Cancer is one of the major health issues in Thailand, particularly as the country enters an aging society. The risk of chronic diseases among the elderly often results in limitations in treatment, making it difficult for most patients to achieve a complete recovery. This necessitates continuous care and the provision of accurate information and guidance about cancer. However, current health record systems for patients lack effective interconnectivity, which hinders data analysis and the development of patient care models. Additionally, incorrect information about cancer spread across social media can lead to misunderstandings among elderly patients. To address these issues, researchers have developed a chatbot system that utilizes Natural Language Processing (NLP) technology to understand human language and accurately respond to questions about elderly cancer patient care. The chatbot provides reliable and up-to-date information based on medical knowledge sourced from a database reviewed by healthcare professionals. Furthermore, a web application has been developed to record and analyze patient assessments according to medical standards, enabling healthcare providers to plan and develop appropriate treatment approaches in a better way. This system also facilitates data sharing and connectivity across hospital systems, allowing information to be used to enhance the precision and modernity of treatment approaches. In addition, the chatbot acts as an assistant, providing information and guidance to patients, reducing the workload of healthcare staff in answering questions and encouraging patients to take a more active role in managing their own health.
โรคมะเร็งเป็นหนึ่งในสาเหตุสำคัญของการเจ็บป่วยและการเสียชีวิตของประชากรทั่วโลก องค์กรอนามัยโลก (World Health Organization; WHO) ระบุว่าในปี 2022 มีผู้ป่วยมะเร็งรายใหม่ประมาณ 20 ล้านคน และคาดว่าในปี 2050 จะมีผู้ป่วยมะเร็งรายใหม่เพิ่มเป็น 35 ล้านคนทั่วโลก โดยในประเทศไทยมีผู้ป่วยมะเร็งรายใหม่จำแนกตามระยะ ของโรคและกลุ่มอายุ ซึ่งพบว่าผู้ป่วยโรคมะเร็งที่อยู่ในระยะ ลุกลามส่วนใหญ่อยู่ในกลุ่มผู้สูงอายุร้อยละ 87 และมากกว่า ร้อยละ 50 ของผู้ป่วยโรคมะเร็งทั้งหมด จากสถิติดังกล่าว สามารถสรุปได้ว่า อายุที่เพิ่มขึ้นเป็นปัจจัยเสี่ยงสำคัญที่ส่ง- ผลต่อการเกิดโรคมะเร็ง ทำให้ผู้สูงอายุจึงมีความเสี่ยงสูง กว่ากลุ่มอายุอื่น ๆ และจำเป็นต้องได้รับการดูแลรักษา อย่างใกล้ชิด แต่การรักษาในปัจจุบันพบว่าการบันทึกข้อมูล ในแต่ละโรงพยาบาลของไทยมักไม่เชื่อมโยงกัน ซึ่งนำไปสู่ การวิเคราะห์และการวิจัยที่เป็นไปอย่างล่าช้า นอกจากนี้ ผู้สูงอายุส่วนใหญ่มักพบอุปสรรคในการเข้าถึงข้อมูลที่เกี่ยวข้องกับโรคมะเร็ง โดยเฉพาะข้อมูลจากแหล่งที่ไม่น่าเชื่อถือ ซึ่งอาจทำให้เกิดการเข้าใจผิดเกี่ยวกับโรคและวิธีการรักษา ดังนั้นผู้วิจัยจึงพัฒนาระบบแชทบอทและเว็บแอปพลิเคชัน เพื่อช่วยในการเข้าถึงบริการด้านสุขภาพของผู้ป่วยสูงอายุ และอำนวยความสะดวกให้แก่บุคลากรทางการแพทย์
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
-
คณะเทคโนโลยีสารสนเทศ
Facial Expression Recognition (FER) has attracted considerable attention in fields such as healthcare, customer service, and behavior analysis. However, challenges remain in developing a robust system capable of adapting to various environments and dynamic situations. In this study, the researchers introduced an Ensemble Learning approach to merge outputs from multiple models trained in specific conditions, allowing the system to retain old information while efficiently learning new data. This technique is advantageous in terms of training time and resource usage, as it reduces the need to retrain a new model entirely when faced with new conditions. Instead, new specialized models can be added to the Ensemble system with minimal resource requirements. The study explores two main approaches to Ensemble Learning: averaging outputs from dedicated models trained under specific scenarios and using Mixture of Experts (MoE), a technique that combines multiple models each specialized in different situations. Experimental results showed that Mixture of Experts (MoE) performs more effectively than the Averaging Ensemble method for emotion classification in all scenarios. The MoE system achieved an average accuracy of 84.41% on the CK+ dataset, 54.20% on Oulu-CASIA, and 61.66% on RAVDESS, surpassing the 71.64%, 44.99%, and 57.60% achieved by Averaging Ensemble in these datasets, respectively. These results demonstrate MoE’s ability to accurately select the model specialized for each specific scenario, enhancing the system’s capacity to handle more complex environments.
คณะเทคโนโลยีการเกษตร
This project presents a design and management approach for agricultural land in Kanchanaburi Province. The case study area is situated in Wangdong Subdistrict, Mueang Kanchanaburi District, covering an area of approximately 18 rai (7.2 acres). As the user seeks a simplified lifestyle in the countryside, surrounded by nature, the design aligns with this vision of simplicity and sustainability. The land is systematically allocated to optimize the benefits for both daily living and agricultural industry development. The crop cultivation zones are designed to suit the local climate and plant varieties, ensuring high-quality yields for continuous utilization. Meanwhile, the livestock zones are clearly delineated to maintain balance and organization. This approach not only ensures food security and income generation but also promotes a lifestyle that harmonizes with nature, minimizes environmental impact, and supports the long-term development of an efficient and eco-friendly agricultural industry. Comprehensive attention is given to the positioning of various zones, considering wind direction and sunlight exposure. Additionally, the design undergoes a rigorous drafting and review process to ensure the optimal outcomes for the land's utilization.