใช้งานทางคลินิกเมื่อข้ามบริบททางภูมิศาสตร์/ชาติพันธุ์. ดังนั้นการ calibrate ระดับภูมิภาคจึงสำคัญต่อความปลอดภัยและการตัดสินใจทางคลินิก |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 11 |
What analytical conclusion can be drawn when comparing the China-PAR and Framingham models?
|
2. China-PAR uses local epidemiological data, leading to improved predictive validity. |
|
China-PAR ถูกพัฒนาด้วยข้อมูล cohort ของจีนร่วมสมัย (local epidemiological data) เพื่อให้สูตรคาดการณ์ความเสี่ยง 10 ปีของ ASCVD สอดคล้องกับลักษณะอุบัติการณ์และปัจจัยเสี่ยงของประชากรจีน — จึงมีแนวโน้มให้การพยากรณ์ที่เหมาะสมกว่าเมื่อใช้งานในประชากรเดียวกัน |
ในทางกลับกัน สูตรจาก Framingham ที่พัฒนาจากประชากรสหรัฐ/ยุโรปมัก overestimate หรือไม่แม่นยำเมื่อนำไปใช้กับกลุ่มเอเชีย ทำให้ต้องมีการปรับ/validate ท้องถิ่นหรือเลือกโมเดลที่พัฒนาจากข้อมูลท้องถิ่นแทน |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 12 |
Based on CVD mortality data, what analytical inference can be made about Japan’s position compared to neighboring countries?
|
1. Japan’s low CVD mortality suggests effective prevention and healthcare systems. |
|
สถิติชี้ว่าญี่ปุ่นมีอัตราการตายจากโรคหัวใจหลอดเลือดที่ค่อนข้างต่ำเมื่อเทียบกับหลายประเทศในภูมิภาค/กลุ่ม OECD — ซึ่งสอดคล้องกับการมีระบบสุขภาพสาธารณะที่เข้มแข็ง นโยบายป้องกันโรคไม่ติดต่อ (NCD) และปัจจัยเสี่ยงระดับประชากรที่ถูกจัดการได้ดี (เช่น อัตราอ้วนต่ำ รูปแบบการบริโภคอาหาร) — จึงเป็นการอนุมานเชิงวิเคราะห์ที่สมเหตุสมผลว่าการป้องกันและระบบสุขภาพมีบทบาทสำคัญ |
แม้ต้องคำนึงถึงปัจจัยอื่น ๆ (เช่นการรายงานหรือนิยามการตาย) แต่หลักฐานระดับประเทศ/องค์กรระหว่างประเทศชี้ไปที่ผลลัพธ์เชิงบวกของนโยบายและระบบสาธารณสุขญี่ปุ่น มากกว่าการอธิบายด้วยความคลาดเคลื่อนของข้อมูลเพียงอย่างเดียว |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 13 |
What analytical limitation arises when using Western-derived coefficients in East Asian models?
|
2. It introduces systematic overestimation of ASCVD probability. |
|
โมเดลที่พัฒนาจาก cohort ตะวันตก (เช่น Framingham/PCE) ถูกปรับให้สะท้อนความชุกของโรคและปัจจัยเสี่ยงในประชากรต้นแบบ; เมื่อนำมาใช้ในประชากรเอเชียตะวันออก ซึ่งมีอุบัติการณ์ CHD/ASCVD พื้นฐานและรูปแบบปัจจัยเสี่ยงต่างกัน โมเดลเหล่านี้มัก คาดการณ์ความเสี่ยงสูงเกินจริง (overestimate) สำหรับกลุ่มเป้าหมาย ทำให้การจัดกลุ่มความเสี่ยงและการตัดสินใจทางคลินิกผิดเพี้ยนได้ |
ใช้สัมประสิทธิ์จากชุดข้อมูลตะวันตกในบริบทเอเชียตะวันออกมักนำไปสู่การ overestimation ของความเสี่ยง ASCVD เนื่องจากความแตกต่างของอุบัติการณ์และโครงสร้างปัจจัยเสี่ยงระหว่างประชากร |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 14 |
What policy implication can be derived from country-specific risk models?
