01

1. เก็บคลิปจากภาพตรวจที่มีอยู่

การศึกษาปี 2024 ใช้วิดีโอ Parasternal Long Axis View ความยาว 5 วินาทีที่บันทึกหน้าจอผ่านแอปสมาร์ตโฟน วิธีนี้แยกการสร้างภาพอัลตราซาวด์ออกจากการส่งข้อมูลให้ AI: เครื่องอัลตราซาวด์สร้างภาพ ส่วนโทรศัพท์เป็นช่องทางบันทึกและส่งคลิป

ข้อจำกัดจากการถ่ายจอ เช่น แสงสะท้อน การสั่น และกรอบภาพแตกต่างกัน มีผลต่อข้อมูลตั้งต้น แนวทางนี้จึงต้องมีการคัดกรองคุณภาพก่อนนำไปจำแนก ไม่ใช่สมมติว่าคลิปทุกคลิปใช้วิเคราะห์ได้

อ้างอิง: 2024 paper, pp. 127–128; CNF 2026, pp. 14, 26–34

02

2. ตรวจคุณภาพก่อนประเมินหัวใจ

บทความอธิบายการตรวจเงาหรือแสงสะท้อน การตรวจไม่พบบริเวณอัลตราซาวด์หรือพบหลายบริเวณ ภาพที่เล็กเกินไป คลิปสั้นเกินไป และการสั่นมากเกินไป การตรวจขั้นนี้ช่วยแยกปัญหาการบันทึกออกจากคำตอบเรื่องการทำงานของหัวใจ

คุณภาพเป็นส่วนหนึ่งของขอบเขตงานวิจัยด้วย บทความรายงานว่าจากวิดีโอที่ได้รับ 1,336 คลิป เหลือ 923 คลิปหลังคัดกรอง จึงต้องอ่านผลความแม่นยำในบริบทของข้อมูลที่ผ่านเกณฑ์ ไม่ขยายผลไปยังคลิปที่ถูกคัดออก

อ้างอิง: 2024 paper, pp. 128–130; CNF 2026, p. 45

03

3. เตรียมภาพให้พร้อมสำหรับโมเดล

กระบวนการที่ตีพิมพ์ใช้การตรวจจับบริเวณอัลตราซาวด์ที่ดัดแปลงจาก DAMO-YOLO ร่วมกับ ORB เพื่อช่วยปรับการสั่น และ CLAHE ร่วมกับการกำหนดค่าขีดแบ่งเพื่อปรับสภาพแสง หน้าที่ของขั้นตอนเหล่านี้คือทำให้ข้อมูลภาพที่เข้าสู่โมเดลมีความสม่ำเสมอขึ้น

รายละเอียดนี้อธิบายระบบในงานวิจัยปี 2024 ไม่ได้ยืนยันว่าโค้ดหรือโมเดลของทุกเวอร์ชันปัจจุบันเหมือนกัน การอ้างผลทดสอบสำหรับเวอร์ชันใหม่จึงต้องระบุเวอร์ชัน กระบวนการเตรียมข้อมูล และชุดทดสอบที่ใช้ด้วย

อ้างอิง: 2024 paper, p. 129

04

4. วิเคราะห์วิดีโอและรวมกลุ่มผลลัพธ์

บทความระบุการใช้ ResNet-101 ที่ปรับแต่งร่วมกับวิธีจำแนกวิดีโอ โดยเริ่มจากการแบ่งห้ากลุ่มแล้วประมวลผลภายหลังเพื่อแสดงสามกลุ่ม ได้แก่ Reduced EF, Mildly Reduced EF และ Preserved LV ผลลัพธ์นี้เป็นการจำแนกกลุ่ม ไม่ใช่หลักฐานว่าระบบวัดค่า EF ต่อเนื่องได้แม่นยำทุกค่า

ผลทดสอบขึ้นกับจำนวนกลุ่มด้วย: บทความรายงาน 68.5% สำหรับห้ากลุ่ม และ 96.2% สำหรับสามกลุ่มในชุดทดสอบเดียวกัน การรวมกลุ่มทำให้ความผิดพลาดภายในกลุ่มย่อยบางส่วนไม่ถือเป็นความผิดพลาดของสามกลุ่ม จึงต้องระบุเสมอว่าเปอร์เซ็นต์วัดงานแบบใด

อ้างอิง: 2024 paper, pp. 129–131; CNF 2026, p. 44

05

5. ส่งผลกลับเพื่อใช้ประกอบการประเมิน

สไลด์สถาปัตยกรรมแสดงการเชื่อมผ่านอินเทอร์เน็ตไปยัง Echo AI Server และ API ส่วนตัวอย่างรายงานแสดงแนวคิดการพิมพ์และส่งต่อข้อมูล แผนโครงการขยายองค์ประกอบนี้เป็น Mobile Application, Cloud-based AI Platform, Backend API และ Dashboard / Clinical Report

CNF หน้า 45 กล่าวถึงเวลาประมวลผลต่ำกว่า 3 วินาทีในบริบทที่นำเสนอ แต่ไม่ได้ให้เงื่อนไขทดสอบครบสำหรับเวลาใช้งานตั้งแต่บันทึกจนได้รับผล จึงไม่ควรใช้เป็นคำรับประกันความเร็วทุกเครือข่ายหรือทุกอุปกรณ์

อ้างอิง: CNF 2026, pp. 33–35, 43, 45; EasyEF project brief, 22 June 2026

06

6. แนวทางเชื่อมอุปกรณ์และโมเดลเพิ่มเติม

เอกสารเสนอทั้งการเชื่อมอัลตราซาวด์แบบพกพาและการรับภาพจากเครื่องเดิมผ่านแนวคิด Echo AI Box ขณะเดียวกัน CNF หน้า 60 เปิดโจทย์ความร่วมมือเก็บข้อมูลความผิดปกติอื่น เช่น ลิ้นหัวใจและเยื่อหุ้มหัวใจ สิ่งเหล่านี้เป็นแนวทางขยายงาน ไม่ใช่รายการความสามารถที่ผ่านการทดสอบครบแล้ว

โรคบางกลุ่มในโจทย์ขยายงานถูกคัดออกจากการศึกษาปี 2024 การนำผล 96.2% ไปใช้อธิบายความสามารถตรวจโรคเหล่านั้นจึงไม่สอดคล้องกับขอบเขตหลักฐาน

อ้างอิง: CNF 2026, pp. 46–47, 60; GPO 2026, pp. 20–23

SOURCE NOTES

แหล่งข้อมูลของหน้านี้

  1. บทความวิจัยปี 2567 / 2024 original article — J Prapokklao Hosp Clin Med Educat Center 41(2):123–132 ↗
  2. เอกสารนำเสนอ / Presentation: EasyEF Lunch Symposium, CNF 17th, 26 March 2026 — หน้า / pp. 14, 26–35, 43–47, 60
  3. เอกสารนำเสนอ / Presentation: EasyEF AI Echo, GPO, 4 February 2026 — หน้า / pp. 20–23
  4. ข้อเสนอโครงการ EasyEF ฉบับ 22 มิถุนายน 2569: ขอบเขตและแผนงาน / EasyEF project brief, 22 June 2026: scope and planned work

เอกสารนำเสนอสะท้อนข้อมูล ณ วันที่จัดทำ อ่านบริบทและสถานะของแต่ละประเด็นในคลังข้อมูล

เปิดคลังข้อมูลและที่มา →