บทบาทของปัญญาประดิษฐ์ในการวินิจฉัยโรคทางจิตเวช
Article Sidebar
Main Article Content
บทคัดย่อ
วัตถุประสงค์: เพื่อศึกษาบทบาทของปัญญาประดิษฐ์ ในการวินิจฉัยโรคทางจิตเวชในหลายมิติ ได้แก่ บทบาทของปัญญาประดิษฐ์ที่เกี่ยวข้องกับการวินิจฉัยโรคทางจิตเวช ประโยชน์ของปัญญาประดิษฐ์ ข้อจำกัดและจุดท้าทาย ทิศทางในอนาคตของปัญญาประดิษฐ์ในการวินิจฉัยโรคทางจิตเวชทั้งในระดับประเทศไทยและระดับสากล
วิธีดำเนินการศึกษา: ตระหนักถึงบทบาทของปัญญาประดิษฐ์ในทางการแพทย์ รวมถึงทางด้านการวินิจฉัยโรคทางจิตเวช จึงได้มีการศึกษาทบทวนงานวิจัย คิดวิเคราะห์และนำเสนอเป็นบทความในหลายแง่มุม เพื่อเป็นการพัฒนาองค์ความรู้ด้านปัญญาประดิษฐ์ที่มีผลต่อวงการแพทย์รวมถึงการวินิจฉัยโรคทางจิตเวช
ผลการศึกษา: การใช้ปัญญาประดิษฐ์ทางด้านจิตเวช ช่วยเพิ่มความแม่นยำในการวินิจฉัยโรคทางจิตเวช ซึ่งปัญญาประดิษฐ์จะช่วยวิเคราะห์ข้อมูลที่ซับซ้อน โดยการเรียนรู้ของเครื่องคอมพิวเตอร์ การเรียนรู้เชิงลึก และการประมวลผลภาษาธรรมชาติ รวมถึงการสแกนสมองและข้อมูลพฤติกรรม ทำให้สามารถตรวจจับโรคในระยะเริ่มต้นและปรับปรุงผลการรักษาได้ดีขึ้น นอกจากนี้ ปัญญาประดิษฐ์ยังช่วยเพิ่มประสิทธิภาพในการวินิจฉัย ลดเวลาในการทำงาน และเข้าถึงการรักษาได้มากขึ้น โดยเฉพาะในพื้นที่ที่ขาดแคลนผู้เชี่ยวชาญ ปัญญาประดิษฐ์ยังช่วยออกแบบแผนการรักษาที่เหมาะสมกับผู้ป่วยแต่ละราย และลดปัญหาการตีตราทางจิตเวช อย่างไรก็ตาม ยังมีข้อจำกัด เช่น คุณภาพข้อมูลที่อาจมีอคติจากกลุ่มตัวอย่างที่จำกัด และการขาดความโปร่งใสในบางชุดข้อมูลของปัญญาประดิษฐ์ ซึ่งอาจทำให้เกิดความไม่มั่นใจในการนำไปใช้ในทางการแพทย์ นอกจากนี้ ยังมีความกังวลเกี่ยวกับความเป็นส่วนตัวและการประมวลผลข้อมูลส่วนบุคคล
สรุป: ปัญญาประดิษฐ์มีศักยภาพในการเปลี่ยนแปลงทางด้านจิตเวช โดยช่วยเพิ่มความแม่นยำในการวินิจฉัยและการวินิจฉัยตั้งแต่ระยะเริ่มต้น ผ่านการวิเคราะห์ข้อมูลซับซ้อน และการตรวจจับรูปแบบที่อาจมองข้าม รวมทั้งปัญญาประดิษฐ์ยังสามารถปรับแผนการรักษาให้เหมาะสมกับแต่ละบุคคล อย่างไรก็ตาม การใช้ปัญญาประดิษฐ์ในทางการแพทย์ต้องเผชิญกับความท้าทายเรื่องคุณภาพข้อมูล ความโปร่งใสของชุดข้อมูล และข้อพิจารณาทางจริยธรรม ซึ่งต้องได้รับการแก้ไขเพื่อใช้ศักยภาพของปัญญาประดิษฐ์ให้เกิดประโยชน์สูงสุดทางด้านจิตเวช
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Arbabshirani MR, Plis S, Sui J, Calhoun VD. Single subject prediction of brain disorders in neuroimaging: promises and pitfalls. Neuroimage 2017;145(Pt B):137-65. doi: 10.1016/j.neuroimage.2016.02.079.
