ปัญหาและความสำคัญ: โรคติดเชื้อในปอดเป็นปัญหาสุขภาพที่รุนแรงและต้องการการวินิจฉัยที่รวดเร็ว อย่างไรก็ตาม การประเมินการลุกลามของเชื้อจากภาพเอกซเรย์ทรวงอก (Chest X-ray) ในปัจจุบันยังต้องพึ่งพาแพทย์ผู้เชี่ยวชาญ ซึ่งอาจใช้เวลานานและมีความเสี่ยงต่อความคลาดเคลื่อน โดยเฉพาะในสถานพยาบาลที่มีข้อจำกัดด้านบุคลากร วิธีการดำเนินการ: คณะผู้จัดทำได้พัฒนาระบบ AI ที่ใช้กระบวนการวิเคราะห์ภาพทางการแพทย์แบบครบวงจร (Pipeline) โดยเริ่มจากการรวบรวมข้อมูลภาพปอดกว่า 10,200 ภาพจากฐานข้อมูลมาตรฐาน และใช้เทคโนโลยี TorchXRayVision ในการทำ Segmentation เพื่อตัดเฉพาะส่วนภาพปอด หัวใจสำคัญของระบบคือการประยุกต์ใช้ Diffusion Models และ UNet2DModel เพื่อสร้างภาพปอดที่ปกติขึ้นมาใหม่จากฐานข้อมูล จากนั้นจึงนำมาเปรียบเทียบกับภาพปอดจริงของผู้ป่วยเพื่อคำนวณค่า Anomaly Scoring ด้วยวิธี Mean Absolute Error (MAE) ซึ่งจะแสดงผลเป็น Anomaly Heatmap เพื่อระบุตำแหน่งและขอบเขตของรอยโรคอย่างชัดเจนด้วยเส้นขอบสีเหลือง ผลการศึกษา: ระบบสามารถประเมินความรุนแรงและการลุกลามของโรคได้อย่างมีประสิทธิภาพ โดยค่า Score ที่สูงขึ้นจะบ่งบอกถึงความผิดปกติหรือการมีฝ้าขาวที่หนาแน่นขึ้น จากการทดสอบกับกรณีศึกษาจริง ระบบสามารถติดตามความก้าวหน้าของโรค (Patient Progress) ได้อย่างแม่นยำ ทั้งในกรณีที่อาการดีขึ้น (Improved) ซึ่งค่า Score จะลดลง และกรณีที่อาการแย่ลง (Worsened) ซึ่งค่า Score จะเพิ่มขึ้น นอกจากนี้ ระบบยังสามารถแสดง Timeline การเปลี่ยนแปลงของปอดออกมาเป็นกราฟเพื่อให้ง่ายต่อการติดตามผลทางคลินิก
