การตรวจวินิจฉัยทางรังสีวิทยา (Diagnostic Imaging Study) เป็นศาสตร์หนึ่งที่ทำให้บุคลากรทางการแพทย์ สามารถเห็นและระบุสิ่งผิดปกติของโครงสร้างและอวัยวะภายในร่างกายของผู้ป่วยก่อนให้คำวินิจฉัยและเสนอวิธีการรักษา โดยไม่มีความจำเป็นที่ทำศัลยกรรมผ่าตัด (Invasive Procedures) เพื่อดูอวัยวะภายในร่างกาย โดยใช้ข้อมูลรูปภาพประเภทต่างๆ เช่น Computed Radiography (CR), Digital Radiography (DR), Computed Tomography (CT), Magnetic Resonance Imaging (MRI), Ultrasound (US) เป็นต้น  ซึ่งในปัจจุบัน รูปภาพทางการแพทย์ที่นำใช้ในการวินิจฉัยโรคมีปริมาณสูงมาก ทำให้รังสีแพทย์ผู้เชี่ยวชาญไม่สามารถให้คำวินิจฉัยด้านรังสีวิทยาได้ทัน ส่งผลให้แพทย์ทั่วไปหรือแพทย์เจ้าของไข้เป็นผู้ให้การวินิจฉัยภาพรังสี ซึ่งแพทย์เหล่านี้อาจไม่มีความชำนาญในการวินิจฉัยได้อย่างถูกต้องแม่นยำ คณะผู้วิจัยจึงเล็งเห็นถึงความจำเป็นที่ต้องมีระบบให้คำแนะนำแก่แพทย์ทั่วไปในการวินิจฉัย

ในปัจจุบัน ระบบคอมพิวเตอร์และเทคโนโลยีปัญญาประดิษฐ์เชิงลึก (AI Deep Learning) มีการพัฒนาอย่างรวดเร็วและมีความสามารถและประสิทธิภาพสูง ทำให้การสร้างระบบ CAD ให้คำแนะนำ การวินิจฉัยที่ประยุกต์ใช้ระบบปัญญาประดิษฐ์เชิงลึกสามารถให้ผลการวินิจฉัยรูปภาพทางการแพทย์เทียบเท่าหรือดีกว่ารังสีแพทย์ จึงมีบริษัททางการแพทย์หลายบริษัทได้นำระบบให้คำแนะนำสำหรับการวินิจฉัยจากต่างประเทศมาจำหน่าย แต่ระบบเหล่านี้ที่มีต้นทุนค่อนข้างสูง และผลลัพธ์การวินิจฉัยอาจจะไม่อยู่ในเกณฑ์ที่เหมาะสมสำหรับประชากรในประเทศไทย เนื่องจากข้อมูลรูปภาพที่ใช้ฝึกฝนระบบเหล่านี้ไม่ครอบคลุมสรีระและสัณฐานของประชากรในแถบเอเชียตะวันออกเฉียงใต้ นอกจากนี้ การฝึกฝนปัญญาประดิษฐ์เชิงลึกต้องอาศัยข้อมูลรูปภาพจำนวนมากในการฝึกฝนแบบจำลอง ด้วยเหตุนี้ ทางคณะผู้วิจัยจึงต้องการสร้าง “ระบบกรอบงานอัตโนมัติเพื่อการเรียนรู้ปัญญาประดิษฐ์แบบสหพันธรัฐสำหรับรูปภาพทางการแพทย์” ที่เป็นการนำข้อมูลรูปภาพทางการแพทย์ร่วมกับผลวินิจฉัยจากสถาบันการแพทย์ในแต่ละสถาบันในพื้นที่ต่างๆ เพื่อนำมาฝึกฝนแบบจำลองการเรียนรู้เชิงลึกส่วนกลาง ซึ่งเป็นรูปแบบการเรียนรู้และฝึกฝนแบบจำลองที่ไม่มีการแลกเปลี่ยนข้อมูลรูปภาพทางการแพทย์ของแต่ละสถาบัน มีแต่เพียงการแลกเปลี่ยนผลลัพธ์จากการฝึกฝนแบบจำลองของแต่ละสถาบัน เพื่อนำมารวมกับแบบจำลองส่วนกลางโดยมีจุดประสงค์เพื่อทำให้แบบจำลองปัญญาประดิษฐ์ของส่วนกลางมีความสามารถ และความแม่นยำสูงขึ้นจากการที่ได้เรียนรู้และฝึกฝนจากชุดข้อมูลที่หลากหลาย โดยสถาบันที่เข้าร่วมสามารถนำเอาผลการฝึกฝนจากส่วนกลางไปใช้เพื่อประโยชน์ของคนไข้ในสถาบัน นอกจากนี้สถาบันที่ไม่มีระบบ AI สามารถส่งรูปภาพทากการแพทย์ เพื่อเอาผลลัพธ์วินิจฉัยเบื้องต้นจากแบบจำลองปัญญาประดิษฐ์ส่วนกลาง (AI Inference) ไปช่วยเสริมบุคลากรทางการแพทย์ทั่วไปเพื่อใช้ช่วยให้ความเห็นเบื้องต้นในการตัดสินใจของแพทย์

คณะผู้วิจัยได้ออกแบบระบบกรอบงานอัตโนมัติเพื่อการเรียนรู้ปัญญาประดิษฐ์แบบสหพันธรัฐสำหรับรูปภาพทางการแพทย์เพื่อตอบสนองต่อการใช้งานจริง และสนับสนุนการให้ข้อบ่งชี้สำหรับรูปภาพทางการแพทย์ ที่โรงพยาบาลรามาธิบดี มหาวิทยาลัยมหิดล และโรงพยาบาลศรีนครินทร์ มหาวิทยาลัยขอนแก่น และข้อมูลสาธารณะจาก NIH Chest X-ray  ในระบบจะประกอบด้วยระบบย่อยที่ทำหน้าที่ร่วมกัน เพื่อให้รังสีแพทย์สามารถให้ข้อบ่งชี้ (Data Labeling) บนรูปภาพทางการแพทย์ จากนั้น ข้อมูลจะถูกเก็บโดยใช้ Annotation and Image Markup (AIM) ตามมาตรฐาน DICOM PS3.21 และ AIM XML document ทั้งนี้ ข้อบ่งชี้ของรูปภาพและรูปภาพจะถูกส่งไปฝึกฝนกับระบบแบบจำลองปัญญาประดิษฐ์เชิงลึกในรูปแบบการเรียนรู้แบบสหพันธรัฐ และให้ผลลัพธ์ที่มีความแม่นยำสูงขึ้นอย่างต่อเนื่อง