เปิดโลกกว้าง: กรอบการทำงาน *Autoresearch* ของ Karpathy จะปฏิวัติการวิจัยต้อหินได้อย่างไร — แผนงานสำหรับการค้นคว้าที่นำโดยผู้ป่วยและขับเคลื่อนด้วย AI ในการฟื้นฟูการมองเห็น

เปิดโลกกว้าง: กรอบการทำงาน Autoresearch ของ Karpathy จะปฏิวัติการวิจัยต้อหินได้อย่างไร

บทนำ

ต้อหินเป็นโรคเส้นประสาทตาเรื้อรังที่ทำลาย เซลล์ปมประสาทจอประสาทตา (RGCs) อย่างต่อเนื่อง และนำไปสู่การสูญเสียการมองเห็นอย่างถาวร โรคนี้ส่งผลกระทบต่อผู้คนนับล้านทั่วโลก โดยประมาณการว่ามีผู้ป่วย 64.3 ล้านคนในปี 2013 และคาดว่าจะเพิ่มขึ้นเป็นกว่า 110 ล้านคนภายในปี 2040 (physionet.org) สิ่งที่น่ากังวลคือ ประมาณครึ่งหนึ่งของผู้ป่วยยังไม่ได้รับการวินิจฉัยจนกว่าการสูญเสียการมองเห็นจะเริ่มต้นขึ้นแล้ว (physionet.org) การดูแลต้อหินแบบดั้งเดิมมุ่งเน้นไปที่การลด ความดันลูกตา (IOP) ผ่านยาหรือการผ่าตัด แต่การรักษาเหล่านี้ไม่สามารถย้อนกลับความเสียหายหรือป้องกันการตาบอดได้อย่างสมบูรณ์ (pmc.ncbi.nlm.nih.gov) (physionet.org) ด้วยเหตุนี้ จึงมีความจำเป็นเร่งด่วนสำหรับการค้นพบใหม่ๆ ในด้านต่างๆ เช่น การป้องกันระบบประสาท (neuroprotection), การฟื้นฟู RGC/เส้นประสาทตา, และ การบำบัดด้วยยีนและเซลล์บำบัดนวัตกรรมใหม่ อย่างไรก็ตาม การวิจัยทางวิชาการและทางเภสัชกรรมในแนวหน้าเหล่านี้ยังคงขาดแคลนทรัพยากร ส่วนหนึ่งเป็นเพราะเป็นความพยายามระยะยาวที่มีความเสี่ยงสูง ในขณะเดียวกัน ความก้าวหน้าใน การเรียนรู้ของเครื่อง (ML) และ ปัญญาประดิษฐ์ (AI) กำลังช่วยเสริมแนวทางใหม่ๆ ในการวิเคราะห์ข้อมูลและการออกแบบแบบสร้างสรรค์

ผลงานล่าสุด (เช่น โครงการ “autoresearch” ของ Andrej Karpathy (www.theneuron.ai) (medium.com)) ชี้ให้เห็นว่า AI agents สามารถดำเนินการทดลองเล็กๆ หลายร้อยครั้งได้ด้วยตนเองบน GPU เพียงตัวเดียว โดยอาศัยคำแนะนำระดับสูงที่เรียบง่ายเท่านั้น ในกระบวนทัศน์นี้ มนุษย์จะเขียน program.md สั้นๆ เพื่ออธิบายเป้าหมายการวิจัย และ AI agent จะปรับแต่งโมเดลหรือไฮเปอร์พารามิเตอร์ซ้ำๆ โดยทำการฝึกอบรมเป็นเวลา 5 นาที เก็บการเปลี่ยนแปลงที่ประสบความสำเร็จ และทิ้งส่วนที่เหลือ (medium.com) (www.theneuron.ai) ในช่วงข้ามคืน วงจรนี้สามารถทำการทดลองได้ประมาณ 100 ครั้ง เพื่อสำรวจสถาปัตยกรรมและพื้นที่พารามิเตอร์โดยไม่ต้องมีการเขียนโค้ดด้วยตนเอง

บทความนี้สำรวจว่ากรอบการทำงาน autoresearch ของ Karpathy สามารถนำไปประยุกต์ใช้กับการ วิจัยต้อหิน โดยผู้ป่วย ผู้ดูแล นักวิทยาศาสตร์พลเมือง และนักพัฒนาโอเพนซอร์สที่มีแรงจูงใจได้อย่างไร เราจะสำรวจพื้นที่การวิจัยต้อหินที่ยังไม่ได้รับการสำรวจอย่างเต็มที่ (การป้องกันระบบประสาท การฟื้นฟู ฯลฯ) และระบุงานการเรียนรู้ของเครื่องในแต่ละโดเมนที่การทดลองกับโมเดลขนาดเล็กอาจช่วยได้ สำหรับแต่ละงาน เราจะแนะนำชุดข้อมูลสาธารณะที่เฉพาะเจาะจง โมเดล/สถาปัตยกรรมพื้นฐาน เมตริกการประเมิน และสรุปว่าคำแนะนำ program.md ของ agent ควรมีลักษณะอย่างไร จากนั้นเราจะหารือเกี่ยวกับขั้นตอนปฏิบัติสำหรับชุมชนในการตั้งค่าและแบ่งปันการทดลองดังกล่าว รวมถึงข้อควรพิจารณาด้านฮาร์ดแวร์ การเตรียมข้อมูล และแพลตฟอร์มการทำงานร่วมกัน เราจะพิจารณาบริบทเฉพาะของการบำบัดเพื่อ ฟื้นฟูการมองเห็น และว่าวงจรแบบ autoresearch อาจช่วยเร่งการเพิ่มประสิทธิภาพของอวัยวะเทียมทางประสาทหรือการแทรกแซงอื่นๆ ได้หรือไม่ สุดท้าย เราจะกล่าวถึงวิธีตรวจสอบและยกระดับสมมติฐานที่สร้างขึ้นโดยพลเมืองไปยังแพทย์ และวางแผนงาน 90 วันที่ชัดเจนสำหรับการเปิดตัวความคิดริเริ่ม autoresearch ที่นำโดยผู้ป่วย – รวมถึงวิธีหลีกเลี่ยงข้อผิดพลาดของ “โรงละครวิจัย” (research theater) และสร้างผลกระทบที่แท้จริง ตลอดทั้งบทความ เราจะอ้างอิงแหล่งข้อมูลปัจจุบันเกี่ยวกับการวิจัยต้อหินและ AI ในการมองเห็น โดยมีเป้าหมายเพื่อเป็นแนวทางที่สมดุล เป็นจริง และเข้าถึงได้

1. ภูมิทัศน์การวิจัยต้อหินและความต้องการที่ไม่ได้รับการตอบสนอง

การวิจัยต้อหินครอบคลุมหลายด้าน ตั้งแต่การทำความเข้าใจกลไกของโรคไปจนถึงการพัฒนาวิธีการรักษาใหม่สำหรับการ ป้องกันระบบประสาท และ การฟื้นฟูการมองเห็น หลายๆ ด้านที่มีแนวโน้มดีกลับขาดแคลนทรัพยากร:

• การป้องกันระบบประสาท (Neuroprotection): การแทรกแซงที่ป้องกัน RGCs ไม่ให้ตาย (โดยไม่ขึ้นกับ IOP) ตัวอย่างได้แก่ ปัจจัยทางระบบประสาทและระบบเมตาบอลิซึม ตัวอย่างเช่น การปลูกถ่ายที่ปล่อย ciliary neurotrophic factor (CNTF) ได้แสดงศักยภาพในการทดลองเบื้องต้น (pmc.ncbi.nlm.nih.gov) และโมเลกุลอื่นๆ เช่น nerve growth factor และ citicoline กำลังได้รับการศึกษา (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov) อย่างไรก็ตาม สิ่งเหล่านี้ยังไม่ได้รับการดูแลมาตรฐาน และจำเป็นต้องมีการทำงานเพิ่มเติมเพื่อนำไปสู่ผู้ป่วย การทบทวนปี 2025 เตือนว่าการบำบัดต้อหินเพื่อป้องกันระบบประสาทเป็น “การรักษาในอนาคต” ที่ต้องการการทดลองเพิ่มเติม (pmc.ncbi.nlm.nih.gov) ซึ่งสะท้อนถึงความต้องการที่ไม่ได้รับการตอบสนอง

• การฟื้นฟู RGC และเส้นประสาทตา (RGC Regeneration & Optic Nerve Regeneration): เมื่อ RGCs และแอกซอนของพวกมันตาย การแพทย์ในปัจจุบันไม่มีวิธีที่จะย้อนกลับสิ่งนั้นได้ การศึกษาในสัตว์บางชนิดใช้ยีนบำบัดเพื่อตั้งโปรแกรม RGCs ใหม่หรือกระตุ้นการงอกใหม่ ตัวอย่างเช่น การยับยั้ง PTEN (ตัวควบคุมการเติบโตเชิงลบ) โดยใช้ CRISPR ได้ส่งเสริมการงอกใหม่ของแอกซอนในเซลล์ประสาทหนู (pmc.ncbi.nlm.nih.gov) และการทดลองที่ลบ PTEN และ SOCS3 ร่วมกันได้กระตุ้นการฟื้นฟูเส้นประสาทตาอย่างต่อเนื่องในหนู (pmc.ncbi.nlm.nih.gov) อย่างไรก็ตาม ความก้าวหน้าเหล่านี้ยังคงอยู่ในแบบจำลองในห้องปฏิบัติการ ชีววิทยาพื้นฐาน – เช่น วิธีสร้างการพัฒนาจอประสาทตาซ้ำหรือหลีกเลี่ยงสารยับยั้งการเจริญเติบโต – มีความซับซ้อน มีความต้องการอย่างมากสำหรับรูปแบบ (โมเลกุลขนาดเล็ก ยีน วัสดุชีวภาพ) ที่สามารถกระตุ้นการอยู่รอดของ RGC หรือการงอกใหม่ของแอกซอน แต่ความคืบหน้าในการทดลองในมนุษย์เป็นไปอย่างช้าๆ

• ยีนบำบัดและเซลล์บำบัด (Gene and Cell Therapies): เทคโนโลยีใหม่ๆ เช่น CRISPR, viral vectors, และ RGCs ที่ได้จากเซลล์ต้นกำเนิด มีแนวโน้มที่ดีสำหรับต้อหิน กลยุทธ์ต่างๆ ได้แก่ การแก้ไขยีนเพื่อลด IOP (เช่น การกำหนดเป้าหมายการผลิตของน้ำในลูกตา) หรือปรับวิถีทางระบบประสาทเสื่อม (pubmed.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov) เซลล์ต้นกำเนิดสามารถ (ในทางทฤษฎี) แทนที่เซลล์ trabecular meshwork หรือ RGCs ที่สูญเสียไป และหลั่งปัจจัยป้องกัน (pubmed.ncbi.nlm.nih.gov) งานเบื้องต้นได้แสดงให้เห็นว่าปัจจัยการถอดรหัสบางอย่าง (เช่น Oct4-Sox2-Klf4) สามารถ ตั้งโปรแกรม เซลล์ที่ไม่ใช่ RGC ให้เป็นเซลล์ประสาทคล้าย RGC ในหนู (ฟื้นฟูการมองเห็นในการบาดเจ็บของเส้นประสาทตา) (pmc.ncbi.nlm.nih.gov) อย่างไรก็ตาม แนวทางเหล่านี้ยังคงเผชิญกับความท้าทายด้านความปลอดภัยและการนำส่งก่อนที่จะถึงผู้ป่วย การทบทวนล่าสุดหลายฉบับเน้นย้ำว่ายีนบำบัดเป็นแนวหน้าทางคลินิกที่น่าตื่นเต้นแต่ยังไม่ถึงขั้นใช้งานจริงสำหรับต้อหิน (pubmed.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov) โดยสรุป นวัตกรรมระดับโมเลกุลและเซลล์กำลังก้าวหน้า แต่ทรัพยากรและข้อมูลการทดลองมีจำกัด – สร้างโอกาสสำหรับการสำรวจด้วยคอมพิวเตอร์ (เช่น การออกแบบโครงสร้างไวรัสที่เหมาะสมที่สุดหรือการทำนายการแก้ไขยีนที่มีประสิทธิภาพ)

