MVIT Research LAB

ภาพกิจกรรม ในงานประชุมวิชาการพยาบาล ประจำปี 2569 หัวข้อ “Digital Nursing (Innovation, Holistic Care, Sustainability)
อาจารย์วรพันธ์ บรรยายในหัวข้อ “Medical Imaging in Healthcare”
📍ณ ห้องประชุมภักดีบดินทร์ อาคารกาญจนาบริพัฒน์ ชั้น 5 ศูนย์การแพทย์กาญจนาภิเษก เมื่อวันที่ 19 สิงหาคม 2569

🗓️ในวันที่ 19 สิงหาคม 2569 พบกันกับอาจารย์เอ ในงานประชุมวิชาการพยาบาล ประจำปี 2569 หัวข้อ “Digital Nursing (Innovation, Holistic Care, Sustainability)” นะครับ
📍ณ ห้องประชุมภักดีบดินทร์ อาคารกาญจนาบริพัฒน์ ชั้น 5 ศูนย์การแพทย์กาญจนาภิเษก
ทั้งรูปแบบ On-site และ Online
เปิดรับลงทะเบียน ทั้งรูปแบบ On-site และ Online
รูปแบบ On-Site 500 บาท/คน
รูปแบบ Online 300 บาท/คน
หน่วยคะแนนพยาบาล CNEU = 4
ลงทะเบียน ตั้งแต่วันนี้ - 18 สิงหาคม 2569
📥ผู้สนใจลงทะเบียนได้ที่ : https://www.gj.mahidol.ac.th/main/conference/ หรือสแกน QR code ด้านล่างนี้
☎️สอบถามเพิ่มเติม หน่วยวิจัย วิชาการ และสารสนเทศทางการพยาบาล ศูนย์การแพทย์กาญจนาภิเษก โทร 02-8496600 ต่อ 3165
#ศูนย์การแพทย์กาญจนาภิเษก
#ได้โอกาสให้โอกาส
#ศิริราชกาญจนา
#ประชุมวิชาการพยาบาล

📰 บทความx2ฉบับที่ผสานการเก็บข้อมูลภาคสนามแบบ Citizen Science 📝 ร่วมกับเทคโนโลยี Artificial Intelligence (AI) 🤖 เพื่อวิเคราะห์ Food Environments (FEs) ในกทม.

💁‍♂️ผลงานความร่วมมือจากผู้เชี่ยวชาญในหลายสาขาวิชา ของมหาวิทยาลัยมหิดล และคู่ความร่วมมือจากทั้งในและต่างประเทศ ที่เป็นการทำ Data Collection Engine ขนาดใหญ่ ผ่านกิจกรรม Participatory Mapathon ของนักศึกษาโดยใช้ SurveyCTO เพื่อจัดเก็บรูปภาพ📋เมนูอาหาร🍲กว่า 12,858 ภาพจากร้านค้า 2,229 แห่ง และ อีกบทความที่ AI ทำหน้าที่เป็น Automated Analytical Engine ที่ประยุกต์ใช้ Vision-Language Model (Typhoon-OCR-7B) แบบสองภาษา (Thai/English), Large Language Model (Mistral Nemo Instruct-2407) และ String-Similarity Matching Algorithms ในการเก็บข้อมูลชื่ออาหาร ราคา และจับคู่กับ Food Quality Database จำนวน 15,307 รายการ ที่สำคัญคือความสามารถในการขยายขนาดระบบ (Scalability), การประมวลผลภาษาไทยและอังกฤษที่มีประสิทธิภาพ และการเชื่อมโยงระบบเข้ากับเกณฑ์ Global Diet Quality Score (GDQS) บน Spatial Platform แบบ Real-Time ที่ทำให้เกิดประโยชน์ในการลดภาระการคีย์ข้อมูลด้วยมือ ช่วยให้ผู้เชี่ยวชาญด้าน Public Health และ Policymakers เข้าใจการกระจายตัวของราคาและความพร้อมใช้งานของอาหารที่มีคุณค่าทางโภชนาการ ตลอดจนส่งเสริมบทบาทของนักศึกษาในกระบวนการวิจัยจริง ในอนาคต คณะผู้จัยวางแผนจะนำ AI Pipeline นี้ไปประมวลผลข้อมูลครอบคลุมทั่วทั้งกรุงเทพมหานคร เพื่อทำ Spatial Analysis เชิงลึก พัฒนาความแม่นยำของ AI ในการจำแนกอาหารไทยที่มีความซับซ้อน และสร้างต้นแบบที่สามารถนำไปประยุกต์ใช้กับเมืองใหญ่อื่นๆ ต่อไป

