ทีมนักวิจัยข้ามสายงานจากคณะวิทยาศาสตร์และคณะแพทยศาสตร์ มหาวิทยาลัยเชียงใหม่ ได้ร่วมกันพัฒนาอัลกอริทึม "CHDS" ในประเทศไทย โดยใช้แนวคิดเชิงเรขาคณิตขั้นสูงสร้างข้อมูลจำลองประเภทตารางที่สะท้อนคุณลักษณะของข้อมูลจริงได้อย่างแม่นยำ เพื่อลดอุปสรรคเรื่องความเป็นส่วนตัวของข้อมูลคนไข้ในการพัฒนา AI ทางการแพทย์

การพัฒนาโมเดลปัญญาประดิษฐ์ (AI) และการวิเคราะห์ข้อมูลขนาดใหญ่จำเป็นต้องอาศัยชุดข้อมูลจริงจำนวนมาก แต่งานวิจัยด้านการแพทย์เผชิญอุปสรรคสำคัญจากการไม่สามารถเข้าถึงข้อมูลจริงได้ เนื่องจากข้อจำกัดด้านความเป็นส่วนตัวและข้อบังคับชั้นลับของประวัติการรักษา เพื่อแก้ปัญหาดังกล่าว ทีมนักวิจัยจากคณะวิทยาศาสตร์และคณะแพทยศาสตร์ มหาวิทยาลัยเชียงใหม่ จึงได้ร่วมกันพัฒนาอัลกอริทึมสร้างข้อมูสังเคราะห์รูปแบบใหม่ขึ้นในชื่อ “CHDS: Geometry-based synthetic data generation for tabular data” โดยนำแนวคิดเชิงเรขาคณิตมาใช้สร้างข้อมูลเทียมสำหรับข้อมูลประเภทตาราง (Tabular Data) ทำให้สามารถจำลองชุดข้อมูลที่มีคุณลักษณะและพฤติกรรมสะท้อนข้อมูลจริงได้อย่างแม่นยำ โดยไม่จำเป็นต้องเปิดเผยข้อมูลส่วนบุคคลหรือเสี่ยงต่อการรั่วไหลของข้อมูลการรักษาจริง

จุดเด่นเชิงนวัตกรรมของ CHDS คือการไม่มีการกำหนดสมมติฐานว่าข้อมูลจะต้องมีการแจกแจงรูปแบบใดเป็นการเฉพาะ กระบวนการทำงานผสานเทคนิคขั้นสูง 3 ส่วน ได้แก่ การใช้ Convex Hull กำหนดขอบเขตภายนอก การประมาณค่าความหนาแน่น (Density Estimation) ประมาณการกระจายตัวภายใน และกระบวนการสุ่มแบบ MCMC (Markov Chain Monte Carlo-based heuristic) เพื่อสร้างตัวอย่างข้อมูลชุดใหม่ ซึ่งรองรับได้ทั้งตัวแปรเชิงตัวเลขและเชิงหมวดหมู่ จากการทดสอบเปรียบเทียบกับวิธีสร้างข้อมูลสังเคราะห์มาตรฐาน 6 วิธี บนชุดข้อมูล 4 ชุด พบว่า CHDS สามารถสร้างสมดุลที่สมบูรณ์แบบระหว่าง ประโยชน์ในการนำข้อมูลไปใช้งาน (Data Utility) และ การปกป้องความเป็นส่วนตัว (Privacy) ถือเป็นทางเลือกใหม่นอกเหนือจากวิธียอดนิยมเดิมอย่าง GAN, VAE หรือ Diffusion-based methods

ผลงานวิจัยนี้ได้รับการตีพิมพ์เผยแพร่ในวารสารวิชาการนานาชาติชั้นนำ Knowledge-Based Systems ประจำปี 2026 ซึ่งเกิดจากความร่วมมือของทีมนักวิจัย มช. ได้แก่ นายโสภณัฐ พงษ์มารุทัย, ผศ.ดร.ศุภณัฐ ชัยดี, อ.นพ.ฉันท์ชนก อร่ามรัตน์, รศ.ดร.นพ.ชัยสิริ อังกุระวรานนท์ และมี ผศ.ดร.ปภังกร อิ่นแก้ว เป็นอาจารย์ผู้รับผิดชอบบทความ งานวิจัยนี้ช่วยสร้างคุณค่าในมิติวิชาการ มิติสังคมที่ลดความจำเป็นในการแบ่งปันข้อมูลจริงที่ละเอียดอ่อน รวมถึงมิติเศรษฐกิจที่ช่วยทลายกำแพงการเข้าถึงข้อมูล ทำให้ภาคธุรกิจและอุตสาหกรรมสามารถนำข้อมูลไปใช้ทดสอบระบบ Machine Learning ได้อย่างรวดเร็ว ปลอดภัย และมีต้นทุนที่ต่ำลง
 

ที่มาของภาพ
https://doi.org/10.1016/j.knosys.2026.116745

อ้างอิง
นักวิจัยแพทย์-วิทย์ มช. ร่วมพัฒนา “CHDS” นวัตกรรมสร้างข้อมูลจำลองอัจฉริยะ ช่วยลดอุปสรรคการพัฒนา AI การแพทย์. Thai Post. (2026, September 24). https://www.thaipost.net/public-relations-news/1075385/
https://doi.org/10.1016/j.knosys.2026.116745
 

อัปเดตข่าวเด่นวิทยาศาสตร์ประจำวันได้ที่ เว็บไซต์ Curiosity - Science News Today