การใช้ซีรีส์ ‘House’ เพื่อพัฒนาความสามารถในการวินิจฉัยของ AI

แม้ว่าการวินิจฉัยโรคที่หายากจะเป็นความท้าทายที่ยากสำหรับ AI (เช่นเดียวกับมนุษย์) แต่โมเดลภาษาที่ได้รับความนิยมอย่าง ChatGPT และ Gemini ได้แสดงผลลัพธ์ที่น่าสนใจเมื่อได้รับการฝึกอบรมจากกรณีวินิจฉัยจากซีรีส์ ‘House’ ที่ได้รับความนิยม

เกือบครึ่งหนึ่งของนักเรียนสาขาวิทยาศาสตร์สุขภาพ ดูซีรีส์ทางการแพทย์ เช่น House, Grey’s Anatomy, และ Scrubs บ่อยๆ แม้ว่าเนื้อหาดังกล่าวสามารถใช้เพื่อการเรียนรู้ได้ แต่ก็ต้องมีการกรองและจัดเฟรมให้มาก เนื่องจากมีความเสี่ยงในการแพร่กระจายข้อมูลที่ไม่ถูกต้อง ความแม่นยำของการวิจัยสำหรับซีรีส์ที่มีโรคต่างๆ มักจะสูง (แม้ว่าความแม่นยำจะแตกต่างกันไปในแต่ละการผลิต)

ไม่น่าประหลาดใจที่แพทย์มักจะ สร้าง, ให้คำแนะนำ และ/หรือ เขียน ซีรีส์ทางการแพทย์ ในกรณีดังกล่าว ความรู้ทางการแพทย์ที่กว้างขวางมีประโยชน์ไม่เพียงแต่ในการถ่ายทอดประเด็นทางการแพทย์เท่านั้น แต่ยังช่วยให้สามารถสร้างแนวคิดสำหรับเรื่องราวใหม่ๆ และน่าสนใจอีกด้วย

หนึ่งในซีรีส์ทางการแพทย์ที่มีการวิจัยอย่างเข้มข้นมากที่สุดในยุค ‘ทอง’ ของโทรทัศน์คือ House (หรือ House MD) ซึ่งลักษณะเฉพาะของตัวละครหลักและตัวละครรองมีความสำคัญรองลงมาจาก ‘โรคของสัปดาห์’

ในความเป็นจริง จาก 177 ตอนของซีรีส์ที่ออกอากาศตลอด 8 ซีซั่น House ได้ให้กรณีวินิจฉัย 176 กรณี แม้ว่าซีรีส์จะสิ้นสุดลงในปี 2012 แต่ในปี 2015 ก็ได้ถูกนำมาใช้เป็นเครื่องมือสอน โดยมี การประชุมพิเศษ Dr. House ที่ให้ผลลัพธ์ที่ดีกว่าเมื่อเทียบกับการสอนตามปกติ แม้ว่าจะไม่มีเครดิตสำหรับนักเรียนก็ตาม

จากการศึกษาในปี 2015 สาเหตุที่หลากหลายที่ทำให้นักเรียนแพทย์ต้องการเข้าร่วมการประชุมวินิจฉัยที่ใช้ข้อมูลจากซีรีส์ ‘House’ แหล่งที่มา

House และ AI

แม้ว่าการใช้ House และซีรีส์อื่นๆ จะได้รับการพิสูจน์แล้วว่าเป็นเครื่องมือเสริมที่มีประสิทธิภาพสำหรับการเรียนรู้ของนักเรียนแพทย์ แต่จนถึงตอนนี้ยังไม่มีการพยายามนำแนวทางนี้ไปใช้ในบริบทของการเรียนรู้ของเครื่อง

ตอนนี้ วิจัยใหม่จากมหาวิทยาลัยรัฐเพนซิลเวเนียได้เริ่มการสำรวจในทางนี้ โดยพัฒนาเซตข้อมูลที่มีกรณีวินิจฉัยที่สามารถใช้ได้ 176 กรณีจาก House ซึ่งถูกสร้างเป็นโครงสร้างการวินิจฉัยที่ขับเคลื่อนด้วยเรื่องราว และได้รับการประเมินบนโมเดลภาษาที่ได้รับความนิยมจาก OpenAI และ Google

แม้ว่าจะเป็นความท้าทายที่ยาก แต่นักวิจัยพบว่าเวอร์ชันใหม่ของ ChatGPT และ Gemini มีการปรับปรุงมากกว่าเวอร์ชันเก่า ซึ่งบ่งชี้ว่าแนวโน้มของการพัฒนามอเดลมีแนวโน้มที่จะพัฒนาไปสู่กระบวนการวินิจฉัยที่มีประสิทธิภาพมากขึ้น