1.Development and Evaluation of Computer Vision and Language Models for Food Group and Price Analysis of Menu Images Collected From Diverse Food Outlets in Bangkok, Thailand
Bromage et al.
2.Protocol, Technological Innovation, and Process Results for a Large-Scale, Student-Led Participatory Mapathon of Diverse Food Environments in Bangkok, Thailand
Bromage et al.
Institute of Nutrition x Faculty of ICT,
Mahidol University Strategic Research Fund
📑Link in Comments>>>

AI สัญชาติไทย ที่ต่างชาติ ยังตั้งใจดู

การพัฒนาเทคโนโลยีชั้นสูงมักถูกมองว่าต้องพึ่งพา Know how จากต่างประเทศ แต่นวัตกรรม AI สัญชาติไทย ที่ช่วยวิเคราะห์ภาพเอ็กซเรย์ทรวงอกชิ้นนี้กำลังพิสูจน์ให้เห็นว่า คนไทยเก่ง และทำได้จริง ในระดับสากล

ข้อพิสูจน์ที่ชัดที่สุดคือ นวัตกรรมนี้ไม่ได้จบลงแค่ในห้องทดลอง แต่เกิดจากการจับมือกันของคนไทย ระหว่างหน่วย SiAiR ภาควิชารังสีวิทยา คณะแพทยศาสตร์ศิริราชพยาบาล และ บริษัท เพอร์เซ็ปทรา จำกัด (Perceptra) พัฒนาจนใช้งานได้จริงในเชิงพาณิชย์ กระทั่งบอร์ด สปสช. อนุมัติให้เป็นสิทธิประโยชน์ของคนไทย และถูกขยายผลไปช่วยรังสีแพทย์อ่านผลจริงแล้วในโรงพยาบาลกว่า 610 แห่งทั่วประเทศ

แก้โจทย์ตรงจุด ลดความผิดพลาด ทลายข้อจำกัดเรื่องเวลาให้กับคนไทย

การนำ AI ฝีมือคนไทยเข้ามาเสริมทัพในระบบสาธารณสุข ส่งผลกระทบเชิงบวกต่อประชาชนและบุคลากรทางการแพทย์อย่างเป็นรูปธรรม ไม่ว่าจะเป็น

1.ปลดล็อกการขาดแคลนแพทย์เฉพาะทาง โดยปัญหาใหญ่ของสาธารณสุขไทยคือรังสีแพทย์มีไม่เพียงพอ โดยเฉพาะในพื้นที่ห่างไกล ซึ่ง AI ตัวนี้สามารถเข้ามาทำหน้าที่เป็นผู้ช่วยรังสีแพทย์ คัดกรองและวิเคราะห์ภาพเอ็กซเรย์ได้อย่างแม่นยำและรวดเร็ว ช่วยแบ่งเบาภาระงานที่หนักอึ้งของแพทย์ในต่างจังหวัดได้

2.ลดความผิดพลาดในการตรวจวินิจฉัย โดย AI จะเข้ามาช่วยเพิ่มความแม่นยำ เสริมความมั่นใจในการอ่านผลรังสีวินิจฉัย ช่วยให้การตรวจพบร่องรอยโรคทำได้รวดเร็วและปลอดภัยยิ่งขึ้น