• การกระตุ้นด้วยไฟฟ้าและออปโตเจเนติกส์เพื่อฟื้นฟูการมองเห็น (Electrical and Optogenetic Stimulation for Vision Restoration): สำหรับผู้ป่วยต้อหินระยะลุกลาม (หรือโรคร่วม เช่น จอประสาทตาเสื่อมจากการสร้างเม็ดสี) อุปกรณ์เทียมเพื่อการมองเห็นหรือการบำบัดด้วยออปโตเจเนติกส์มีเป้าหมายเพื่อเลี่ยง RGCs ที่เสียหาย การฝังจอประสาทตา (อาร์เรย์อิเล็กโทรดเหนือจอประสาทตาหรือใต้จอประสาทตา) และการฝังคอร์เทกซ์ได้สร้างการรับรู้เทียม (“phosphenes”) แต่ความละเอียดต่ำและผลลัพธ์แตกต่างกันอย่างมาก การทบทวนในปี 2025 ล่าสุดเกี่ยวกับ AI ในอวัยวะเทียมทางสายตาระบุว่า “อัลกอริทึม AI แสดงให้เห็นถึงศักยภาพในการเพิ่มประสิทธิภาพการมองเห็นด้วยอุปกรณ์เทียม โดยเฉพาะอย่างยิ่งผ่านการเพิ่มประสิทธิภาพการสกัดความเด่นของภาพและกลยุทธ์การกระตุ้น” แม้ว่าส่วนใหญ่ของการศึกษาจนถึงขณะนี้เป็นการจำลอง (pmc.ncbi.nlm.nih.gov) กล่าวอีกนัยหนึ่ง การเรียนรู้ของเครื่องสามารถช่วยเปลี่ยนภาพจากกล้องให้เป็นรูปแบบการกระตุ้นที่ให้ข้อมูลมากที่สุดเมื่อพิจารณาจากข้อจำกัดของอุปกรณ์ การบำบัดด้วยออปโตเจเนติกส์ (ทำให้เซลล์จอประสาทตาที่รอดชีวิตไวต่อแสง) และการกระตุ้นด้วยไฟฟ้าผ่านกระจกตา (TES) ก็กำลังอยู่ระหว่างการทดลองสำหรับการสูญเสียการมองเห็นที่เกี่ยวข้องกับต้อหิน พื้นที่ทั้งหมดเหล่านี้ต้องการการปรับแต่งพารามิเตอร์อย่างละเอียด (เช่น รูปแบบเชิงพื้นที่และเวลาของการกระตุ้น, viral vectors สำหรับการแสดงออกของยีน) — ซึ่งเป็นงานที่อาจเหมาะสำหรับการค้นหาด้วย ML แบบอัตโนมัติ

• กลไกที่ไม่ขึ้นกับ IOP (IOP-Independent Mechanisms): หลายคนยังคงสูญเสียการมองเห็นแม้จะควบคุม IOP ได้ดี ปัจจัยต่างๆ เช่น การไหลเวียนโลหิตในตาบกพร่อง, ความผิดปกติของระบบประสาทและหลอดเลือด, หรือความเครียดทางเมตาบอลิซึมในหัวเส้นประสาทตาได้รับการยอมรับแต่ยังไม่เข้าใจอย่างถ่องแท้ การศึกษาทางพันธุกรรมชี้ให้เห็นถึงองค์ประกอบ “ที่ไม่ขึ้นกับ IOP” ที่สำคัญของความเสี่ยงต่อต้อหิน (pubmed.ncbi.nlm.nih.gov) (pubmed.ncbi.nlm.nih.gov) มีความจำเป็นเร่งด่วนสำหรับตัวบ่งชี้ทางชีวภาพของกระบวนการเหล่านี้ (นอกเหนือจากความดัน) นอกจากนี้ ผู้ป่วยต้อหินครึ่งหนึ่งมีภาวะ “ความดันปกติ” ซึ่งเน้นย้ำว่า IOP สูงไม่ใช่สาเหตุเดียว การวิจัยเกี่ยวกับปัจจัยหลอดเลือดหรือเส้นทางความเสียหายอื่นๆ กำลังดำเนินอยู่แต่กระจัดกระจาย การสร้างแบบจำลองด้วยคอมพิวเตอร์หรือการขุดข้อมูลจากชุดข้อมูลขนาดใหญ่ (เช่น การศึกษาความสัมพันธ์ทั่วทั้งจีโนม) สามารถช่วยระบุกลไกใหม่ๆ หรือเป้าหมายการรักษาในโดเมนนี้ได้

• การค้นหาตัวบ่งชี้ทางชีวภาพผ่านการถ่ายภาพและฟิลด์การมองเห็น (Biomarker Discovery via Imaging and Fields): การตรวจหาและติดตามต้อหินในระยะเริ่มแรกมักอาศัยการถ่ายภาพ (ภาพจอตา, OCT) และการทดสอบการทำงาน (ลานสายตา) อัลกอริทึมขั้นสูงสามารถค้นพบตัวบ่งชี้ทางชีวภาพที่ละเอียดอ่อนซึ่งแพทย์อาจมองข้าม ตัวอย่างเช่น การเรียนรู้เชิงลึกได้เริ่มตรวจจับการสูญเสียลานสายตาในระยะก่อนการตรวจวัด (การเปลี่ยนแปลงที่มองไม่เห็นจากการวิเคราะห์ลานสายตามาตรฐาน) (pmc.ncbi.nlm.nih.gov) ในทำนองเดียวกัน AI ได้ถูกนำมาใช้ในการวิเคราะห์โปรไฟล์ความหนาของชั้น OCT เพื่อทำนายต้อหินก่อนเกิดความเสียหายที่ชัดเจน อย่างไรก็ตาม ยังไม่มีตัวบ่งชี้ทางชีวภาพด้วย AI ที่ได้รับการยอมรับอย่างกว้างขวางและนำมาใช้ทางคลินิกสำหรับการคัดกรองหรือการแบ่งชั้นความเสี่ยง ข้อจำกัดด้านการคำนวณในที่นี้รวมถึงความต้องการชุดข้อมูลขนาดใหญ่ที่ติดป้ายกำกับอย่างดีและโปรโตคอลการตรวจสอบที่แข็งแกร่ง (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov) การแข่งขันสาธารณะ (REFUGE, AIROGS ฯลฯ) ได้เริ่มทำให้ข้อมูลเป็นมาตรฐาน แต่การครอบคลุมของโรคในระยะเริ่มต้นยังคงเบาบาง (pmc.ncbi.nlm.nih.gov) การค้นพบตัวบ่งชี้ทางชีวภาพหลายรูปแบบ (ที่รวม OCT, ลานสายตา, พันธุกรรม ฯลฯ) ที่ขับเคลื่อนด้วยเครื่องจักรยังคงเป็นแนวหน้าเปิดอยู่

ML โมเดลขนาดเล็กสามารถช่วยอะไรได้บ้าง? หลายส่วนข้างต้นอธิบายปัญหาในระดับสูง คอขวดมักจะเป็นการขาดแคลนข้อมูล ตัวแปรที่โต้ตอบกันมากมาย และชีววิทยาที่เคลื่อนที่ช้า สิ่งที่ autoresearch agent เก่งคือการ ทำให้การทดลองขนาดเล็กในข้อมูลที่มีอยู่เป็นอัตโนมัติ ตัวอย่างเช่น หากมีชุดข้อมูล OCT ที่ไม่มากนักที่มีและไม่มีต้อหินระยะเริ่มต้น นักวิทยาศาสตร์พลเมืองสามารถตั้งค่าวังวนการทดสอบโมเดลอย่างรวดเร็วเพื่อหาสถาปัตยกรรมที่แยกแยะความแตกต่างได้ดีที่สุด ในทำนองเดียวกัน หม้อแปลงขนาดเล็กบนข้อมูลจีโนมิกส์หรือวรรณกรรมสามารถแนะนำยีนหรือยาผู้สมัครใหม่ได้ กุญแจสำคัญคือการมุ่งเน้นไปที่งานแคบๆ ที่มีเมตริกที่กำหนดไว้ (ความแม่นยำในการจำแนก, AUC, loss) และการวนซ้ำอย่างรวดเร็ว พื้นที่ที่มีข้อมูลสาธารณะจำกัด (เช่น พารามิเตอร์ TES หรือค็อกเทลยีนใหม่) อาจต้องพึ่งพาข้อมูลสังเคราะห์หรือข้อมูลตัวแทน ในส่วนถัดไป เราจะแมปงาน ML เฉพาะในต้อหินเข้ากับแนวทาง autoresearch

2. การแมป Autoresearch กับปัญหาต้อหิน

กรอบการทำงาน autoresearch ของ Karpathy เป็นอิสระจากโดเมน: สามารถทำการทดลองในงาน ML ใดๆ ก็ตามที่จัดทำโดย prepare.py และ train.py พร้อมด้วยเมตริกการประเมินที่กำหนดไว้อย่างชัดเจน เราได้ระบุงานที่เกี่ยวข้องกับต้อหินที่เป็นรูปธรรมหลายอย่างและระบุว่า agent สามารถจัดการแต่ละงานได้อย่างไร แต่ละกรณีการใช้งานด้านล่างประกอบด้วย: ชุดข้อมูลที่เผยแพร่ต่อสาธารณะ (ถ้าเป็นไปได้), โมเดลหรือสถาปัตยกรรมเริ่มต้น, เมตริกการประเมิน, และร่างของคำแนะนำ program.md

2.1 การวิเคราะห์ภาพ OCT (การตรวจจับและแบ่งส่วนโครงสร้าง)

• งาน: การตรวจหาต้อหินระยะเริ่มต้นจากภาพสแกน OCT. การถ่ายภาพ OCT ให้มุมมองหน้าตัดของชั้นจอประสาทตา การบางลงของ ชั้นใยประสาทจอประสาทตา (RNFL) และ กลุ่มเซลล์ปมประสาท (GCC) สามารถเกิดขึ้นก่อนการสูญเสียลานสายตา เราสามารถถือว่านี่เป็นงานการจำแนกประเภท (ต้อหินเทียบกับปกติ) หรือการถดถอย (เช่น เอาต์พุตความหนา RNFL).

  • ชุดข้อมูล: การเปิดตัวล่าสุด SYN-OCT (www.nature.com) เป็นชุดข้อมูลสังเคราะห์ของภาพ OCT บริเวณหัวประสาทตา 200,000 ภาพ (ต้อหิน 100k, ปกติ 100k) ที่สร้างโดย GANs แต่ละภาพมีความหนา RNFL และมาสก์การแบ่งส่วนที่เกี่ยวข้อง สิ่งเหล่านี้มีให้ใช้งานสาธารณะบน Zenodo (www.nature.com) (แม้จะเป็นข้อมูลสังเคราะห์ แต่ก็ได้รับการตรวจสอบทางสถิติว่าเลียนแบบ OCT จริงได้ (www.nature.com)) อีกทางเลือกหนึ่งคือการใช้ชุดข้อมูล OCT-DL (www.nature.com) (2064 ภาพของโรคจอประสาทตาต่างๆ) หรือชุดข้อมูล OCT ทางคลินิกขนาดเล็กกว่า.
  • โมเดล: เริ่มต้นด้วยเครือข่ายประสาทเทียมแบบคอนโวลูชั่น (CNN) ขนาดเล็ก สำหรับการจำแนกประเภท โมเดลที่มีเลเยอร์คอนโวลูชั่นประมาณ 3–5 เลเยอร์ (เช่น คล้ายกับ ResNet-18 ที่ถูกตัดทอน หรือ CNN ขนาดเล็กที่กำหนดเอง) สามารถใช้งานได้ สำหรับการแบ่งส่วน RNFL/GCC โค้ดเดอร์-ดีโค้ดเดอร์ขนาดเล็กเช่น U-Net (ที่มีความลึก 3–4) เหมาะสม train.py เริ่มต้นสามารถใช้งาน CNN อย่างง่ายและวงจรการฝึกอบรมพร้อมไฮเปอร์พารามิเตอร์เริ่มต้นได้.
  • เมตริก: หากทำการจำแนกต้อหินบน OCT ให้ใช้ AUC (Area Under ROC) หรือความแม่นยำในการแบ่งชุดข้อมูลการตรวจสอบ สำหรับการแบ่งส่วน ให้ใช้ Dice coefficient หรือ IoU บนมาสก์ชั้น RNFL (SYN-OCT มีมาสก์ให้ (www.nature.com)))
  • ตัวอย่าง program.md:

    "เป้าหมาย: เพิ่ม AUC ในการตรวจสอบการจำแนกต้อหินจากภาพ OCT ให้สูงสุด การปรับเปลี่ยนที่อนุญาต: จำนวนเลเยอร์คอนโวลูชั่น, จำนวนฟิลเตอร์, ขนาดเคอร์เนล, ฟังก์ชันการเปิดใช้งาน, อัตราการเรียนรู้, ตัวเลือกตัวเพิ่มประสิทธิภาพ, ขนาดแบทช์ ฯลฯ หลังจากการฝึกอบรม 5 นาทีแต่ละครั้ง ให้ประเมิน AUC บนชุดข้อมูลที่ไม่ได้ใช้ ถ้า AUC ดีขึ้น ให้เก็บการเปลี่ยนแปลงนั้นไว้ มิฉะนั้น ให้ย้อนกลับ" (medium.com) (www.theneuron.ai) agent จะลองรูปแบบต่างๆ (เช่น การเพิ่มเลเยอร์, การปรับความกว้าง, การเปลี่ยนจาก Adam เป็น RMSProp) เพื่อปรับปรุง AUC.