Koppe G, Meyer-Lindenberg A, Durstewitz D. Deep learning for small and big data in psychiatry. Neuropsychopharmacology 2021;46(1):176-90. doi: 10.1038/s41386-020-0767-z.
Sun J, Dong QX, Wang SW, Zheng YB, Liu XX, Lu TS, et al. Artificial intelligence in psychiatry research, diagnosis, and therapy. Asian J Psychiatr 2023;87:103705. doi: 10.1016/j.ajp.2023.103705.
Takamiya A, Tazawa Y, Kudo K, Kishimoto T. [Artificial intelligence in psychiatry]. Brain Nerve 2019;71(1):15-23. doi: 10.11477/mf.1416201212.
Graham S, Depp C, Lee EE, Nebeker C, Tu X, Kim HC, et al. Artificial intelligence for mental health and mental illnesses: an overview. Curr Psychiatry Rep 2019;21(11):116. doi: 10.1007/s11920-019-1094-0.
Lee EE, Torous J, De Choudhury M, Depp CA, Graham SA, Kim HC, et al. Artificial intelligence for mental health care: clinical applications, barriers, facilitators, and artificial wisdom. Biol Psychiatry Cogn Neurosci Neuroimaging 2021;6(9):856-64. doi: 10.1016/j.bpsc.2021.02.001.
Wongwatkit C, Thongsibsong N, Chomngern T, Thavorn S. The future of connectivist learning with the potential of emerging technologies and AI in Thailand: trends, applications, and challenges in shaping education. Journal of Learning Sciences and Education 2023;2(1):123-54. (in Thai)
Blaizot A, Veettil SK, Saidoung P, Moreno-Garcia CF, Wiratunga N, Aceves-Martins M, et al. Using artificial intelligence methods for systematic review in health sciences: a systematic review. Res Synth Methods 2022;13(3):353-62. doi: 10.1002/jrsm.1553.
Currie G, Hawk KE, Rohren E, Vial A, Klein R. Machine learning and deep learning in medical imaging: intelligent imaging. J Med Imaging Radiat Sci 2019;50(4):477-87. doi: 10.1016/j.jmir.2019.09.005.
Fakhoury M. Artificial intelligence in psychiatry. In: Kim YK, editor. Frontiers in Psychiatry. New York: Springer; 2019. p. 1192.
Le Glaz A, Haralambous Y, Kim-Dufor DH, Lenca P, Billot R, Ryan TC, et al. Machine learning and natural language processing in mental health: systematic review. J Med Internet Res 2021;23(5):e15708. doi: 10.2196/15708.
Gillett G. Testimonial injustice in medical machine learning: a perspective from psychiatry. J Med Ethics 2023;49(8):541-2. doi: 10.1136/jme-2023-109059.
Bracher-Smith M, Crawford K, Escott-Price V. Machine learning for genetic prediction of psychiatric disorders: a systematic review. Mol Psychiatry 2021;26(1):70-9. doi: 10.1038/s41380-020-0825-2.
Dwyer DB, Falkai P, Koutsouleris N. Machine learning approaches for clinical psychology and psychiatry. Annu Rev Clin Psychol 2018;14:91-118. doi: 10.1146/annurev-clinpsy-032816-045037.
Fu CHY, Erus G, Fan Y, Antoniades M, Arnone D, Arnott SR, et al. AI-based dimensional neuroimaging system for characterizing heterogeneity in brain structure and function in major depressive disorder: COORDINATE-MDD consortium design and rationale. BMC Psychiatry 2023;23(1):59. doi: 10.1186/s12888-022-04509-7.
World Health Organization Regional Office for Southeast Asia. Mental health in Thailand: a country profile [Internet]. 2021 [cited 2025 Jan 5]. Available from: https://www.who.int/southeastasia/ health-topics/mental-health
Jaganathan K, Kyriazopoulou Panagiotopoulou S, McRae JF, Darbandi SF, Knowles D, Li YI, et al. Predicting splicing from primary sequence with deep learning. Cell 2019;176(3):535-48. doi: 10.1016/j.cell.2018.12.015.
Ryali S, Zhang Y, de Los Angeles C, Supekar K, Menon V. Deep learning models reveal replicable, generalizable, and behaviorally relevant sex differences in human functional brain organization. Proc Natl Acad Sci U S A 2024;121(9):e2310012121. doi: 10.1073/pnas.2310012121.