3.ลดเวลาและค่าใช้จ่ายให้กับประชาชน ซึ่งผู้ป่วยในพื้นที่ห่างไกลไม่จำเป็นต้องเสียเวลาและเสียค่าใช้จ่ายในการเดินทางเข้าเมืองใหญ่เพื่อรอคิวตรวจ ทำให้ได้รับการวินิจฉัยที่เร็วขึ้น เข้าถึงการรักษาได้ทันท่วงที ซึ่งหมายถึงโอกาสในการรอดชีวิตที่สูงขึ้นครับ

4.การแพทย์เท่าเทียม คนไทยทุกคน ไม่ว่าจะอยู่ในพื้นที่ห่างไกลแค่ไหน ก็สามารถเข้าถึงผลการตรวจวินิจฉัยที่มีมาตรฐานความแม่นยำสูงเท่าเทียมกับโรงพยาบาลใหญ่ในเมืองหลวงได้

มาตรฐานการแพทย์ระดับสากล บนเบื้องหลังคือโครงสร้างระดับซูเปอร์คอมพิวเตอร์

การจะทำให้ AI ทางการแพทย์ได้รับความไว้วางใจในการใช้งานจริง ไม่ใช่เรื่องง่าย แต่นวัตกรรมสัญชาติไทยชิ้นนี้ผ่านการรับรองมาตรฐานสากลและระดับประเทศอย่างครบถ้วน ไม่ว่าจะเป็น ราชวิทยาลัยรังสีแพทย์แห่งประเทศไทย, สำนักงานคณะกรรมการอาหารและยา (อย.) ของไทย, Singapore FDA และได้รับการขึ้นทะเบียนใน บัญชีนวัตกรรมไทย เมื่อเดือนธันวาคม 2566

เบื้องหลังการพัฒนาที่รวดเร็วและมีประสิทธิภาพสูง มาจากการประมวลผลด้วยระบบซูเปอร์คอมพิวเตอร์ Cray Computer จาก HPE ร่วมกับระบบจัดเก็บข้อมูล WekaIO Cluster และ GPUs สมรรถนะสูง ซึ่งช่วยย่อระยะเวลาในการเรียนรู้ หรือ Model Training ของ AI ส่งผลให้ทีมวิจัยศิริราช (SiAiR) ที่ก่อตั้งมาตั้งแต่นวัตกรรมปี 2562 สามารถต่อยอดและสร้างสรรค์นวัตกรรมทางการแพทย์รวมแล้วกว่า 16 ผลงาน

การผลักดัน AI สัญชาติไทยให้ถูกนำไปใช้จริงในโรงพยาบาล 610 แห่ง ไม่เพียงแต่เป็นการแก้ปัญหาเฉพาะหน้าเรื่องการขาดแคลนบุคลากร แต่ยังเป็นการวางรากฐานและแพลตฟอร์มสำคัญในการต่อยอดองค์ความรู้ทางการแพทย์ สร้างบุคลากรผู้เชี่ยวชาญ และเตรียมระบบสาธารณสุขไทยให้พร้อมรับมือกับโรคอุบัติใหม่ในอนาคตด้วยเทคโนโลยีของคนไทยเองอย่างยั่งยืนครับ

ที่มา
จดหมายข่าว โรงพยาบาลศิริราช

#ปัญญาประดิษฐ์

——————
⭐️ ติดตามอัปเดตข่าวไอที How To , Tips เทคนิคใหม่ ๆ ได้ทุกวัน
ค้นหาข่าวที่อยู่ในความสนใจได้ที่ >> www.techhub.in.th
มีข้อสงสัยทัก LINE Techhub : https://lin.ee/Sietmnt