• งาน: การแบ่งส่วนชั้น RNFL/GCC. การวัดความหนา RNFL อย่างแม่นยำมีความสำคัญอย่างยิ่ง การใช้ภาพสแกน OCT สังเคราะห์ (พร้อมการแบ่งส่วนที่ให้มา) หรือ OCT จริงใดๆ ที่มีชั้นที่ถูกกำกับ สามารถกำหนดให้เป็นงานแบ่งส่วนได้.

  • ชุดข้อมูล: SYN-OCT อีกครั้งที่ให้มาสก์การแบ่งส่วน RNFL (www.nature.com) แหล่งข้อมูลอื่น: กลุ่มวิชาการบางแห่งได้ติดป้ายกำกับ B-scans ของ OCT (แม้ว่ามักจะเป็นข้อมูลเฉพาะของบริษัท) หากจำเป็น อาจใช้ชุดข้อมูล การแบ่งส่วน OCT ทั่วไป (เช่น Duke retina OCT fluid challenge (www.nature.com)) เป็นตัวแทน.
  • โมเดล: CNN ขนาดเล็กแบบ U-Net หรืออาจมีการตัดช่องสัญญาณจากค่าพื้นฐาน เช่น ใช้บล็อก down/up 3 บล็อก เริ่มต้นด้วย 16 ฟิลเตอร์ agent ได้รับอนุญาตให้เปลี่ยนความลึกและความกว้าง.
  • เมตริก: Dice score หรือ mean IoU ของมาสก์ RNFL ที่ทำนายเทียบกับค่าจริง.
  • ตัวอย่าง program.md:

    "เป้าหมาย: เพิ่ม Dice score สำหรับการแบ่งส่วนชั้น RNFL บน OCT ให้สูงสุด โมเดลพื้นฐานคือ U-Net 3 บล็อก Agent อาจปรับเปลี่ยนจำนวนฟิลเตอร์ เพิ่ม dropout หรือเปลี่ยนอัตราการเรียนรู้ ฝึกอบรม 5 นาทีในแต่ละการทดลอง และคำนวณ Dice บนชุดข้อมูลการตรวจสอบ เก็บการปรับเปลี่ยนที่เพิ่ม Dice".

• งาน: การทำนายความคืบหน้าผ่าน OCT แบบอนุกรม. การใช้ OCT แบบลำดับเพื่อทำนายการบางลงในอนาคต หากมีข้อมูล OCT ระยะยาว (เช่น UK Biobank หรือข้อมูลคลินิกส่วนตัว) เป้าหมายอาจเป็นการทำนายการเปลี่ยนแปลง RNFL หรือป้ายกำกับไบนารี “ผู้ป่วยที่มีความคืบหน้าเร็ว”

  • ชุดข้อมูล: ข้อมูล OCT ระยะยาวที่เฉพาะเจาะจงสำหรับต้อหินมีน้อย อย่างไรก็ตาม สามารถนำข้อมูลจาก SR OCT challenge (หรือภาพ SYN-OCT ที่มีการจำลองความคืบหน้า) มาใช้ใหม่เพื่อจำลองงานนี้ได้ อีกทางเลือกหนึ่งคือการใช้ภาพ OCT จาก UK Biobank (แม้ว่าจะไม่เฉพาะเจาะจงสำหรับต้อหินและไม่สามารถเข้าถึงได้ง่ายสำหรับนักวิทยาศาสตร์พลเมือง) สำหรับการอธิบาย สมมติว่า มีชุดข้อมูลภาพสแกน OCT ที่เวลา 0 และเวลา 1 พร้อมป้ายกำกับ.
  • โมเดล: Siamese หรือ concatenated CNN ที่รับภาพ OCT เป็นคู่ และส่งออกความน่าจะเป็นของการคืบหน้า เริ่มต้นด้วยการป้อนเวลา 0 และทำนายจุดตัดเวลา 1.
  • เมตริก: AUC สำหรับการจำแนกความคืบหน้าแบบไบนารี หรือ MSE หากพยายามทำนายการเปลี่ยนแปลงความหนา.
  • ตัวอย่าง program.md:

    "เป้าหมาย: ระบุตาที่จะมีการสูญเสีย RNFL อย่างรวดเร็ว อินพุต: OCT พื้นฐาน; ป้ายกำกับ: การบางลง >5 ไมโครเมตรหลังจาก 1 ปี เราใช้ตัวจำแนก CNN การเปลี่ยนแปลงที่อนุญาต ได้แก่ ความลึกของเครือข่าย, อัตราการเรียนรู้, การเพิ่มข้อมูล ใช้ AUC ของชุดข้อมูลตรวจสอบเป็นเมตริก".

2.2 การวิเคราะห์ลานสายตา (VF)

• งาน: การทำนายการสูญเสียลานสายตาในอนาคต. เมื่อได้รับผลการทดสอบลานสายตา Humphrey อย่างน้อยหนึ่งครั้ง (ค่าความไวต่อจุด) ให้พยากรณ์ความไวในอนาคตหรืออัตราการลุกลาม นี่เป็นปัญหาการจัดการต้อหินแบบคลาสสิก.

  • ชุดข้อมูล: ชุดข้อมูล GRAPE (www.nature.com) (2023) ให้การติดตามระยะยาวของตา 263 ข้าง (1115 รายการ) ด้วย VF และภาพจอตา/OCT รวมถึงการลุกลามที่ถูกกำกับ แหล่งข้อมูลอื่นคือฐานข้อมูลระยะยาว UH Visual Field (UWHVF) ของสหรัฐอเมริกา (www.nature.com) (28,943 ลานสายตาจากผู้ป่วยจำนวนมาก) อย่างไรก็ตาม GRAPE ได้รับการดูแลอย่างดีและเป็นสาธารณะพร้อมข้อมูล VF และผลลัพธ์.
  • โมเดล: วิธีการง่ายๆ คือเครือข่ายแบบ Feed-forward (เชื่อมต่อกันอย่างสมบูรณ์) บนข้อมูล VF 54 จุด (หรือบีบอัดเป็นดัชนีรวม) สำหรับการทำนายการลุกลาม MLP ขนาดเล็กหรือ 1D-CNN สามารถจัดการคุณลักษณะอินพุต 54 หรือ 30 ได้ อีกแนวคิดหนึ่ง: ปฏิบัติตาราง 8x8 เป็นภาพขนาดเล็กและใช้ CNN ขนาดเล็ก (เช่น เคอร์เนล 3x3).
  • เมตริก: หากทำนายค่าเบี่ยงเบนเฉลี่ยหรือค่าจุดในอนาคต ให้ใช้ MSE (ค่ายิ่งต่ำยิ่งดี) หากจำแนก “ผู้ป่วยที่มีความคืบหน้าเร็วเทียบกับไม่” ให้ใช้ AUC.
  • ตัวอย่าง program.md:

    "เป้าหมาย: ลด MSE ของลานสายตาที่ทำนายให้เหลือน้อยที่สุด อีกทางเลือกหนึ่งคือเพิ่ม AUC ให้สูงสุดสำหรับการจำแนกการสูญเสียอย่างรวดเร็ว โมเดลพื้นฐาน: perceptron 2 ชั้นบนค่า VF 54 ค่า Agent สามารถปรับขนาดที่ซ่อนอยู่, ฟังก์ชันการเปิดใช้งาน, หรือเพิ่ม dropout หลังจากการฝึกอบรม 5 นาทีแต่ละครั้ง ให้คำนวณเมตริกบนชุดข้อมูลการตรวจสอบ".

• งาน: ระบุผู้ป่วยที่มีความคืบหน้าเร็ว. การใช้ชุดของ VF ในอดีตเพื่อจำแนกว่าตาคู่ใดจะสูญเสียการมองเห็นอย่างรวดเร็ว.

  • ชุดข้อมูล: ใช้สถานะการลุกลามที่ถูกกำกับใน GRAPE (www.nature.com) (พวกเขาทำเครื่องหมายตาว่าเป็นผู้ป่วยที่มีความคืบหน้า) หรือนำ UWHVF และติดป้ายกำกับท็อปเดไซล์ของการสูญเสีย MD ว่าเป็น “ผู้ป่วยที่มีความคืบหน้าเร็ว”.
  • โมเดล: สามารถรวมคุณลักษณะจากฟิลด์สองหรือสามฟิลด์ที่ต่อเนื่องกัน (หรือความแตกต่าง) เข้ากับเครือข่ายขนาดเล็ก อาจรวมถึง IOP พื้นฐานและอายุหากมีข้อมูล.
  • เมตริก: AUC สำหรับการแยกแยะผู้ป่วยที่มีความคืบหน้าเร็วเทียบกับช้า.
  • ตัวอย่าง program.md:

    "เป้าหมาย: เพิ่ม AUC ให้สูงสุดสำหรับการทำนายการลุกลามของลานสายตาอย่างรวดเร็ว คุณลักษณะอินพุต: ความแตกต่างอันดับสองของ VF1 และ VF2 บวกกับ IOP ใช้เครือข่าย FC ขนาดเล็ก Agent อาจปรับความกว้างของชั้น, อัตราการเรียนรู้, ขนาดแบทช์".

2.3 การคัดกรองยา/สารประกอบ (การค้นหาสารผู้สมัครในเชิงคอมพิวเตอร์)

• งาน: การทำนายสารประกอบป้องกันระบบประสาท/ฟื้นฟูที่มีศักยภาพ. ใช้ ML เพื่อค้นหาโมเลกุลขนาดเล็กที่อาจปกป้อง RGCs หรือส่งเสริมการฟื้นฟู ตัวอย่างเช่น สารประกอบที่รู้จักกันดีหลายชนิด (เช่น nicotinamide, valproate) แสดงผลการป้องกันระบบประสาท เราสามารถฝึกอบรมโมเดลเพื่อจดจำสารเคมีที่สัมพันธ์กับประสิทธิภาพที่รู้จัก แล้วค้นหาในพื้นที่เคมี.
  • ชุดข้อมูล: นี่เป็นความท้าทายเนื่องจากขาดฐานข้อมูลยาต้อหินโดยเฉพาะ ในทางอ้อม สามารถใช้ชุดข้อมูล MolNet (เช่น การยับยั้ง HIV, การซึมผ่านของ BBB) หรือชุดข้อมูลชีวภาพใดๆ อีกทางเลือกหนึ่งคือการรวบรวมรายการสารประกอบที่ทดสอบในแบบจำลองการบาดเจ็บของเส้นประสาทตา (จากการทำเหมืองวรรณกรรม) พร้อมป้ายกำกับ ในทางปฏิบัติ อาจเริ่มต้นด้วยคุณสมบัติทั่วไปมากขึ้น (เช่น ข้อมูลการเจาะทะลุผ่านเยื่อหุ้มสมองส่วนเลือดจาก MoleculeNet).
  • โมเดล: หม้อแปลงขนาดเล็กหรือเครือข่ายประสาทกราฟบนสายอักขระ SMILES หม้อแปลง (เช่น รูปแบบ GPT-2) ที่มีไม่กี่ชั้นหรือเครือข่ายคอนโวลูชั่นกราฟอย่างง่าย (เช่น GCN 3 ชั้น) สามารถนำไปใช้ใน train.py ได้.
  • เมตริก: หากเราถือว่าเป็นการจำแนกประเภท (active เทียบกับ inactive) ให้ใช้ AUROC หากทำนายความสัมพันธ์หรือ logP ให้ใช้ RMSE.
  • ตัวอย่าง program.md:

    "เป้าหมาย: เพิ่ม ROC-AUC การจำแนกประเภทให้สูงสุดสำหรับการระบุสารประกอบคล้ายป้องกันระบบประสาท โมเดลพื้นฐาน: หม้อแปลงขนาดเล็กบน SMILES Agent อาจปรับจำนวนชั้นหม้อแปลง, dropout, อัตราการเรียนรู้, หรือใช้คุณลักษณะอื่น (เช่น อินพุตลายนิ้วมือ) หลังจากการทดลอง 5 นาทีแต่ละครั้ง ให้ประเมิน AUC บนโมเลกุลการตรวจสอบ".