Du Y, Niu J, Xing Y, Li B, Calhoun VD. Neuroimage analysis methods and artificial intelligence techniques for reliable biomarkers and accurate diagnosis of schizophrenia: achievements made by Chinese scholars around the past decade. Schizophr Bull 2025;51(2):325-42. doi: 10.1093/schbul/sbae110.
Keshavan MS, Collin G, Guimond S, Kelly S, Prasad KM, Lizano P. Neuroimaging in Schizophrenia. Neuroimaging Clin N Am 2020;30(1):73-83. doi: 10.1016/j.nic.2019.09.007.
Quaak M, van de Mortel L, Thomas RM, van Wingen G. Deep learning applications for the classification of psychiatric disorders using neuroimaging data: systematic review and meta-analysis. Neuroimage Clin 2021;30:102584. doi: 10.1016/j.nicl.2021.102584.
Rezaii N, Wolff P, Price BH. Natural language processing in psychiatry: the promises and perils of a transformative approach. Br J Psychiatry 2022;220(5):1-3. doi: 10.1192/bjp.2021.188.
Crema C, Attardi G, Sartiano D, Redolfi A. Natural language processing in clinical neuroscience and psychiatry: a review. Front Psychiatry 2022;13:946387. doi: 10.3389/fpsyt.2022.946387.
Nour MM, Huys QJM. Natural language processing in psychiatry: a field at an inflection point. Biol Psychiatry Cogn Neurosci Neuroimaging 2023;8(10):979-81. doi: 10.1016/j.bpsc.2023.08.001.
Wright SN, Anticevic A. Generative AI for precision neuroimaging biomarker development in psychiatry. Psychiatry Res 2024;339:115955. doi: 10.1016/j.psychres.2024.115955.
Li F, Sun H, Biswal BB, Sweeney JA, Gong Q. Artificial intelligence applications in psychoradiology. Psychoradiology 2021;1(2):94-107. doi.org/10.1093/psyrad/kkab009.
Zhang Z, Li G, Xu Y, Tang X. Application of artificial intelligence in the MRI classification task of human brain neurological and psychiatric diseases: a scoping review. Diagnostics(Basel) 2021;11(8):1402. doi.org/10.3390/diagnostics11081402.
Chen Z, Liu X, Yang Q, Wang YJ, Miao K, Gong Z, et al. Evaluation of risk of bias in neuroimaging-based artificial intelligence models for psychiatric diagnosis: a systematic review. JAMA Netw Open 2023;6(3):e231671. doi: 10.1001/jamanetworkopen.2023.1671.
Zhang W, Yang C, Cao Z, Li Z, Zhuo L, Tan Y, et al. Detecting individuals with severe mental illness using artificial intelligence applied to magnetic resonance imaging. EBioMedicine 2023;90:104541. doi: 10.1016/j.ebiom.2023.104541.
Li A, Zalesky A, Yue W, Howes O, Yan H, Liu Y, et al. A neuroimaging biomarker for striatal dysfunction in schizophrenia. Nat Med 2020;26(4):558-65. doi: 10.1038/s41591-020-0793-8.
Penades R, Franck N, Gonzalez-Vallespi L, Dekerle M. Neuroimaging studies of cognitive function in schizophrenia. Adv Exp Med Biol 2019;1118:117-34. doi: 10.1007/978-3-030-05542-4_6.
Coletta L, Avesani P, Zigiotto L, Venturini M, Annicchiarico L, Vavassori L, et al. Integrating direct electrical brain stimulation with the human connectome. Brain 2024;147(3):1100-11. doi: 10.1093/brain/awad402.
Squires M, Tao X, Elangovan S, Gururajan R, Zhou X, Acharya UR, et al. Deep learning and machine learning in psychiatry: a survey of current progress in depression detection, diagnosis and treatment. Brain Inform 2023;10(1):10. doi: 10.1186/s40708-023-00188-6.
Handest R, Molstrom IM, Gram Henriksen M, Hjorthoj C, Nordgaard J. A systematic review and meta-analysis of the association between psychopathology and social functioning in schizophrenia. Schizophr Bull 2023;49(6):1470-85. doi: 10.1093/schbul/sbad075.
Nielsen AN, Barch DM, Petersen SE, Schlaggar BL, Greene DJ. Machine learning with neuroimaging: evaluating its applications in psychiatry. Biol Psychiatry Cogn Neurosci Neuroimaging 2020;5(8):791-8. doi: 10.1016/j.bpsc.2019.11.007.
