ภาพ CT ไตสามารถให้ข้อมูลสำคัญในการจำแนกความผิดปกติ เช่น ไตปกติ ถุงน้ำ เนื้องอก และนิ่ว แต่การวิเคราะห์ภาพทางการแพทย์อย่างละเอียดต้องอาศัยความเชี่ยวชาญของบุคลากรทางการแพทย์
อาจารย์ Naveed Sultan จากภาควิชาวิศวกรรมคอมพิวเตอร์ มจธ. และทีมวิจัย พัฒนา RenalRQKV-Net ซึ่งใช้โมเดลประมวลผลภาพ 3 รูปแบบ ได้แก่ ConvNeXt-Base, ConvNeXt-Hybrid และ DINOv3 ViT-B/14 เพื่อวิเคราะห์ภาพจากหลายมุมมอง พร้อมกลไก Receptive QKV Refiner สำหรับเรียนรู้และรวมข้อมูลจากแต่ละโมเดล
ผลการทดสอบบนชุดข้อมูล CTKidney แสดงความแม่นยำในการจำแนกภาพ 99.63% และผลงานวิจัยนี้ได้รับรางวัล Best Paper Award จากการประชุมวิชาการ EECSI 2026 ณ ประเทศอินโดนีเซีย
ความสำเร็จนี้สะท้อนแนวทางการพัฒนา AI ทางการแพทย์ที่ผสานจุดเด่นจากโมเดลหลายรูปแบบ เพื่อเพิ่มประสิทธิภาพในการวิเคราะห์ภาพทางการแพทย์