รายงานระบุว่า:

‘ผลลัพธ์แสดงให้เห็นถึงความแตกต่างที่มีนัยสำคัญในผลการทำงาน โดยมีความแม่นยำตั้งแต่ 16.48% ถึง 38.64% โดยมีการปรับปรุง 2.3 เท่าในเวอร์ชันใหม่ของโมเดล แม้ว่าโมเดลทั้งหมดจะเผชิญกับความท้าทายที่สำคัญในการวินิจฉัยโรคที่หายาก แต่การปรับปรุงที่สังเกตได้บ่งชี้ถึงทิศทางที่น่าหวังสำหรับการพัฒนาต่อไปในอนาคต’

‘การประเมินของเราที่ได้รับการยืนยันจากด้านการศึกษาตั้งมาตรฐานการทำงานขั้นพื้นฐานสำหรับการให้เหตุผลทางการแพทย์แบบเรื่องราว และให้โครงสร้างการประเมินที่สามารถเข้าถึงได้สำหรับการวิจัยการวินิจฉัยที่ช่วยเหลือโดย AI’

นอกจากการตั้งมาตรฐานการทำงานแล้ว ผู้เขียนยังระบุด้วยว่าเซตข้อมูลใหม่ซึ่งพวกเขากำลังเผยแพร่สาธารณะ – ซึ่งสามารถเข้าถึงได้ ที่นี่ – จะแก้ปัญหาการขาดกระบวนการเรื่องราวภายในเซตข้อมูลทางการแพทย์ที่มีอยู่ และสามารถเข้าถึงได้ง่ายกว่าเมื่อเทียบกับวัฒนธรรมที่ปิดของเซตข้อมูลทางการแพทย์มาตรฐาน

งานวิจัยใหม่นี้มีชื่อเรื่องว่า การประเมินโมเดลภาษาที่มีขนาดใหญ่เกี่ยวกับการวินิจฉัยโรคที่หายาก: การศึกษากรณีโดยใช้ House M.D. และมาจากนักวิจัยสี่คนจาก Penn State*

ข้อมูล

เพื่อสร้างเซตข้อมูล ผู้เขียนใช้ข้อมูลที่มีอยู่สาธารณะจาก House Wiki ซึ่งเป็นเว็บไซต์แฟนคลับของซีรีส์ House เนื้อหาที่เป็นเรื่องราวถูกดึงออกมาและถูกทำให้ง่ายขึ้นโดยใช้ Beautiful Soup framework ซึ่งเป็นเครื่องมือที่สามารถดึงข้อมูลโครงสร้างออกจากแหล่งที่มาของ HTML

หลังจากที่เรื่องราวถูกดึงออกมาแล้ว โมเดลภาษาสี่ตัวถูกใช้เพื่อแปลงผลลัพธ์เป็นรูปแบบกรณีที่เป็นมาตรฐาน โมเดลที่ใช้คือ GPT-4o mini, GPT-5 Mini, Gemini 2.5 Flash และ Gemini 2.5 Pro สุดท้าย การกรองคุณภาพถูกใช้เพื่อให้แน่ใจว่าเซตข้อมูลมีรายละเอียดทางคลินิกที่เหมาะสม และสอดคล้องกับสถานะปัจจุบันของการให้เหตุผลทางการแพทย์

ผู้เขียนสังเกตว่า ‘โรคออร์ฟาน์’ (หรือโรคที่หายาก) มีการแทนในฐานข้อมูลทางการแพทย์มาตรฐานน้อย และในบางกรณี การครอบคลุมในซีรีส์ House อาจเป็นตัวแทนของเปอร์เซ็นต์ที่ไม่ธรรมดาของการครอบคลุมทั้งหมดที่มีอยู่

ผู้เขียนยอมรับว่าความมีประโยชน์ของแหล่งข้อมูลประเภทนี้ต้องถูกชั่งน้ำหนักด้วยความระมัดระวังเกี่ยวกับใบอนุญาตศิลปะที่อาจได้รับการจัดลำดับความสำคัญในบางครั้งในการพัฒนาเรื่องราวทางการแพทย์:

‘แม้ว่าเซตข้อมูลของเราจะสะท้อนถึงข้อจำกัดของเนื้อหาที่เป็นเรื่องราว รวมถึงการเน้นย้ำและการมุ่งเน้นไปที่กรณีที่ซับซ้อน แต่ลักษณะเหล่านี้อาจเป็นประโยชน์ต่อการประเมินโดยการให้กรณีที่ท้าทายที่ทดสอบความแข็งแกร่งของโมเดล’

‘การยืนยันทางการศึกษาของ House M.D. โดยผู้เชี่ยวชาญทางการแพทย์ให้ความมั่นใจว่าสถานการณ์ที่ถูกดึงออกมาประกอบด้วยข้อมูลที่มีความหมายทางคลินิกที่เหมาะสมสำหรับการประเมิน AI’