(หมายเหตุ: เนื่องจากข้อมูลสาธารณะสำหรับการป้องกันระบบประสาทจริงมีน้อย งานนี้จึงเป็นเพียงภาพประกอบ ในทางปฏิบัติ นักวิทยาศาสตร์พลเมืองสามารถสร้างชุดข้อมูลที่กำหนดเองของสารประกอบป้องกันระบบประสาทที่รู้จักเทียบกับตัวควบคุมและปฏิบัติตามรูปแบบนี้)

2.4 การสร้างแบบจำลองเครือข่ายควบคุมยีน (RGC เซลล์เดียว)

• งาน: ระบุการรวมกันของปัจจัยการถอดรหัส (TF) ที่ช่วยในการฟื้นฟู. ใช้ข้อมูล RNA-seq แบบเซลล์เดียวจาก RGCs เพื่อเรียนรู้รูปแบบการถอดรหัสของการเติบโตแบบฟื้นฟู ตัวอย่างเช่น RGC ชนิดย่อยบางชนิดฟื้นฟูได้ดีกว่าชนิดอื่น โมเดล ML อาจทำนายป้ายกำกับ “สถานะการฟื้นฟู” และเราสามารถตรวจสอบว่าปัจจัยการถอดรหัสใดมีความสำคัญ.
  • ชุดข้อมูล: การศึกษาปี 2018 ให้ข้อมูลทรานสคริปโทมิกส์ของ RGC แบบเซลล์เดียว (GEO accession GSE115404) (pmc.ncbi.nlm.nih.gov) ซึ่งระบุชนิดย่อยของ RGC ที่แตกต่างกัน เราสามารถใช้ชุดข้อมูลนี้ (หรือส่วนย่อย) ที่เซลล์ถูกติดป้ายกำกับด้วยชนิดย่อยหรือตามเงื่อนไขการทดลอง (เช่น ก่อนเทียบกับหลังการบาดเจ็บ).
  • โมเดล: หม้อแปลงขนาดเล็กหรือ MLP ที่ทำงานบนเวกเตอร์การแสดงออกของยีน (แต่ละเซลล์มีปริมาณยีนนับพัน) ในทางปฏิบัติ จะเลือกยีนชั้นนำประมาณ ~500 ยีนก่อน (เช่น ยีนที่มีความผันแปรสูง) train.py อาจใช้หม้อแปลงขนาดเล็ก (เช่น 4 ชั้น, การฝัง 256) หรือ perceptron 2 ชั้นอย่างง่าย.
  • เมตริก: หากใช้การวิเคราะห์แบบไม่ควบคุม สามารถใช้ silhouette score ได้ แต่ที่ง่ายกว่านั้น หากติดป้ายกำกับเซลล์ว่าเป็น “ฟื้นฟู” เทียบกับ “ไม่ฟื้นฟู” (ถ้ามีป้ายกำกับ) ให้ใช้ความแม่นยำ/AUC ในการจำแนกประเภท.
  • ตัวอย่าง program.md:

    "เป้าหมาย: สร้างโมเดลที่แยกแยะโปรไฟล์การแสดงออกของยีน RGC ที่ฟื้นฟูเทียบกับไม่ฟื้นฟู เริ่มต้นด้วยหม้อแปลง 3 ชั้น Agent สามารถเปลี่ยนมิติการฝัง, ความลึก, อัตราการเรียนรู้, หรือเพิ่ม batchnorm ปรับความแม่นยำในการตรวจสอบให้เหมาะสมที่สุด" หลังจากเรียกใช้ โมเดลที่ดีที่สุดอาจมีน้ำหนักความสนใจหรือคุณลักษณะที่เรียนรู้ที่เน้นปัจจัยการถอดรหัสที่สำคัญสำหรับการทดลอง

2.5 การวิเคราะห์สัญญาณทางสรีรวิทยาไฟฟ้า

• งาน: ตรวจจับความผิดปกติของ RGC ที่ยังไม่แสดงอาการทางคลินิกผ่าน ERG. Pattern electroretinogram (pERG) หรือสัญญาณทางสรีรวิทยาไฟฟ้าอื่นๆ สามารถเปิดเผยสุขภาพของ RGC ได้ ตัวอย่างเช่น การตอบสนอง ERG ที่ล่าช้าหรือลดลงอาจนำหน้าความบกพร่องของลานสายตา เราสามารถพยายามจำแนกสัญญาณว่าเป็น “ปกติ” เทียบกับ “ต้องสงสัยว่าเป็นต้อหิน”.
  • ชุดข้อมูล: ชุดข้อมูล ERG สาธารณะในต้อหินหายาก สามารถใช้ข้อมูลตัวแทนได้: ชุดข้อมูลจากสัตว์ (จอประสาทตาเสื่อม) หรือสัญญาณสังเคราะห์ หากไม่มี แม้แต่ชุดข้อมูลสรีรวิทยาไฟฟ้า 1D ทั่วไป (เช่น ECG) ก็สามารถแสดงกระบวนการได้.
  • โมเดล: 1D CNN (เช่น 2 ชั้นคอนโวลูชั่นตามด้วย FC) บนข้อมูลอนุกรมเวลา อีกทางเลือกหนึ่งคือสามารถใช้ LSTM ได้หากลำดับยาวขึ้น.
  • เมตริก: ความแม่นยำ หรือ AUC ในการจำแนกความผิดปกติเล็กน้อยเทียบกับปกติ อาจเป็น F1 หากคลาสไม่สมดุล.
  • ตัวอย่าง program.md:

    "เป้าหมาย: เพิ่มความแม่นยำในการตรวจสอบสูงสุดสำหรับการจำแนกสัญญาณ ERG (รูปแบบสุขภาพดีเทียบกับต้อหินระยะเริ่มต้น) ใช้ 1D CNN Agent อาจปรับขนาดฟิลเตอร์, stride, หรือเพิ่มเลเยอร์ recurrent เก็บการเปลี่ยนแปลงใดๆ ที่ปรับปรุงความแม่นยำ".

2.6 การทำเหมืองวรรณกรรม (การสร้างสมมติฐาน)

• งาน: ปรับแต่งโมเดลภาษาขนาดเล็กเพื่อเผยแพร่ข้อมูลเชิงลึกใหม่ๆ. ด้วยเอกสารวิจัยต้อหินหลายพันฉบับใน PubMed, ML agent สามารถค้นหาความเชื่อมโยงหรือนำยาผู้สมัครกลับมาใช้ใหม่ได้ ตัวอย่างเช่น เชื่อมโยงเส้นทางป้องกันระบบประสาทเข้ากับยาที่มีอยู่ เราสามารถถือว่านี่เป็นปัญหาการสร้างแบบจำลองภาษาหรือปัญหาการดึงข้อมูล.
  • ชุดข้อมูล: รวบรวมคลังข้อมูลบทคัดย่อที่เกี่ยวข้องกับต้อหิน (เช่น ใช้การค้นหา PubMed สำหรับ “glaucoma gene therapy” ฯลฯ) สามารถดาวน์โหลดบทคัดย่อประมาณ 10,000 ฉบับผ่าน NCBI APIs สำหรับการเริ่มต้นที่ง่ายกว่า ให้ใช้บทความต้อหินที่เข้าถึงได้แบบเปิดของ PMC.
  • โมเดล: โมเดลภาษาหม้อแปลงขนาดเล็ก (เช่น GPT-2 แบบ 6 ชั้น) หรือแม้แต่ BERT ที่ปรับแต่งอย่างละเอียด สำหรับวัตถุประสงค์ของ autoresearch เรามักจะปรับแต่งโมเดล causal (GPT) บนข้อความ.
  • เมตริก: โดยทั่วไปแล้ว จะปรับ loss ของชุดข้อมูลการตรวจสอบ (perplexity) ให้เหมาะสมที่สุด หากทำการจำแนกประเภท (เช่น เมื่อได้รับบทคัดย่อ ทำนายป้ายกำกับสำหรับยาหรือเส้นทาง) ให้ใช้ความแม่นยำ/AUC.
  • ตัวอย่าง program.md:

    "เป้าหมาย: ลด perplexity ในการตรวจสอบของ GPT-2 ขนาดเล็กบนคลังข้อมูลวรรณกรรมต้อหินให้เหลือน้อยที่สุด ใช้การปรับแต่ง 5 นาที Agent สามารถปรับเปลี่ยนจำนวนชั้น, ขนาดที่ซ่อนอยู่, อัตราการเรียนรู้, ความยาวของบริบท เก็บการเปลี่ยนแปลงที่ลด perplexity" เมื่อได้รับการฝึกอบรมแล้ว สามารถใช้โมเดลนี้เพื่อสร้างสมมติฐาน (เช่น “ยาที่อาจนำกลับมาใช้ใหม่ได้สำหรับ neuroprotection ในต้อหิน: ...”).

ในแต่ละโดเมนเหล่านี้ กุญแจสำคัญคือ GPU ตัวเดียวและการเรียกใช้สั้นๆ ทำให้สามารถทดลองได้หลายครั้ง เรา ไม่ได้ คาดหวังว่า agent จะเขียนอัลกอริทึมใหม่ตั้งแต่ต้น แต่จะปรับแต่งสคริปต์การฝึกอบรมที่มีอยู่ บทบาทของมนุษย์คือการเขียน program.md เพื่อนำการค้นหาของ agent ไปสู่เป้าหมายเฉพาะของต้อหิน (เช่น การเพิ่ม AUC บนชุดข้อมูลภาพจอตาให้สูงสุด หรือการทำนายความหนา RNFL) ตัวอย่างข้างต้นแสดงให้เห็นว่า train.py สามารถตั้งค่าเริ่มต้นได้อย่างไร และ program.md จะกระตุ้นให้ปรับปรุงเมตริกที่เลือกได้อย่างไร (medium.com) (www.theneuron.ai)

3. คู่มือการนำไปใช้สำหรับวิทยาศาสตร์พลเมืองในทางปฏิบัติ

บุคคลที่มีแรงจูงใจและทรัพยากรจำกัด (เช่น RTX 3060 ตัวเดียว หรือ MacBook ที่มี Apple Silicon) จะสามารถนำ autoresearch ไปประยุกต์ใช้กับปัญหาต้อหินได้อย่างไร ข่าวดีคือคลังข้อมูลของ Karpathy มีขนาดเล็กและมีคำแนะนำสำหรับการปรับขนาดให้เล็กลง นี่คือขั้นตอนและเคล็ดลับสำคัญ:

• การตั้งค่าสภาพแวดล้อม: โคลนคลังข้อมูล karpathy/autoresearch คุณจะต้องมี Python เวอร์ชันใหม่และควรมีการเข้าถึง LLM (ตัว agent เองมักเป็น LLM ที่ได้รับการฝึกอบรมล่วงหน้า เช่น GPT-4 หรือ Claude ที่แก้ไขโค้ด) สำหรับ GPUs ให้ติดตั้ง PyTorch พร้อมการรองรับ CUDA/metal ที่เหมาะสม สำหรับ Apple Silicon ให้ใช้หนึ่งในฟอร์ก (เช่น MLX) หรือ PyTorch build สำหรับ M1/M2 (ดูเอกสารของคลังข้อมูล) บน Windows/Linux ที่มี 3060 หรือ 4070, PyTorch CUDA ปกติจะทำงานได้

• การกำหนดค่าสำหรับ GPU ขนาดเล็ก: autoresearch เริ่มต้นใช้โมเดลคล้าย GPT ที่มีพารามิเตอร์ประมาณ ~50M และลำดับความยาว 1024 (medium.com) ซึ่งอาจหนักเกินไป สำหรับ GTX 3060 (12GB) คุณควรลดขนาดโมเดลและความยาวของลำดับ ใน train.py ให้ตั้งค่า MAX_SEQ_LEN=512 หรือแม้แต่ 256 ลดจำนวนเลเยอร์และความกว้าง (GPT ขนาดกลางมีประมาณ ~8 เลเยอร์; ลองใช้ 4 เลเยอร์, ความกว้าง 256) คำแนะนำในชุมชนกล่าวถึงการลด “DEPTH”, “WIDTH” ฯลฯ คุณยังสามารถลดหน่วยความจำของ optimizer โดยใช้ขนาดแบทช์ที่เล็กกว่า (แม้แต่ 16 หรือ 8) agent ยังสามารถปรับเปลี่ยนพารามิเตอร์เหล่านี้ได้ แต่การให้จุดเริ่มต้นที่เล็กกว่าจะช่วยให้การทำงานน้อยกว่า 5 นาที README ของ autoresearch GitHub และการอภิปรายปัญหา ยังระบุด้วยว่าชิป Mac M1 สามารถจัดการลำดับที่สั้นลงได้ (เช่น 256 โทเค็น) เนื่องจากหน่วยความจำจำกัด การปรับขนาดที่คล้ายกันนี้ใช้กับ GPU ใดๆ ก็ตาม

• การเตรียมข้อมูลต้อหิน: ข้อมูลของแต่ละงานจะต้องถูกโหลดและแบ่งออก ชุดข้อมูลต้อหินสาธารณะประกอบด้วย:

  • ชุดข้อมูลภาพจอตา (Fundus Datasets): ORIGA(-light) (ภาพที่ติดป้ายกำกับ 650 ภาพ (pubmed.ncbi.nlm.nih.gov)), RIM-ONE DL (485 ภาพพร้อมการแบ่งส่วน Cup/Disc (github.com)), REFUGE (1200+ ภาพ พร้อมการแบ่งชุดฝึก/ทดสอบ (refuge.grand-challenge.org)), Hillel Yaffe Glaucoma Dataset (HYGD) ใหม่ที่มีภาพจอตาประมาณ ~1200 ภาพพร้อมป้ายกำกับคุณภาพสูง (physionet.org) EyePACS/AIROGS (ภาพจอประสาทตาหลายหมื่นภาพ) ก็สามารถเข้าถึงได้ต่อสาธารณะผ่านการลงทะเบียน (เช่น Kaggle)
  • ชุดข้อมูล OCT: SYN-OCT (B-scans สังเคราะห์ 200k พร้อมมาสก์ RNFL (www.nature.com) (www.nature.com)), OCTDL (2064 ภาพของโรคจอประสาทตาต่างๆ (www.nature.com)) และอื่นๆ จากการแข่งขันสาธารณะ
  • ข้อมูลลานสายตา (Visual Field Data): GRAPE (263 ตาพร้อมข้อมูล VF ระยะยาวและภาพ (www.nature.com)) UWHVF (การทดสอบ VF 28k) เปิดให้ดาวน์โหลดจากคลังข้อมูลของ University of Washington (www.nature.com) การแข่งขัน Kaggle บางรายการมีข้อมูล VF
  • สรีรวิทยาไฟฟ้า (Electrophysiology): ไม่มีชุดข้อมูล ERG ขนาดใหญ่ที่เปิดเผยต่อสาธารณะสำหรับต้อหิน แต่สามารถเริ่มต้นด้วยข้อมูลสัญญาณปกติเทียบกับต้อหินที่เข้าถึงได้
  • ข้อมูลเคมี/ยีน (Chemical/Gene Data): ชุดข้อมูลมาตรฐานเช่น MoleculeNet (สำหรับสารประกอบ) หรือ GEO (สำหรับยีน) สามารถนำมาใช้ใหม่ได้ ตัวอย่างเช่น ดาวน์โหลดจำนวนนับดิบ GSE115404 (ผ่านการสอบถาม GEO (pmc.ncbi.nlm.nih.gov)) และประมวลผลล่วงหน้าเพื่อสร้างเมทริกซ์การแสดงออก

  สำหรับแต่ละกรณี คุณต้องมี prepare.py ที่โหลดข้อมูลและกำหนด train_set, val_set, และฟังก์ชันการประเมิน เทมเพลตของ Karpathy คาดหวังให้ prepare.py ส่งออกข้อมูลการฝึกอบรมและรูทีนการประเมินที่ส่งคืนค่า loss หรือเมตริก ตัวอย่างเช่น prepare.py สำหรับ RIM-ONE อาจโหลดภาพและ CC ที่ติดป้ายกำกับว่าเป็นต้อหิน แบ่งเป็นโฟลเดอร์ train/val และกำหนดฟังก์ชันที่คำนวณ AUC ของชุดตรวจสอบ อ้างอิงถึง [14†L71-L79] สำหรับโครงสร้างของ RIM-ONE

• การปรับข้อมูลสำหรับขนาดเล็ก: หากชุดข้อมูลมีขนาดใหญ่ (เช่น EyePACS หรือ SYN-OCT) คุณสามารถสุ่มตัวอย่างย่อยเพื่อสร้างชุดข้อมูล “ขนาดเล็ก” ที่มีตัวอย่างเพียงไม่กี่ร้อยรายการ (โมเดลยังคงสามารถเรียนรู้สิ่งที่มีคุณค่าจากคลังข้อมูลขนาดเล็กได้) คลังข้อมูล autoresearch ยังกล่าวถึงการใช้ชุดข้อมูลขนาดเล็กสไตล์ “TinyStories” เพื่อเรียกใช้บนฮาร์ดแวร์ขนาดเล็ก ตัวอย่างเช่น เลือก 500 ภาพจาก ORIGA (ที่สมดุล) หรือ 1000 ฟิลด์ VF จาก GRAPE ในทำนองเดียวกัน สำหรับภาษา สามารถใช้ชุดย่อย 5,000 บทคัดย่อจากเอกสารต้อหินของ PubMed กุญแจสำคัญคือชุดข้อมูลที่กำหนดไว้ที่ agent ทำการวนซ้ำ ตรวจสอบให้แน่ใจว่าได้สุ่มและแบ่งข้อมูล 80/20 ล่วงหน้า เพื่อให้การทำงาน 5 นาทีแต่ละครั้งเห็นการแบ่งชุดฝึก/ตรวจสอบเดียวกัน

• กลยุทธ์การเขียน program.md: ชุมชนควรแบ่งปันคำสั่ง program.md ที่แตกต่างกัน (เช่น “สูตรอาหาร”) ในการควบคุมเวอร์ชัน ไฟล์แต่ละไฟล์สามารถเข้ารหัสกลยุทธ์การวิจัยได้ ตัวอย่างเช่น กลยุทธ์หนึ่งอาจกล่าวว่า “เพิ่มความลึกของเครือข่ายหากความลึก <6 มิฉะนั้น ลดอัตราการเรียนรู้” ในขณะที่อีกกลยุทธ์หนึ่งอาจกล่าวว่า “มุ่งเน้นไปที่การเปลี่ยนแปลงการเพิ่มข้อมูล” เมื่อเวลาผ่านไป กลุ่มสามารถเปรียบเทียบว่ากลยุทธ์ใดให้เมตริกที่ดีกว่าบนกระดานผู้นำ program.md ที่ดีควรรวมเป้าหมาย (เช่น เพิ่ม AUC ให้สูงสุดหรือลด validation loss ให้เหลือน้อยที่สุด) และคำแนะนำเกี่ยวกับการเปลี่ยนแปลงที่อนุญาต (เลเยอร์, ฟิลเตอร์, LR) LLM ของ agent ใช้คำแนะนำเหล่านี้เพื่อเสนอการแก้ไขโค้ด รักษาเมตริกให้เป็นมาตรฐาน (เช่น รายงาน AUC เสมอสำหรับงานการจำแนกต้อหิน) เพื่อให้การทดลองสามารถเปรียบเทียบกันได้

• การทำงานร่วมกันของชุมชน: เพื่อให้ความพยายามนี้ปรับขนาดได้ ชุมชนวิทยาศาสตร์พลเมืองควรจัดระเบียบดังนี้:

  • บันทึกการทดลองที่ใช้ร่วมกัน: โพสต์ผลลัพธ์ของการทดลองแต่ละครั้ง (เช่น “Run #27 ของ program-v1 ได้รับ Val AUC=0.82 ด้วย width=4, depth=3”)
  • เมตริกที่เป็นมาตรฐาน: กำหนดเมตริกสำหรับแต่ละงาน: เช่น “OCT glaucoma AUC”, “VF progression AUC”, “Attribute AUC” ฯลฯ กระดานผู้นำที่ใช้ร่วมกัน (คล้ายกับ val_bpb ของ autoresearch) สามารถติดตามคะแนนสูงสุดได้ ตัวอย่างเช่น Slack หรือ GitHub Actions อาจรวบรวม AUC ที่ดีที่สุดของแต่ละ agent ทุกสัปดาห์
  • program.md ที่ควบคุมเวอร์ชัน: โฮสต์ program.md ทั้งหมดในคลังข้อมูล GitHub สมาชิกสามารถ fork และเสนอแนวทางใหม่ๆ (ผ่าน pull requests) ในขณะที่รักษารุ่นประวัติไว้ ด้วยวิธีนี้ วิธีการหลายวิธีสามารถทดสอบได้พร้อมกัน (เช่น “program_word2vec.md” เทียบกับ “program_transformer.md”)
  • การแบ่งปันข้อมูลและโค้ด: ใช้คลังข้อมูลสาธารณะหรือสมุดบันทึกสำหรับสคริปต์การเตรียมข้อมูล และแบ่งปันการปรับเปลี่ยน train.py ที่ agent พบ (เพื่อทำซ้ำในกรอบการทำงาน ML มาตรฐาน) การเชื่อมโยงไปยังแหล่งข้อมูลต้นฉบับ (Kaggle, PhysioNet, Zenodo) ช่วยให้ผู้อื่นสามารถดาวน์โหลดข้อมูลเดียวกันได้

ด้วยการลดอุปสรรคทางเทคนิค (agent แก้ไขโค้ด, ผู้ใช้แก้ไขคำแนะนำใน Markdown) และโดยการประสานงานความพยายาม (บันทึกที่ใช้ร่วมกัน, กระดานผู้นำ) นักวิทยาศาสตร์พลเมืองสามารถสำรวจตัวเลือกไฮเปอร์พารามิเตอร์/โมเดลสำหรับปัญหา ML ต้อหินเหล่านี้ร่วมกันได้ โดยพื้นฐานแล้ว พวกเขาลงทุนความคิดสร้างสรรค์ของมนุษย์ในการ กำหนดเป้าหมาย และปล่อยให้ agent ทำงานหนักของการทดลอง 100 ครั้งต่อคืนต่อเป้าหมาย (medium.com) (www.theneuron.ai)

4. การฟื้นฟูการมองเห็นโดยเฉพาะ

การฟื้นฟูการมองเห็น — การกลับมามองเห็นได้อีกครั้งหลังความเสียหาย — เป็นเป้าหมายที่น่าตื่นเต้นเป็นพิเศษสำหรับ การเพิ่มประสิทธิภาพที่ขับเคลื่อนด้วย AI การวิจัยการฟื้นฟูการมองเห็นที่ได้รับความช่วยเหลือจาก AI ในปัจจุบัน รวมถึงการฝังจอประสาทตา, อุปกรณ์เทียมเปลือกสมอง, และ optogenetics นี่คือวิธีการที่วงจร autoresearch สามารถนำมาใช้ได้:

• การเพิ่มประสิทธิภาพการเข้ารหัสอุปกรณ์เทียมทางสายตา: อุปกรณ์เทียมสมัยใหม่ (การฝังจอประสาทตาหรือกล้องที่เชื่อมต่อกับอาร์เรย์อิเล็กโทรด) พยายามแปลภาพจากกล้องให้เป็นรูปแบบการกระตุ้นด้วยไฟฟ้าที่สมองตีความว่าเป็นการมองเห็น ความท้าทายคือ “แบนด์วิดท์” ของอิเล็กโทรดมีจำกัดมาก (มักจะเพียงไม่กี่สิบถึงไม่กี่ร้อยจุด) (pmc.ncbi.nlm.nih.gov) โมเดล ML (CNN หรือหม้อแปลงขนาดเล็ก) สามารถฝึกอบรมเพื่อแมปภาพอินพุตไปยังแผนที่การกระตุ้นในอุดมคติได้ แต่ไฮเปอร์พารามิเตอร์หรือสถาปัตยกรรมที่ดีที่สุดสำหรับการแปลนี้ยังไม่เป็นที่ทราบแน่ชัด agent autoresearch สามารถเรียกใช้การเปลี่ยนแปลงโมเดล “neural encoder” 100 แบบในเวลาไม่กี่ชั่วโมง ตัวอย่างเช่น ตั้งค่าชุดข้อมูลคู่ภาพ→การกระตุ้น (ไม่ว่าจะเป็น phosphenes ที่จำลองขึ้นหรือข้อมูลผู้ป่วย) และให้ agent เพิ่มประสิทธิภาพเครือข่าย encoder เพื่อลด loss การสร้างใหม่ให้เหลือน้อยที่สุดหรือเพิ่มเมตริกยูทิลิตี้ (ความสมบูรณ์ของคอนทราสต์, ความแม่นยำในการจดจำ) agent อาจลองเพิ่มเลเยอร์ attention, เปลี่ยนขนาด convolution, หรือปรับอัตราการเรียนรู้ ในการเรียกใช้หลายครั้ง จะสามารถพบเครือข่ายขนาดเล็กที่ให้ผลลัพธ์เทียมที่โดดเด่นยิ่งขึ้น งานวิจัยล่าสุดบางชิ้นได้ใช้ AI เพื่อสกัดความเด่นของภาพสำหรับอุปกรณ์เทียมแล้ว (pmc.ncbi.nlm.nih.gov) autoresearch สามารถทำให้การปรับแต่ง pipeline ดังกล่าวเป็นอัตโนมัติได้