MVIT Lab กิจกรรมสร้างความร่วมมือกับ ศูนย์พักพิงสุนัขจรจัดดอยสะเก็ด มูลนิธิ ดิ อาร์ค ในพระราชูปถัมภ์ The ARK Chiangmai เพื่อการจัดการสุนัขในศูนย์พักพิง เพื่อประโยชน์สาธารณะ แล้วมาติดตามผลงานของเรากันนะครับ

ขอแสดงความยินดีกับ 4 ทีมจาก Faculty of ICT, Mahidol University ที่ผ่านเข้ารอบชิงชนะเลิศ "การแข่งขันพัฒนาโปรแกรมคอมพิวเตอร์แห่งประเทศไทย ครั้งที่ 28 (NSC 2026)"
โดยมี 3 ทีม🐰จาก MVIT LAB เราครับ
🐰1. Lunaria Cafe: ระบบส่งเสริมสมาธิในการเรียนรู้ด้วยปัญญาประดิษฐ์และคอมพิวเตอร์วิทัศน์แบบเรียลไทม์
(Lunaria Cafe: A Real-Time AI and Computer Vision System for Learning Concentration Enhancement)
🐰2. การพัฒนาระบบประเมินระดับการหายใจเข้าจากภาพเอกซเรย์ทรวงอก
(Development of a Respiration Rate Analysis System from Chest X-ray Images)
🐰3. การทำงานอัตโนมัติสำหรับการตรวจจับและระบุตัวตนสุนัขจรจัดเพื่อการประเมินจำนวนประชากรที่แม่นยำ
(Automation for Stray Dog Detection and Identification for Accurate Population Estimation)
🐮4.DepSecLens การวิเคราะห์ความปลอดภัยของส่วนประกอบซอฟท์แวร์ในไลบรารีที่พึ่งพาด้วยแบบจำลองภาษาขนาดใหญ่

มาพบกับบทความใหม่ของเรา นวัตกรรมวิเคราะห์การเดินแบบ Real-Time สำหรับผู้ใช้ขาเทียม ด้วย AI และเซนเซอร์แบบพกพา
"Real-Time Gait Events Detection Using IMU Combined With TCNs Model in Transtibial Amputees"IEEE Access (Q1)
จากการบูรณาการงานวิจัยร่วม วิทยาลัยวิทยาศาสตร์และเทคโนโลยีการกีฬา คณะICT และคณะแพทย์ศาสตร์ศิริราชพยาบาล #มหาวิทยาลัยมหิดล

งานวิจัยได้นำเสนอระบบตรวจจับจังหวะการเดิน (Gait Event Detection) สำหรับผู้ตัดขาระดับใต้เข่า โดยใช้เซนเซอร์ IMU ร่วมกับโมเดล AI แบบ Temporal Convolutional Network (TCN) เพื่อระบุช่วงการลงน้ำหนักและยกเท้าได้อย่างแม่นยำ ผลการทดสอบพบว่าการติดเซนเซอร์เพียง 2–4 ตัวบริเวณ Shank และ Foot ให้ความแม่นยำสูง และมีความคลาดเคลื่อนของเวลาต่ำ ซึ่งช่วยลดความซับซ้อนและค่าใช้จ่ายสูงของLAB ถือเป็นก้าวสำคัญที่ช่วยการฟื้นฟูสมรรถภาพระยะไกล (Remote Rehabilitation) ให้แพทย์และนักกายภาพติดตามการเดินของผู้ป่วยได้จากทุกที่ครับ 🦿✨
#วิทยาศาสตร์การกีฬา
The article address the accessibility limitations of laboratory-based and account for the asymmetrical walking biomechanics of lower-limb amputees, this study presents an Inertial Measurement Unit (IMU)-driven machine learning framework using a (TCN) for real-time gait event detection. By processing multivariate time-series data from twelve unilateral transtibial amputees walking at various speeds, the TCN model captures causal temporal dependencies to classify frame-wise foot contact, precisely identifying Initial Contact (IC) and Final Contact (FC) events. The framework demonstrated high classification accuracy on the prosthetic limb, yielding F1-scores between 0.91 and 0.97 and low timing errors-with Mean Absolute Errors (MAE) of 0.012-0.020 seconds for IC and 0.011–0.034 seconds for FC relative to reference force-plate measurements. Systematic sensor placement analysis revealed that 2- 4 IMU configurations placed specifically at the shank and foot achieved optimal trade-offs between predictive accuracy and computational efficiency, outperforming full 16-sensor arrays by eliminating feature redundancy. Ultimately, this TCN-based IMU pipeline offers an accurate, portable, and clinically viable solution for continuous prosthetic gait monitoring, enabling remote and objective outside specialized motion laboratories.
Authors: Harit Apidech, Worapan Kusakunniran, Manunchaya Samala, Parunchaya Jamkrajang; Udomporn Manupibul, Wisavaporn Niamsang
Sports Science, Faculty of ICT, Faculty of Medicine Siriraj,