|
1. They allow for targeted national prevention programs. |
|
โมเดลที่พัฒนาหรือปรับให้เข้ากับข้อมูลระดับชาติ/ภูมิภาค (เช่น China-PAR, SCORE2 Asia-Pacific) ให้การคาดการณ์ที่ calibrated และตีความได้ดีกว่าเมื่อใช้กำหนดนโยบายภายในประเทศ — ทำให้สามารถระบุประชากรกลุ่มเสี่ยงสูง, วางเป้าการคัดกรอง, และจัดสรรทรัพยากรป้องกัน/รักษาได้อย่างมีประสิทธิภาพและเหมาะสมกับบริบทชาติ |
โมเดลเฉพาะประเทศช่วยรองรับการออกแบบโปรแกรมป้องกันโรคที่มีเป้าหมายชัดเจน (targeted national prevention), ปรับมาตรการให้เหมาะกับสภาพประชากรและระบบสาธารณสุขของประเทศนั้น |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 15 |
If a model excludes socioeconomic variables, what analytical consequence might occur?
|
2. Ignored non-biological determinants of disease |
|
ตัวแปร SES (รายได้ การศึกษา สถานภาพงาน/ที่อยู่ ฯลฯ) เป็นปัจจัยอิสระที่มีผลต่อความเสี่ยงโรคเรื้อรังและพฤติกรรมเสี่ยง การละไว้ไม่ใส่ตัวแปรเหล่านี้จะทำให้โมเดล มองข้ามตัวกำหนดโรคที่ไม่ใช่ชีวภาพ (social determinants) ผลที่ตามมาได้แก่ การประเมินความเสี่ยงบิดเบี้ยว (bias) และนโยบาย/การตัดสินใจที่อาจไม่เป็นธรรมต่อกลุ่มด้อยโอกาส |
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 16 |
How might AI improve next-generation ASCVD risk prediction in East Asia?
|
2. By integrating multimodal data, including imaging and lifestyle information |
|
AI/ML สามารถรวมข้อมูลหลายมิติ — เวชระเบียนอิเล็กทรอนิกส์, ภาพทางการแพทย์ (echo/CT/MRI), ข้อมูลไลฟ์สไตล์/สังคม, โอมนิกส์ หรือข้อมูลจาก wearable — เพื่อจับสัญญาณที่ traditional risk scores พลาดได้ ทำให้การคาดการณ์เป็นส่วนบุคคลและปรับตามบริบทประชากร (เช่นรูปแบบความเสี่ยงเฉพาะเอเชีย) ดีขึ้นกว่าการพึ่งพาเมตริกเดี่ยว ๆ. งานวิจัยและรีวิวล่าสุดสนับสนุนศักยภาพของโมเดลแบบ multimodal ในการเพิ่มความแม่นยำและคุณค่าทางคลินิกของการทำนาย ASCVD |
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 17 |
What conclusion can be drawn from comparing Mongolia’s and South Korea’s CVD mortality rates?
|
1. Mortality differences reflect varying effectiveness of national prevention programs. |
|
ข้อมูลเชิงพรรณนาและรายงานระดับประเทศชี้ว่า มองโกเลียมีภาระโรคหัวใจ-หลอดเลือดสูง (CVD เป็นสาเหตุการตายอันดับหนึ่งและระบบป้องกัน/การเข้าถึงบริการปฐมภูมิมีข้อจำกัด) ขณะที่ เกาหลีใต้มีอัตราตายจาก CVD ที่ค่อนข้างต่ำ ในภูมิภาคและมีนโยบายควบคุมปัจจัยเสี่ยงและระบบสาธารณสุขที่เข้มแข็ง — ความต่างเชิงนโยบาย ระบบบริการ และการจัดการความเสี่ยงจึงเป็นคำอธิบายเชิงวิเคราะห์ที่สมเหตุสมผลสำหรับความแตกต่างของอัตราการตาย |
WHO feature on Mongolia (CVD as leading cause; gaps in primary prevention). World Heart / country data for South Korea (lower age-standardized CVD mortality, active CVD policies). Harvard G20 CVD report (shows Japan/Korea among lowest CVD mortality in G20) |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 18 |
What is the most logical future direction for improving ASCVD models across East Asia?