• รูปแบบการกระตุ้นด้วย Optogenetic: ในการบำบัดด้วย optogenetic เซลล์ RGC ที่รอดชีวิตหรือเซลล์จอประสาทตาอื่นๆ จะถูกทำให้ไวต่อแสง (ผ่านยีนที่ถูกนำเข้า) อินพุตจากกล้องจะต้องถูกเข้ารหัสเป็นพัลส์แสง ในที่นี้ โมเดล ML สามารถควบคุมรูปแบบได้ สามารถกำหนดงานเล็กๆ ได้: เครือข่ายขนาดเล็กแปลงภาพจากกล้องเป็นแผนที่ความเข้มแสง (มีมิติเท่ากับเซลล์) วัตถุประสงค์ของ agent อาจเป็นการเพิ่มเมตริกของการกระตุ้นที่มีประสิทธิภาพให้สูงสุด (เช่น เพิ่มการกระตุ้นของเซลล์เป้าหมายในจอประสาทตาจำลองให้สูงสุด) การทดลองแต่ละครั้งอาจเรียกใช้การจำลองการตอบสนองอย่างรวดเร็ว ในระหว่างการวนซ้ำ agent อาจสำรวจระยะเวลาพัลส์หรือตัวกรองเชิงพื้นที่ ตัวอย่างเช่น การปรับความรุนแรงของตัวกรองความถี่สูงบนอินพุตจากกล้องอาจเป็นประโยชน์สำหรับบางรูปแบบ ประเด็นคือพารามิเตอร์อนาล็อกหลายอย่าง (เคอร์เนลตัวกรอง, ความไม่เป็นเชิงเส้น, การเข้ารหัสพัลส์เชิงเวลา) สามารถถูกสแกนโดยอัตโนมัติได้

• การเพิ่มประสิทธิภาพรูปแบบพัลส์ (TES และ Implants): แม้แต่โดเมนที่ไม่ใช่การเรียนรู้ของเครื่องก็สามารถได้รับประโยชน์จากการค้นหาอย่างรวดเร็ว ตัวอย่างเช่น การศึกษาล่าสุด (Xie et al. 2025) พบว่าระยะเวลาพัลส์ที่สั้นลงและการแทรกช่วงเวลาระหว่างเฟสช่วยปรับปรุงการกระตุ้นเปลือกสมองสำหรับการฝังจอประสาทตาอย่างมีนัยสำคัญ (pmc.ncbi.nlm.nih.gov) สิ่งนี้ชี้ให้เห็นว่าพื้นที่พารามิเตอร์ของการกระตุ้นด้วยไฟฟ้ามีผลกระทบที่รุนแรงและไม่เป็นไปตามสัญชาตญาณ agent autoresearch สามารถถือว่าพารามิเตอร์โปรโตคอลการกระตุ้น (ระยะเวลาเฟส, ความถี่, ช่วงเวลา) เป็น “พารามิเตอร์เครือข่าย” และเรียกใช้การทดลองเล็กๆ หลายครั้ง (แต่ละครั้งจำลองหรือเชิงประจักษ์) เพื่อเพิ่มการตอบสนองของเปลือกสมองให้สูงสุด ตัวอย่างเช่น ตั้งค่าโมเดลไฟฟ้าแบบง่าย (หรือใช้ข้อมูล evoked potential ที่บันทึกไว้) ใน prepare.py และให้ agent ปรับพารามิเตอร์ train.py เช่น เวลาพัลส์เพื่อเพิ่มขนาดการตอบสนองที่กำหนด สิ่งนี้คล้ายกับการทำให้สิ่งที่นักประสาทวิทยาผู้เชี่ยวชาญทำด้วยตนเองเป็นอัตโนมัติ

• การออกแบบ Viral Vector และรูปทรงนั่งร้าน: ในการพัฒนาการบำบัดเชิงสำรวจมากขึ้น แนวทางการวนซ้ำของ agent ก็สามารถจัดการการเพิ่มประสิทธิภาพทางชีวการแพทย์ได้ ตัวอย่างเช่น การออกแบบแคปซิดหรือโปรโมเตอร์ของ AAV viral เพื่อกำหนดเป้าหมาย RGCs สามารถได้รับคำแนะนำจากโมเดลทำนายขนาดเล็ก (เช่น logistic regression บนคุณลักษณะของลำดับ) Autoresearch สามารถลองปรับเปลี่ยนโมเดลที่ทำนาย tropism หรือการแสดงออกซ้ำๆ (ฝึกอบรมจากเช่น ไลบรารีไวรัสขนาดเล็ก) เพื่อปรับปรุงการทำนายนั้น ในทำนองเดียวกัน หากใครมีโค้ดการจำลองสำหรับการเติบโตในนั่งร้านประสาท (สำหรับการซ่อมแซมเส้นประสาทตา) agent สามารถปรับพารามิเตอร์ทางเรขาคณิตเพื่อเพิ่มการขยายแอกซอนให้สูงสุด สิ่งเหล่านี้เป็นงานขั้นสูง แต่เข้ากันได้ตามแนวคิด — “agent ในฐานะนักทดลอง” สามารถปรับเปลี่ยนโมเดลหรือพารามิเตอร์การจำลองเพื่อผลลัพธ์ที่ดีขึ้นได้

โดยสรุป แง่มุมใดๆ ของอุปกรณ์เทียมทางสายตาหรือการฟื้นฟูที่อาศัยอัลกอริทึมแบบพารามิเตอร์สามารถปรับปรุงได้ผ่านการวนซ้ำอย่างรวดเร็ว สิ่งสำคัญคือ ข้อจำกัดคือโดยทั่วไปแล้วเรามีข้อมูลจากการจำลองสำหรับงานเหล่านี้จำนวนมากเท่านั้น การทดสอบผู้ป่วยจริงหลายร้อยรูปแบบนั้นเป็นไปไม่ได้ แต่ autoresearch สามารถดำเนินการในเชิงคอมพิวเตอร์เพื่อเสนอผู้สมัครที่ดีที่สุดสำหรับการทดสอบทางคลินิกในภายหลัง ดังที่การทบทวนอุปกรณ์เทียมระบุไว้ว่า “การทำให้แน่ใจว่า phosphenes ถูกสร้างขึ้นอย่างน่าเชื่อถือในตำแหน่งที่แม่นยำ… เป็นความท้าทายที่สำคัญ” และ “โมเดลที่ขับเคลื่อนด้วย AI ได้แสดงให้เห็นถึงศักยภาพ” ในด้านนี้ (pmc.ncbi.nlm.nih.gov) Autoresearch สามารถเร่งการค้นหาการกำหนดค่าที่ดีที่สุดของโมเดล AI เหล่านั้นได้อย่างมาก

5. การเชื่อมโยงไปสู่ผลกระทบทางคลินิก

ผลลัพธ์จากการคำนวณจะต้องเชื่อมโยงกลับไปสู่การวิจัยและการดูแลต้อหินที่แท้จริงในที่สุด แนวคิดที่สร้างขึ้นโดย autoresearch ที่นำโดยผู้ป่วยสามารถได้รับการตรวจสอบและพัฒนาได้อย่างไร?

• การทำงานร่วมกับกลุ่มวิจัย: นักวิทยาศาสตร์พลเมืองควรติดต่อกับกลุ่มวิจัยต้อหินที่มีชื่อเสียง ตัวอย่างเช่น International Glaucoma Genetics Consortium (IGGC) และ NEIGHBORHOOD consortium ซึ่งรวบรวมข้อมูลทางพันธุกรรมและทางคลินิก (pubmed.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov) ผลลัพธ์จาก autoresearch (เช่น ยีนผู้สมัครใหม่หรือสมมติฐานการนำยามาใช้ใหม่) สามารถแบ่งปันกับกลุ่มดังกล่าวเพื่อการติดตามผลการทดลอง ห้องปฏิบัติการเพาะเลี้ยงเนื้อเยื่อ (เช่น ในมหาวิทยาลัยใหญ่ๆ) หรือนักวิจัยด้านการนอนหลับอาจทดสอบสารประกอบต่อการอยู่รอดของ RGCs แพทย์ทางวิชาการสามารถเชื่อมโยงตัวบ่งชี้ทางชีวภาพหรือตัวจำแนกภาพใดๆ กับข้อมูลผู้ป่วยของพวกเขาภายใต้ IRB การเริ่มต้นการสนทนาระหว่างกลุ่มสไตล์แฮกกาธอนและห้องปฏิบัติการที่เป็นทางการเป็นสิ่งสำคัญ

• การมีส่วนร่วมกับองค์กรสนับสนุนผู้ป่วย: กลุ่มเช่น Glaucoma Research Foundation หรือ Cure Glaucoma Foundation มักให้ทุนสนับสนุนนวัตกรรมที่เน้นผู้ป่วยเป็นศูนย์กลาง พวกเขาสามารถสนับสนุนโครงการพิสูจน์แนวคิดหรือการแข่งขันของพลเมืองโดยใช้ autoresearch องค์กรเหล่านี้มีเครือข่ายแพทย์และสามารถช่วยส่งต่อโมเดลที่มีแนวโน้มดีไปยังคลินิกได้ ตัวอย่างเช่น หาก agent ระบุว่ายาที่ได้รับการอนุมัติจาก FDA แล้วมีคุณสมบัติป้องกันระบบประสาท กลุ่มสนับสนุนสามารถช่วยตั้งค่าการทดลองขนาดเล็กภายใต้โปรโตคอลที่เหมาะสมได้ การเน้นย้ำความสำเร็จจะต้องมีการจัดรูปแบบผลลัพธ์เป็นสมมติฐาน (ไม่ใช่คำแนะนำทางการแพทย์) และรับรองความโปร่งใส

• หลักเกณฑ์ด้านจริยธรรมและความปลอดภัย: นักวิทยาศาสตร์พลเมืองจะต้องใช้ เฉพาะข้อมูลสาธารณะที่ระบุตัวตนไม่ได้ หรือข้อมูลสังเคราะห์เท่านั้น การใช้บันทึกผู้ป่วยจริงใดๆ ต้องใช้โปรโตคอลที่ได้รับการอนุมัติจาก IRB (และอาจต้องได้รับความยินยอมจากผู้ป่วย) ผลลัพธ์จากวงจร autoresearch ควรติดป้ายกำกับอย่างชัดเจนว่าเป็น การสร้างสมมติฐาน ตัวอย่างเช่น “โมเดลนี้แนะนำว่ายา X อาจปกป้อง RGCs – ต้องการการตรวจสอบเชิงทดลอง” การตัดสินใจทางการแพทย์ที่สำคัญจะต้องยังคงอยู่กับแพทย์ ความเสี่ยงรวมถึงการแจกจ่ายโมเดลที่ทำนายผลลัพธ์ส่วนบุคคลโดยไม่ตั้งใจ (การลุกลามของต้อหิน) – จำเป็นต้องมีข้อสงวนสิทธิ์ที่ชัดเจนว่าจะไม่ถือสิ่งเหล่านี้เป็นเครื่องมือวินิจฉัย การปฏิบัติด้านความเป็นส่วนตัวของข้อมูลที่ดีที่สุด (เช่น การใช้ฟิลด์ที่รวมหรือนิรนาม) เป็นสิ่งจำเป็น

• แบบอย่างในวิทยาศาสตร์พลเมือง: การที่มือสมัครเล่นมีส่วนร่วมในการวิจัยทางการแพทย์/ประสาทวิทยาไม่ใช่เรื่องที่ไม่เคยเกิดขึ้น โครงการ Eyewire (เกมแผนที่เซลล์ประสาทแบบ crowdsourced ของ MIT) ระดมอาสาสมัครเพื่อสร้างวงจรประสาทจอประสาทตาขึ้นใหม่ (www.citizenscience.gov) ในจักษุวิทยา ผู้ที่ไม่ใช่ผู้เชี่ยวชาญได้ช่วยในการใส่คำอธิบายภาพในโครงการที่ได้รับทุนจาก OpenAI (เช่น ชุดข้อมูลที่ติดป้ายกำกับสำหรับโรคตา) นอกเหนือจากการดูแลตา เกมเช่น Foldit (ปริศนาการพับโปรตีน) และ Galaxy Zoo (การจำแนกกาแล็กซี) แสดงให้เห็นว่าการมีส่วนร่วมของพลเมืองสามารถแก้ปัญหาทางวิทยาศาสตร์ที่ยากได้ ความสำเร็จเหล่านี้สนับสนุนแนวคิดที่ว่าหลายมือ (และตอนนี้คือ AI) สามารถช่วยในการวิจัยที่ซับซ้อนได้ แนวทาง autoresearch เหมือนกับการให้ผู้คนแต่ละคนมีผู้ช่วยห้องปฏิบัติการที่ขับเคลื่อนด้วย AI: ความพยายามแบบ crowdsourced ก่อนหน้านี้ใช้มนุษย์ในการวิเคราะห์งานที่กำหนดเท่านั้น ในขณะที่นี่ มนุษย์กำหนดเป้าหมายและ AI ทำการวนซ้ำ