ตัวอย่างจากเซตข้อมูลที่สร้างขึ้นสำหรับโครงการ แหล่งที่มา

การทดสอบ

เพื่อประเมินความแม่นยำของโมเดลในการวินิจฉัยโรค ผู้เขียนได้ออกแบบกระบวนการที่รวมการสร้างข้อความที่กระตุ้น การอนุมานของโมเดล และการให้คะแนน

โมเดลภาษาสี่ตัวถูกทดสอบ โดยแต่ละโมเดลถูกกำหนดค่าด้วย อุณหภูมิ ที่ 0 (เพื่อให้แน่ใจว่ามีการผลิตที่ แน่นอน มากกว่าการผลิตที่ ‘สร้างสรรค์’) และมีความยาวสูงสุดของ โทเค็น ที่ 1,500 – ซึ่งเป็นการอนุญาตที่ออกแบบมาเพื่อรองรับการให้เหตุผลที่ซับซ้อน ไม่มีการใช้ข้อความที่กระตุ้นเพิ่มเติมเพื่อจัดรูปคำถามเพิ่มเติม

ข้อความที่กระตุ้นยึดตามรูปแบบการนำเสนอกรณีทางการแพทย์แบบมาตรฐาน – ซึ่งเป็นรูปแบบที่ผู้ชมคุ้นเคยจากซีรีส์ทางการแพทย์เมื่อมีการแนะนำผู้ป่วยหรือโรคใหม่ และแพทย์สรุปภาพรวมสำหรับผู้ชม (โดยพื้นฐานแล้วสำหรับผู้ชม)

แต่ละข้อความที่กระตุ้นประกอบด้วยเรื่องราวทางคลินิกที่มีรายละเอียดประชากรศาสตร์ ประวัติอาการ ประวัติทางการแพทย์ที่เกี่ยวข้อง และการวินิจฉัยเบื้องต้น โมเดลได้รับการสั่งให้ระบุการวินิจฉัยหลักและให้เหตุผลกับข้อสรุปด้วย การให้เหตุผล

แต่ละโมเดลสร้างการตอบสนองการวินิจฉัยในครั้งเดียว โดยไม่มีการปรับปรุงแบบครั้งเดียว และการตอบสนองถูกเก็บไว้ภายใต้สภาพที่สอดคล้องกันตลอด 176 กรณี:

ตัวอย่างการประเมินเชิงนัยที่แสดงถึงข้อความที่กระตุ้นและวินิจฉัยที่แท้จริงที่ใช้สำหรับการทดสอบ Gemini 2.5 Pro แหล่งที่มา

ผลลัพธ์

ความแม่นยำในการวินิจฉัยโรคแตกต่างกันอย่างมากในโมเดลต่างๆ โดยมี Gemini 2.5 Pro ให้ผลลัพธ์ที่ดีที่สุดคือ 38.64% ตามด้วย GPT-5 Mini ที่ 36.93% Gemini 2.5 Flash ที่ 32.95% และ GPT-4o Mini ที่ 16.48% แม้ว่าโมเดลทั้งหมดจะเผชิญกับความท้าทายในการให้เหตุผลในการวินิจฉัยโรคที่หายาก

ผู้เขียนยังระบุด้วยว่าผลลัพธ์แตกต่างกันไปตามฤดูกาลของซีรีส์:

ความแม่นยำที่แตกต่างกันไปตามฤดูกาลต่างๆ ของ House

รายงานระบุว่า:

‘ฤดูกาลที่ 1 มีความแม่นยำสูงสุดที่ 56.52% ในขณะที่ฤดูกาลที่ 5 มีความแม่นยำต่ำสุดที่ 20.83% ความแตกต่างนี้บ่งชี้ว่าความซับซ้อนในการวินิจฉัยโรคเปลี่ยนแปลงไปตลอดซีรีส์ โดยฤดูกาลหลังอาจมีกรณีโรคที่หายากที่ท้าทายมากขึ้น’

‘ผลลัพธ์ที่แข็งแกร่งในฤดูกาลที่ 8 (52.38%) บ่งชี้ว่าการเปลี่ยนแปลงทางเวลาเพียงอย่างเดียวไม่สามารถอธิบายความแตกต่างในการแม่นยำได้ แต่ความซับซ้อนในการวินิจฉัยโรคในแต่ละกรณีเป็นตัวขับเคลื่อนหลัก’