|
1. Establishing multinational data-sharing platforms to harmonize regional models |
|
ปัญหาหลักของโมเดลปัจจุบันคือ การขาดตัวอย่างตัวแทนจากหลายประเทศ/กลุ่มชาติพันธุ์ ทำให้ต้อง recalibrate หรือสร้างโมเดลเฉพาะประเทศ (เช่น SCORE2 Asia-Pacific หรือ China-PAR) — การตั้งแพลตฟอร์มแชร์ข้อมูลระดับพหุภาคี (หรือกรอบ federated /มาตรฐานการเก็บข้อมูลที่สอดคล้องกัน) จะช่วยรวมชุดข้อมูลแบบ multimodal เพิ่มขนาดและความหลากหลาย ทำให้โมเดลที่ได้มีความเป็นตัวแทน ดีขึ้น ถูกต้องขึ้น และสามารถปรับใช้ข้ามประเทศได้โดยไม่ต้องพึ่งแต่ชุดข้อมูลตะวันตก |
SCORE2 Asia-Pacific calibration work และรีวิวเกี่ยวกับความจำเป็นของเครื่องมือ risk assessment ที่เหมาะกับเอเชีย แนะนำการพัฒนา/แชร์ข้อมูลระดับภูมิภาคเพื่อปรับปรุง predictive validity; งานวิจัยล่าสุดยังสนับสนุนแนวคิด multimodal/multinational data เพื่อเพิ่มความแม่นยำของโมเดล |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 19 |
According to the “image generation trilemma” shown in the figure, what analytical conclusion can be drawn about the relative strengths of VAEs, GANs, and DDPMs in medical image synthesis?
|
2. GANs provide a balance between image quality and diversity but may suffer from mode collapse. |
|
• ตามไตรแคม (quality — speed — diversity) ที่รูปแสดง:
• VAEs มักเน้นความเร็วและความหลากหลายของตัวอย่าง แต่ได้คุณภาพภาพต่ำกว่า (มักเบลอ) — จึงไม่อยู่มุมคุณภาพสูงสุด.
• GANs ให้ตัวอย่างความคม/คุณภาพสูงและสร้างได้เร็ว แต่มีปัญหา mode collapse ที่ลดความหลากหลายเมื่อไม่ได้ออกแบบเพื่อความหลากหลาย.
• DDPMs / diffusion models ให้คุณภาพและความหลากหลายที่ดีมาก แต่มักช้ากว่า (sampling ต้องหลายสเต็ป) — นั่นคือ trade-off ที่รูปสื่ |
บทวิจารณ์เปรียบเทียบ VAE/GAN/Diffusion และงานรีวิว diffusion ในงานภาพการแพทย์ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 20 |
Based on Figure, what analytical conclusion can be drawn regarding the distribution of cardiovascular disease (CVD) subtypes across East Asian countries?
|
2. Stroke dominates as the primary cause of CVD death in all East Asian countries equally. |
|
พายชาร์ตแสดงว่า สัดส่วนการเสียชีวิตจากสโตรก (สีแดง) สูงกว่า/ใกล้เคียงกับการเสียชีวิตจากโรคหัวใจขาดเลือด (IHD) ในจีนและเกาหลีใต้ และสำหรับญี่ปุ่นสโตรกก็มีสัดส่วนใกล้เคียงหรือสูงเล็กน้อย — ผลรวมของภูมิภาคก็ชี้ว่าสโตรกเป็นสาเหตุหลักในภาพรวมของ East Asia. ข้อมูลในรูปมาจากฐานข้อมูล Global Burden of Disease ที่รายงานแนวโน้มสโตรกสูงในหลายประเทศเอเชีย |
การวิเคราะห์ GBD และงานรีวิวเรื่องระบาดวิทยา stroke ในเอเชียยืนยันภาระโรคสโตรกที่หนักกว่าหรือเทียบได้กับ IHD ในหลายประเทศภูมิภาคนี้ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|