ด้วยความโปร่งใส ความระมัดระวัง และการทำงานร่วมกัน ความคิดริเริ่ม autoresearch ของวิทยาศาสตร์พลเมืองสามารถสร้างความไว้วางใจได้ ควรเน้นที่ “การสร้างผู้นำ ไม่ใช่ใบสั่งยา” หากชุมชนบันทึกวิธีการและแบ่งปันโค้ดอย่างเปิดเผย นักวิจัยมืออาชีพสามารถทำซ้ำผลลัพธ์ได้ ตัวอย่างเช่น หากมีใครพบการรวมกันใหม่ของปัจจัยป้องกัน RGC พวกเขาสามารถเผยแพร่ใน preprint หรือแจ้งห้องปฏิบัติการ การอ้างอิงแบบ citation (เช่นที่เราทำที่นี่) ช่วยเชื่อมโยง: เช่น “เราได้พิจารณารายชื่อยาผู้สมัครของคุณในบริบทของเส้นทางที่รู้จัก (pmc.ncbi.nlm.nih.gov)” ในที่สุด นี่คือรูปแบบหนึ่งของวิทยาศาสตร์เปิด – ที่ขับเคลื่อนโดยผู้ป่วยแต่มีความเข้มงวดทางวิทยาศาสตร์ หากรักษามาตรฐานทางจริยธรรมไว้ นวัตกรรมแบบรากหญ้าเช่นนี้มีศักยภาพที่ดีในการจุดประกายความร่วมมือใหม่ๆ และท้ายที่สุดก็เป็นประโยชน์ต่อการวิจัยจักษุวิทยาที่ผ่านการตรวจสอบโดยผู้ทรงคุณวุฒิ

6. แผนงาน 90 วันที่เป็นรูปธรรม

แผนงานที่มุ่งเน้นและจำกัดเวลาสามารถรวมชุมชน 10–50 คน (แต่ละคนมี GPU หรือ Apple Silicon อย่างน้อยหนึ่งเครื่อง) เพื่อเริ่มต้นความพยายาม autoresearch-for-glaucoma นี่คือแผนงานตามขั้นตอนที่แนะนำ:

• สัปดาห์ที่ 1–2: การก่อตั้งและการตั้งค่า

  • การสรรหาและการเริ่มต้น: สร้างช่องทางการสื่อสาร (เช่น Slack หรือ Discord) และคลังข้อมูล GitHub สำหรับโครงการ เผยแพร่ไปยังฟอรัมผู้ป่วยต้อหิน กลุ่ม biohacker และ AI meetups
  • การตรวจสอบฮาร์ดแวร์: ตรวจสอบให้แน่ใจว่าทุกคนสามารถติดตั้ง PyTorch และโคลนคลังข้อมูลของ Karpathy (หรือ Maple fork) จัดเซสชันการตั้งค่าที่สมาชิกแต่ละคนเรียกใช้ autoresearch loop ตัวอย่างบนชุดข้อมูลของเล่น (เช่น ชุดย่อย CIFAR-10) เพื่อตรวจสอบสภาพแวดล้อม
  • การเลือกชุดข้อมูล: ตัดสินใจเลือกงานเริ่มต้น 1–3 งาน (เช่น การจำแนก OCT, การลุกลามของ VF) สำหรับแต่ละงาน มอบหมายทีมเล็กๆ เพื่อเตรียมข้อมูล: เช่น ทีมหนึ่งดาวน์โหลดภาพ RIM-ONE (github.com) อีกทีมหนึ่งดึงข้อมูล GRAPE fields (www.nature.com) อีกทีมหนึ่งรวบรวมบทคัดย่อวรรณกรรม ทีมควรแบ่งข้อมูล 80/20 และสร้าง prepare.py stubs
  • โมเดลพื้นฐาน: สำหรับแต่ละงาน กำหนด train.py อย่างง่าย: เช่น CNN ขนาดเล็กสำหรับ RIM-ONE, MLP สำหรับ VFs เลือกเมตริกการประเมิน (AUC, Dice, MSE)
  • การร่าง program.md เริ่มต้น: แต่ละทีมเขียนไฟล์คำแนะนำเริ่มต้น (program.md) ระบุเป้าหมายและการเปลี่ยนแปลงที่อนุญาต ตัวอย่างเช่น สำหรับ RIM-ONE: “เพิ่ม AUC การตรวจจับต้อหินให้สูงสุด” สำหรับ GRAPE: “ลด VF MSE ให้เหลือน้อยที่สุด”

• สัปดาห์ที่ 3–6: วงจรการทดลองครั้งแรก

  • เรียกใช้ autoresearch Loops: แต่ละกลุ่มย่อยเรียกใช้ agent ในงานของตนข้ามคืน (ประมาณ 100 การทำงาน 5 นาที) ใช้ program.md เดียวเพื่อเริ่มต้น จากนั้นให้ผู้เข้าร่วมเพิ่มการเปลี่ยนแปลง (เช่น “program_temp1.md”)
  • รวบรวมผลลัพธ์: ทุกเช้า ทีมจะตรวจสอบบันทึก (repo จะบันทึกการทำงานแต่ละครั้งโดยอัตโนมัติ) บันทึกเมตริกที่ดีที่สุดที่ทำได้ พารามิเตอร์โมเดลในขณะนั้น และการเปลี่ยนแปลงที่น่าสังเกตใดๆ ที่ agent พบ เพื่อความโปร่งใส ให้ส่งผลลัพธ์เหล่านี้ไปยัง GitHub ที่ใช้ร่วมกัน (อาจเป็นในรูปแบบ CSV หรือ JSON)
  • การวนซ้ำและข้อเสนอแนะ: เปรียบเทียบการทำงาน มีกลยุทธ์ใดที่เอาชนะค่าพื้นฐานได้อย่างมีนัยสำคัญหรือไม่? หากทีมย่อยเห็นความคืบหน้าน้อย พวกเขาควรปรับ program.md (เช่น ปรับการเปลี่ยนแปลงอัตราการเรียนรู้ให้รุนแรงขึ้น) ทุกสุดสัปดาห์ สังเคราะห์ผลการค้นพบในการประชุมชุมชน
  • เครื่องมือ: ใช้ Git สำหรับการควบคุมเวอร์ชันบน program.md และบนเทมเพลตโค้ด พิจารณา Google Sheet หรือตาราง wiki ที่ใช้ร่วมกันสำหรับกระดานผู้นำ (เช่น “OCT-AUC: ดีที่สุด=0.85 โดย Alice; VF-RMSE: ดีที่สุด=2.1 โดย Bob”) สิ่งนี้กระตุ้นการแข่งขันที่ดีและความโปร่งใส

• สัปดาห์ที่ 7–12: การปรับปรุงและการเผยแพร่

  • ปรับปรุงการทดลอง: จากผลลัพธ์เบื้องต้น ให้ปรับปรุงงานที่มีแนวโน้มดี ตัวอย่างเช่น หากตัวจำแนก RIM-ONE ได้รับ AUC สูงกว่า 0.90 – ตอนนี้ลองเพิ่มการเพิ่มข้อมูลหรือเครือข่ายที่ลึกขึ้นเล็กน้อย กระตุ้นให้มีการแตกแขนง: บางคนสามารถลองสถาปัตยกรรมที่แตกต่างกัน (เช่น Vision Transformer tiny แทน CNN) Agents สามารถเรียกใช้ program.md หลายตัวแปรพร้อมกันได้
  • การสังเคราะห์ผลลัพธ์: สร้างรายงานสั้นๆ ในแต่ละโดเมน (OCT, VF ฯลฯ) สรุปสิ่งที่ได้ผล ตัวอย่างเช่น “เราปรับปรุง Dice ของการแบ่งส่วน GCC จาก 0.60 เป็น 0.75 โดยการเปลี่ยนจาก ReLU เป็น GELU activation” ใช้ภาษาที่เข้าใจง่ายเพื่อให้ผู้ที่ไม่ใช่ผู้เชี่ยวชาญสามารถติดตามได้ (คำศัพท์สำหรับคำศัพท์ ML)
  • การนำเสนอต่อชุมชน: ภายในสัปดาห์ที่ 10 เขียนบล็อกโพสต์หรือสไลด์เพื่อสรุปความคิดริเริ่มจนถึงปัจจุบัน เน้นย้ำผลการค้นพบที่สำคัญ (แม้แต่ผลลัพธ์ “null” ก็มีประโยชน์ที่จะแบ่งปัน) เชิญชวนความคิดเห็นจากฟอรัมออนไลน์; อาจติดต่อกับนักวิจัยเพื่อขอความคิดเห็น (“เราพบว่าการปรับแต่งเครือข่ายประสาท X ช่วยจำแนกต้อหินระยะเริ่มต้น – มีความคิดเห็นหรือไม่ว่าสิ่งนี้สอดคล้องกับสรีรวิทยาหรือไม่?”)
  • วางแผนการเผยแพร่: ระบุห้องปฏิบัติการจักษุวิทยาหรือแพทย์หนึ่งหรือสองรายที่สนใจร่วมมือ ติดต่อกับผลลัพธ์เบื้องต้น ตัวอย่างเช่น เชื่อมต่อกับผู้เขียนชุดข้อมูล HYGD หรือทีม GRAPE บน Twitter/LinkedIn กล่าวถึงผลการค้นพบของพลเมืองของคุณ สำรวจความเป็นไปได้ในการตรวจสอบร่วมกัน (เช่น ส่งน้ำหนักโมเดลที่ได้รับการฝึกอบรมให้พวกเขาเพื่อทดสอบกับข้อมูลของพวกเขา)

• เกิน 12 สัปดาห์: ขั้นตอนต่อไป

  • ดำเนินการวนซ้ำในงานที่มีแนวโน้มมากที่สุดและงานใหม่ๆ ต่อไป ตัวอย่างเช่น หาก RIM-ONE ให้ผลลัพธ์ที่ดี ให้ดำเนินการกับ REFUGE ต่อไป อาจสร้างโมเดลผสม (ensemble ของ CNNs)
  • ทำให้หน้าโครงการหรือ preprint เป็นทางการเพื่ออธิบายความพยายาม
  • พิจารณาจัดการ hackathon เพื่อดึงดูดความคิดเห็นเพิ่มเติม อาจร่วมกับองค์กรการกุศลด้านต้อหิน

ด้วยการจัดโครงสร้างเช่นนี้ ชุมชนสามารถก้าวหน้าอย่างมั่นคง เรียนรู้ร่วมกัน และเริ่มเชื่อมโยงกับผู้เชี่ยวชาญได้ภายใน 90 วัน

7. ความเสี่ยง ข้อจำกัด และการประเมินอย่างตรงไปตรงมา

แนวคิด autoresearch-for-glaucoma เป็นความทะเยอทะยานที่ต้องอาศัยความซื่อสัตย์เกี่ยวกับข้อผิดพลาดที่อาจเกิดขึ้น:

• ความเสี่ยงของการ Overfitting และรูปแบบที่ผิดพลาด: โมเดลขนาดเล็กบนชุดข้อมูลขนาดเล็กและมีสัญญาณรบกวนมักจะยึดติดกับความบังเอิญ Agent อาจพบการปรับแต่งที่ปรับปรุง AUC ของชุดข้อมูลตรวจสอบเพียงแค่โดยการ overfitting กับลักษณะเฉพาะ ตัวอย่างเช่น หากชุดย่อยของภาพมีเครื่องหมายกำกับที่ละเอียดอ่อน เครือข่ายอาจใช้สิ่งนั้นแทนคุณลักษณะต้อหินที่แท้จริง ซึ่งนำไปสู่ “การหลอกลวงด้วย gradient descent” เพื่อบรรเทา:

  • ใช้ชุดข้อมูลทดสอบที่แยกต่างหากเสมอ (แยกออกจากส่วนการปรับแต่งใดๆ อย่างสิ้นเชิง) สำหรับการประเมินขั้นสุดท้าย
  • จำกัดความซับซ้อน: เก็บโมเดลให้พอเหมาะ และสังเกตว่า agent ทำให้เครือข่ายลึกหรือกว้างเกินเหตุผลหรือไม่
  • หากโมเดลได้คะแนนเกือบสมบูรณ์เร็วเกินไป ให้ตั้งคำถาม
  • ใช้การตรวจสอบความถูกต้อง: เช่น สลับป้ายกำกับและดูว่า AUC ลดลงไปที่ค่าสุ่มหรือไม่ (ถ้าไม่แสดงว่ามีข้อมูลรั่วไหล)

• อคติและคุณภาพข้อมูล: ชุดข้อมูลต้อหินสาธารณะมักมาจากประชากรที่จำกัด (เช่น ORIGA จากสิงคโปร์) (pubmed.ncbi.nlm.nih.gov) โมเดลที่ปรับแต่งมาเพื่อสิ่งเหล่านั้นอาจไม่สามารถใช้ได้ทั่วไป การทดลองของพลเมืองควรบันทึกข้อจำกัดนี้ไว้ ในอุดมคติ ควรใช้ชุดข้อมูลหลายชุด (จากกลุ่มตัวอย่างที่แตกต่างกัน) เพื่อตรวจสอบว่าผลการค้นพบมีความแข็งแกร่งหรือไม่

• ข้อมูลผิดพลาด (“Research Theater”): การทดลองจำนวนมากให้ความรู้สึกว่ามีประสิทธิผล แต่หากการปรับปรุงทั้งหมดเป็นเพียงบนชุดข้อมูลสังเคราะห์หรือชุดข้อมูลที่ไม่สำคัญ ก็อาจไม่เป็นประโยชน์ต่อผู้ป่วย เพื่อหลีกเลี่ยงสิ่งนี้:

  • มุ่งเน้นไปที่งานที่มีความเกี่ยวข้องทางคลินิก (เช่น การตรวจหาต้อหินระยะเริ่มต้นจาก OCT ทั่วไป)
  • เชื่อมโยงผลลัพธ์กับการวัดผลจริงเมื่อเป็นไปได้ (เช่น AUC สำหรับการลุกลาม ไม่ใช่แค่การเปลี่ยนแปลง loss เพียงเล็กน้อย)
  • ให้ความสำคัญกับการตีความ: หาก agent “พบ” ตัวบ่งชี้ทางชีวภาพใหม่ พยายามให้แน่ใจว่ามันสมเหตุสมผล (เช่น มันเน้นไปที่การเปลี่ยนแปลงทางกายวิภาคที่รู้จักหรือไม่?)