โมเดลทำงานได้ดีขึ้นเมื่อวินิจฉัยโรคทั่วไปที่มีอาการที่รู้จักกันดี เช่น มeningitis, myocardial infarction และ pulmonary embolism – แต่ประสบปัญหาอย่างต่อเนื่องกับโรคที่หายาก เช่น neurocysticercosis และ Erdheim-Chester disease เช่นเดียวกับโรคภูมิต้านตนเองที่ซับซ้อน เช่น systemic lupus erythematosus และ sarcoidosis การทำงานยังลดลงในกรณีที่ต้องเชื่อมโยงประวัติการสัมผัสกับอาการทางคลินิก

ผู้เขียนชี้ว่าความแตกต่างในความแม่นยำระหว่างโมเดลบ่งชี้ถึงความแตกต่างที่มีนัยสำคัญในโครงสร้างและกลยุทธ์การฝึกอบรม โดยผลลัพธ์ที่ดีกว่าของ GPT-5 Mini และ Gemini 2.5 Pro บ่งชี้ว่าโมเดลรุ่นใหม่มีความสามารถในการให้เหตุผลที่ดีขึ้น – แม้ว่าผลลัพธ์ยังคงแสดงให้เห็นถึงข้อจำกัดที่ชัดเจนในการจัดการกับงานวินิจฉัยที่ซับซ้อน

ผลลัพธ์ ผู้เขียนแย้งว่า ให้มาตรฐานการทำงานสำหรับการวินิจฉัยโรคที่หายากโดยใช้เรื่องราว และบ่งชี้อย่างแข็งขันว่าโมเดลภาษาปัจจุบันเริ่มแสดงความสามารถในการให้เหตุผลทางการแพทย์ที่มีประโยชน์

การกระโดดในผลลัพธ์จาก GPT-4o Mini ที่ 16.48% ถึง Gemini 2.5 Pro ที่ 38.64% บ่งชี้ถึงความก้าวหน้าที่ต่อเนื่องในการพัฒนาเครื่องมือสนับสนุนทางคลินิกที่ใช้ AI

แม้ว่าระดับความแม่นยำจะยังคงดูไม่มาก แต่มาตรฐานมุ่งเน้นไปที่กรณีที่ซับซ้อนที่ท้าทายแพทย์ที่ได้รับการฝึกอบรม และความสามารถในการระบุการวินิจฉัยที่ถูกต้องในเกือบ 40% ของตัวอย่างที่ยากเหล่านี้ชี้ให้เห็นถึงความสามารถในการให้เหตุผลที่แท้จริง ซึ่งวางรากฐานสำหรับการปรับปรุงในอนาคตผ่านการปรับให้เหมาะสมแบบกำหนดเป้าหมาย การผสานรวมความรู้ทางการแพทย์แบบโครงสร้าง หรือกลยุทธ์การให้เหตุผลแบบผสมผสาน

สรุป

มีความเสี่ยงที่ชัดเจนในการนำเรื่องราวจากซีรีส์โทรทัศน์มาใช้ในการสร้างเซตข้อมูลทางการแพทย์จริง – แม้ว่าซีรีส์ House จะมีส่วนร่วมจากแพทย์ที่มีคุณสมบัติและ/หรือการดูแลอย่างใกล้ชิด

น่าสนใจที่จะสังเกตว่าตอนหนึ่งของ House มีผลกระทบเหมือนเครื่องมือสรุปสำหรับรายการทางการแพทย์ที่อาจไม่สามารถเข้าถึงได้โดยตรงบนอินเทอร์เน็ตสำหรับบุคคลทั่วไป หรือสำหรับแหล่งข้อมูลที่นำเสนอข้อมูลในลักษณะที่กระจัดกระจายและไม่เชื่อมโยงกัน

การมีแพทย์เขียนบทสำหรับตอนหนึ่งของ House ซึ่งเกิดขึ้นบ่อยๆ อาจถูกใช้โดยนักวิจัยเป็นรูปแบบหนึ่งของ ‘การอนุมัติ’ สำหรับเนื้อหา แต่นี่ทำให้เราหลงลืมไปว่าข้อพิจารณาทางศิลปะอาจมีอิทธิพลต่อการนำเสนอโรคในตอนนั้น

สิ่งนี้ทำให้ข้อมูลอยู่ในสถานะที่ต้องการการดูแลใหม่จากผู้เชี่ยวชาญที่มีคุณสมบัติและราคาแพง เช่นเดียวกับแหล่งข้อมูลที่มีประโยชน์อื่นๆ ที่ต้องการการดูแลใหม่:

* โปรดทราบว่าเอกสารสั้นนี้ไม่ได้ปฏิบัติตามเทมเพลตที่กำหนด และฉันได้ปรับเปลี่ยนการรายงานเพื่อให้สอดคล้องกับเอกสารนี้

เผยแพร่ครั้งแรกวันจันทร์ที่ 17 พฤศจิกายน 2025