The latest research just published in Discover Artificial Intelligence (Q1): 📄"Mangosteen grading using image regression under multiple views"
This work explores how AI can automate fruit grading with high accuracy using multi-view image regression.
นักวิจัยจาก Mahidol & Chula ได้นำ AI🤖 และคอมพิวเตอร์วิทัศน์👁️ (Computer Vision) มาช่วยคัดเกรดมังคุดจากหลายมุมมองแบบอัตโนมัติ เพื่อช่วยเพิ่มความแม่นยำและยกรัดับมาตรฐานเพื่อใช้ในการเกษตรสำหรับต่อยอดในอุสาหกรรมได้ในอนาคต 🌱

AI ที่นำมาช่วยคัดเกรดมังคุดอัตโนมัตินี้ เพื่อแก้ปัญหาการตรวจด้วยตาเปล่าที่ช้าและความแม่นยำไม่ค่อยคงที่ โดยระบบจะใช้ภาพถ่ายมังคุด 6 มุมมองแล้วส่งเข้าโครงข่ายประสาทเทียมAI เพื่อประเมินคะแนนคุณภาพออกมาเป็นตัวเลข แทนที่จะแบ่งเป็นเกรดตรงๆ แบบเดิม ทำให้ปรับใช้กับเกณฑ์ของแต่ละตลาดได้ง่ายและมีความยืดหยุ่นสูง ผลการทดลองพบว่าโมเดลนี้มีความแม่นยำสูงมากถึง 95–100% เลยทีเดียว

The paper presents a multi-view image regression framework using convolutional neural networks (CNNs) to automate mangosteen grading and address the inconsistencies of traditional manual inspection. The architecture utilizes two shared DenseNet-121 backbones to extract spatial features from six distinct images per fruit-separating the top and bottom polar views from the four equatorial side views-which are then aggregated to predict a continuous quality score on a 0 to 1 scale using mean squared error loss. By formulating the problem as a regression task instead of discrete classification, the model avoids class imbalance issues, preserves ordinal consistency across ripening stages, and flexibly adapts to varying market standards through a proximity-based mapping function. Evaluated on datasets from three Thai trading markets, the two-shared-backbone model achieves high grading accuracies of 95% (Chanthaburi), 99% (Ranong), and 100% (Nakhon Si Thammarat), demonstrating that separating polar and side feature extraction significantly improves grading performance without increasing inference FLOPs.
Authors: W. Kusakunniran, K.Aukkapinyo, K.Thongkanchorn, P.Somsong, P.Tiyayon, S.YaAung, Y.Aung, and T.Suesat
Faculty of ICT, Mahidol University Faculty of Integrated Agriculture, Chulalongkorn University
Full document in the comment -> ->

Big congratulations to Mr. Jiraphat Thongyoo on completing his Master of Science in Computer Science oral defense, titled Assessment of Cardiomegaly from Chest X-ray using Artificial Intelligence–based Deep Learning.