• ไม่มีการรับประกันทางคลินิก: ต้องชัดเจนอย่างยิ่งว่า: ผลลัพธ์จากวงจรเหล่านี้คือ การสร้างสมมติฐาน ไม่ใช่คำแนะนำทางการแพทย์ โมเดลที่แนะนำยาใหม่จะต้องได้รับการตรวจสอบในห้องปฏิบัติการก่อนที่จะนำไปใช้กับผู้ป่วย การอ้างสิทธิ์เกินจริงเป็นอันตราย ติดป้ายกำกับผลลัพธ์ที่แบ่งปันทั้งหมดด้วยข้อสงวนสิทธิ์: “นี่คือการสำรวจด้วย AI และไม่ใช่ผลการค้นพบที่ผ่านการตรวจสอบโดยผู้ทรงคุณวุฒิ”

• ข้อจำกัดของ “โมเดลขนาดเล็ก”: เครือข่ายขนาดเล็กมากมีความจุจำกัด พวกเขาอาจพลาดรูปแบบที่ซับซ้อน ในทางตรงกันข้าม โมเดลขนาดใหญ่มักจะพบความก้าวหน้าแต่ต้องการข้อมูลจำนวนมาก ในที่นี้เรายอมรับขอบเขตที่จำกัด: หวังว่าการปรับปรุงเล็กน้อยก็สามารถนำทางการวิจัยได้ แต่เราไม่ควรคาดหวังว่าโมเดลเหล่านี้จะมาแทนที่ deep learning บนข้อมูลขนาดใหญ่ พวกมันเก่งที่สุดในการลองใช้แนวคิดที่ชัดเจนอย่างรวดเร็ว

• ความน่าเชื่อถือของ Agent: Agent (เช่น GPT-4) อาจหลงผิดหรือเบี่ยงเบนไปจากแนวทาง สิ่งสำคัญคือผลลัพธ์จะต้องสามารถทำซ้ำได้: หลังจากการทำงานของ agent มนุษย์ควรตรวจสอบว่ามีการเปลี่ยนแปลงอะไรที่ถูกเก็บไว้ และเรียกใช้การฝึกอบรมซ้ำเพื่อยืนยันเมตริก ทำให้ agent ซื่อสัตย์โดยรวมคำสั่งใน program.md เช่น “ยอมรับเฉพาะการปรับปรุงที่แท้จริงในเมตริกการประเมินเท่านั้น”

แม้จะมีความท้าทายเหล่านี้ การป้องกันหลักคือ ความโปร่งใสและการติดตามผลอย่างละเอียด บันทึกทุกสิ่ง เมื่อโมเดลแสดงรูปแบบ ให้ตรวจสอบ หากนักวิทยาศาสตร์พลเมืองหลายคนเห็นความผิดปกติเดียวกัน (เช่น โมเดล AUC สูงทั้งหมดสำหรับงาน OCT เน้นบริเวณจอประสาทตาส่วนจมูก) สิ่งนั้นจะเสริมความแข็งแกร่งของกรณี เป้าหมายคือการเร่ง ขั้นตอนการสร้างแนวคิด ไม่ใช่การหลีกเลี่ยงวิทยาศาสตร์ที่รอบคอบหลังจากนั้น

บทสรุป

ต้อหินเป็นโรคตาบอดที่ซับซ้อนและเงียบงันซึ่งมีความต้องการด้านการวิจัยที่ไม่ได้รับการตอบสนองมากมาย – ตั้งแต่การปกป้องเซลล์ประสาทไปจนถึงการฟื้นฟูการมองเห็น ในขณะเดียวกัน AI ได้ทำให้การทดลองเป็นประชาธิปไตย: คนคนหนึ่งที่มี GPU และความมุ่งมั่นสามารถทำการค้นหาไฮเปอร์พารามิเตอร์อัตโนมัติที่ต้องใช้ทีมหลายสัปดาห์หากทำด้วยตนเอง กรอบการทำงาน autoresearch ของ Karpathy โดยพื้นฐานแล้วคือการมอบผู้ช่วยห้องปฏิบัติการ AI ให้กับพลเมืองแต่ละคน ด้วยการเขียนเป้าหมายระดับสูงที่ชัดเจนใน Markdown นักวิจัยในชุมชนสามารถปล่อยให้ agent ทำงานหนักและตรงไปยังแนวโน้มที่มีศักยภาพ

เราได้สรุปว่าสิ่งนี้สามารถทำได้อย่างไรในทางปฏิบัติ: การระบุงาน ML ต้อหิน การเลือกข้อมูล (ภาพจอตาและ OCT, ลานสายตา, ชุดข้อมูลโมเลกุล) การกำหนดโมเดลและเมตริก และการใช้คำแนะนำโปรแกรมเพื่อนำทางการค้นหา เราได้ร่างแผนงานชุมชน 90 วันและบันทึกการเชื่อมโยงกับแพทย์เพื่อให้แน่ใจว่าผลลัพธ์ที่มีคุณค่าสามารถแจ้งให้เกิดวิทยาศาสตร์ต้อหินที่แท้จริงได้ แนวทางนี้เป็น “วิทยาศาสตร์พลเมือง” อย่างมาก: การเปิดเครื่องมือการค้นพบทางวิทยาศาสตร์ในลักษณะที่เข้าถึงได้ ในขณะที่ยังคงต้องพึ่งพาการกำกับดูแลจากผู้เชี่ยวชาญในส่วนที่สำคัญ

การอ้างอิง: เราได้อ้างอิงแหล่งข้อมูลล่าสุดทั้งในการวิจัยต้อหินและ AI ข้อเท็จจริงสำคัญ (การแพร่กระจายของโรค, ครึ่งหนึ่งไม่ได้รับการวินิจฉัย (physionet.org)), การบำบัดที่มีแนวโน้มดี (การฝัง CNTF (pmc.ncbi.nlm.nih.gov), การแก้ไขยีน (pmc.ncbi.nlm.nih.gov)), และข้อผิดพลาดที่อาจเกิดขึ้น (AI ในการถ่ายภาพ (pmc.ncbi.nlm.nih.gov)) ล้วนมีพื้นฐานมาจากวรรณกรรมปัจจุบัน Autoresearch เองได้รับการอธิบายในการนำเสนอของ Karpathy (medium.com) และการทบทวน (www.theneuron.ai) สิ่งเหล่านี้ควรเพิ่มความน่าเชื่อถือให้กับวิสัยทัศน์ที่นำเสนอในที่นี้

ในท้ายที่สุด เราหวังว่าผู้อ่านจะรู้สึกมีพลัง: หากคุณเป็นผู้ป่วย ผู้ดูแล หรือผู้ที่ชื่นชอบงานอดิเรกที่มีความหลงใหล คุณสามารถเป็นส่วนหนึ่งในการขับเคลื่อนการวิจัยต้อหินไปข้างหน้าได้ เครื่องมือและข้อมูลมีอยู่ ปัญหาชัดเจน และด้วยการประสานงานและ AI agent เราสามารถเร่งการเรียนรู้ได้ เช่นเดียวกับการวิจัยใดๆ การเดินทางจะมีการเริ่มต้นที่ผิดพลาด แต่แม้แต่ความล้มเหลวก็สอนบางสิ่งแก่เรา – มักจะนำทางความคิดของมนุษย์ไปสู่แนวทางที่ถูกต้อง ด้วยสายตาที่เปิดกว้างต่อทั้งความเป็นไปได้และข้อผิดพลาด autoresearch ที่นำโดยพลเมืองอาจกลายเป็นส่วนเสริมที่มีประสิทธิภาพสำหรับวิทยาศาสตร์ต้อหินแบบดั้งเดิม

เริ่มต้นที่นี่

วิธีที่ง่ายที่สุดในการเริ่มต้นกับ autoresearch สำหรับต้อหิน วันนี้: เรียกใช้การจำแนกประเภทขนาดเล็กบนภาพจอตา ORIGA

1. รับข้อมูล: ดาวน์โหลดชุดข้อมูล ORIGA-light (ภาพจอตา 650 ภาพที่ติดป้ายกำกับ ปกติ เทียบกับ ต้อหิน) (pubmed.ncbi.nlm.nih.gov) แบ่งข้อมูลประมาณ ~80% สำหรับการฝึกอบรม / 20% สำหรับการตรวจสอบ

2. โมเดลเริ่มต้น: ใช้หรือปรับสคริปต์ตัวอย่างจาก [karpathy/autoresearch] สำหรับการจำแนกภาพ ตัวอย่างเช่น โค้ดเล็กน้อยเพื่อโหลดภาพ ORIGA และฝึกอบรม CNN ขนาดเล็ก (2–3 ชั้นคอนโวลูชั่น) เพื่อแยกแยะต้อหินเทียบกับปกติ

3. เขียน program.md: ในข้อความ ให้ตั้งเป้าหมายเป็น “เพิ่ม AUC ในการตรวจสอบสูงสุดสำหรับการตรวจจับต้อหิน” และสั่งให้ agent ปรับแต่งความลึกของโมเดล, อัตราการเรียนรู้ ฯลฯ ตัวอย่างเช่น:

   เป้าหมาย: เพิ่ม AUC ในการตรวจสอบสูงสุดบนชุดข้อมูล ORIGA สำหรับต้อหินเทียบกับปกติ

   Agent ควรพยายามปรับขนาดเลเยอร์คอนโวลูชั่น, จำนวนฟิลเตอร์ และอัตราการเรียนรู้ การทดลองแต่ละครั้งใช้เวลาฝึกอบรม 5 นาที หาก AUC ในการตรวจสอบดีขึ้น ให้เก็บการเปลี่ยนแปลงนั้นไว้ ทำซ้ำ

4. เรียกใช้ loop: เริ่ม autoresearch (ชี้ไปที่ prepare.py, train.py, และ program.md ของคุณ) ปล่อยให้มันทำงานหลายชั่วโมงหรือข้ามคืนบน RTX 3060 ของคุณ มันจะทำการทดลองประมาณ ~100 ครั้งโดยอัตโนมัติ

5. ตรวจสอบผลลัพธ์: ตรวจสอบคอนโซลหรือบันทึกเพื่อดู AUC ในการตรวจสอบที่ดีที่สุดที่ทำได้ (ควรจะ >0.8 หากทุกอย่างเป็นไปด้วยดี) ตอนนี้คุณมีโมเดลและสคริปต์การฝึกอบรมที่ AI agent ได้ปรับปรุงแล้ว

การทดลองง่ายๆ ในช่วงสุดสัปดาห์นี้จะช่วยให้คุณได้รับประสบการณ์ตรงในการสร้าง pipeline ML โดยไม่ต้องเขียนโค้ดใหม่ด้วยมือ บันทึกสิ่งที่คุณได้ลองและแบ่งปัน program.md และผลลัพธ์ของคุณกับชุมชน ความสำเร็จเล็กๆ น้อยๆ แต่ละครั้ง (การเพิ่มขึ้นของ AUC, การเปลี่ยนแปลงเครือข่ายที่น่าสนใจ) เป็นส่วนประกอบสำคัญ คุณกำลังสั่งให้ AI ทำการวิจัย ในปัญหาต้อหินที่คุณเลือก – และในการทำเช่นนั้น คุณจะได้เรียนรู้ทั้งวิทยาการข้อมูลต้อหินและมีความหวังที่จะสร้างความแตกต่างในการทำความเข้าใจหรือการรักษาการสูญเสียการมองเห็น

ขอให้โชคดี! รักษาคำถามและผลการค้นพบของคุณให้เป็น open-source และจำไว้ว่า: นี่คือเครื่องมือสำหรับการวิจัย ไม่ใช่คำแนะนำทางการแพทย์ ตรวจสอบการทำงานของคุณอย่างรอบคอบและเพลิดเพลินไปกับกระบวนการค้นพบ

**`