Janssen RJ, Mourao-Miranda J, Schnack HG. Making individual prognoses in psychiatry using neuroimaging and machine learning. Biol Psychiatry Cogn Neurosci Neuroimaging 2018;3(9):798-808. doi: 10.1016/j.bpsc.2018.04.004.
Shanmugavadivel K, Sathishkumar VE, Cho J, Subramanian M. Advancements in computer-assisted diagnosis of Alzheimer's disease: a comprehensive survey of neuroimaging methods and AI techniques for early detection. Ageing Res Rev 2023;91:102072. doi: 10.1016/j.arr.2023.102072.
Kang SG, Cho SE. Neuroimaging biomarkers for predicting treatment response and recurrence of major depressive disorder. Int J Mol Sci 2020;21(6):2148. doi: 10.3390/ijms21062148.
Lew CO, Zhou L, Mazurowski MA, Doraiswamy PM, Petrella JR, Alzheimer's Disease Neuroimaging Initiative. MRI-based deep learning assessment of amyloid, tau, and neurodegeneration biomarker status across the Alzheimer disease spectrum. Radiology 2023;309(1):e222441. doi: 10.1148/radiol.222441.
Sarker IH, Kayes ASM, Badsha S, Alqahtani H, Watters P, Ng A. Cybersecurity data science: an overview from machine learning perspective. J Big Data 2020;7(1):1-29. doi.org/10.1186/s40537-020-00318-5.
Lin E, Lin CH, Lane HY. Precision psychiatry applications with pharmacogenomics: artificial intelligence and machine learning approaches. Int J Mol Sci 2020;21(3):969. doi.org/10.3390/ ijms21030969.
Fonseka TM, Bhat V, Kennedy SH. The utility of artificial intelligence in suicide risk prediction and the management of suicidal behaviors. Aust N Z J Psychiatry 2019;53(10):954-64. doi: 10.1177/ 0004867419864428.
Lejeune A, Le Glaz A, Perron PA, Sebti J, Baca-Garcia E, Walter M, et al. Artificial intelligence and suicide prevention: a systematic review. Eur Psychiatry 2022;65(1):1-22. doi: 10.1192/j.eurpsy.2022.8.
Bernert RA, Hilberg AM, Melia R, Kim JP, Shah NH, Abnousi F. Artificial intelligence and suicide prevention: a systematic review of machine learning investigations. Int J Environ Res Public Health 2020;17(16):5929. doi: 10.3390/ijerph17165929.
Iorfino F, Ho N, Carpenter JS, Cross SP, Davenport TA, Hermens DF, et al. Predicting self-harm within six months after initial presentation to youth mental health services: a machine learning study. PLoS One 2020;15(12):e0243467. doi: 10.1371/journal.pone.0243467.
Borchert RJ, Azevedo T, Badhwar A, Bernal J, Betts M, Bruffaerts R, et al. Artificial intelligence for diagnostic and prognostic neuroimaging in dementia: a systematic review. Alzheimers Dement 2023;19(12):5885-904. doi: 10.1002/alz.13412.
Kale M, Wankhede N, Pawar R, Ballal S, Kumawat R, Goswami M, et al. AI-driven innovations in Alzheimer's disease: integrating early diagnosis, personalized treatment, and prognostic modelling. Ageing Res Rev 2024;101:102497. doi: 10.1016/j.arr.2024.102497.
Suriyaamporn P, Pamornpathomkul B, Patrojanasophon P, Ngawhirunpat T, Rojanarata T, Opanasopit P. The artificial intelligence-powered new era in pharmaceutical research and development: a review. AAPS PharmSciTech 2024;25(6):188. doi: 10.1208/s12249-024-02901-y.
Kerz E, Zanwar S, Qiao Y, Wiechmann D. Toward explainable AI (XAI) for mental health detection based on language behavior. Front Psychiatry 2023;14:1219479. doi: 10.3389/fpsyt.2023.1219479.
Hoose S, Kralikova K. Artificial intelligence in mental health care: management implications, ethical challenges, and policy considerations. Adm Sci 2024;14(9):227. doi.org/ 10.3390/admsci14090227.
Kaushik A, Barcellona C, Mandyam NK, Tan SY, Tromp J. Challenges and opportunities for data sharing related to artificial intelligence tools in health care in low-and middle-income countries: systematic review and case study from Thailand. J Med 2025;4(27):e58338. doi: 10.2196/58338.
