อีกก้าวของคนไทยสร้างนวัตกรรมพิชิตมะเร็งเพื่อมนุษยชาติ ตอบโจทย์แนวเศรษฐกิจ BCG และหนุนการก้าวเป็นเมดิคัลฮับ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยมหิดล คิดค้น นวัตกรรม ‘อนุภาคคาร์บอนเรืองแสง’ จากสารชีวพอลิเมอร์ทะลายปาล์ม เพื่อส่งยารักษามะเร็งลำไส้แบบมุ่งเป้า (Synthesis of Fluorescent Carbon Dots Derived From Palm Empty Fruit Bunch For The Targeted Delivery of Anti-Cancer)

โดยงานวิจัยได้รับการตีพิมพ์ในวารสารนานาชาติ Nature.com ชูธงนาโนเทคโนโลยีผสานวิศวกรรมเคมีขั้นสูง และชีวพอลิเมอร์ที่ไม่เป็นพิษต่อร่างกาย อีกทั้งเพิ่มมูลค่าวัสดุการเกษตรเหลือทิ้งมาใช้ประโยชน์ทางการแพทย์

รศ.ดร.จักรกฤษณ์ ศุทธากรณ์ คณบดีคณะวิศวกรรมศาสตร์ มหาวิทยาลัยมหิดล กล่าวว่า โรคมะเร็งถือเป็นหนึ่งในสาเหตุของการเสียชีวิตอันดับต้นของประชากรที่มีอายุต่ํากว่า 70 ปี โดยในปี 2018 พบจํานวนผู้ป่วยใหม่ทั่วโลกมากถึง 18 ล้านคน ส่วนประเทศไทยมีผู้ป่วยใหม่ปีละ 1.4 แสนคน และเสียชีวิตปีละกว่า 8 หมื่นคน โดยมี 5 โรคมะเร็งที่คร่าชีวิตสูงสุด คือ มะเร็งตับ มะเร็งลำไส้ มะเร็งปอด มะเร็งปากมดลูก มะเร็งเต้านม การวิจัยพัฒนานวัตกรรมของคนไทยนี้เป็นที่น่าภาคภูมิใจและได้รับความสนใจจากนานาประเทศโดยได้รับการตีพิมพ์ในวารสารวิทยาศาสตร์ชั้นนำของโลก Nature.com ทั้งนี้ทีมนักวิจัยไทย 5 คน ประกอบด้วย รศ.ดร.จุฬารัตน์ ศักดารณรงค์ หัวหน้าโครงการวิจัย ดร.สุธิดา บุญสิทธิ์ ดร.สาคร ราชหาด อาจารย์ประจำภาควิชาวิศวกรรมเคมี คณะวิศวกรรมศาสตร์ มหาวิทยาลัยมหิดล อมรรัตน์ แสงจันทร์ นักศึกษา ป.โท สาขาวิศวกรรมเคมี ม.มหิดล และ ดร.กนกวรรณ ศันสนะพงษ์ปรีชา หน่วยปฏิบัติการเวชศาสตร์นาโน ศูนย์นาโนเทคโนโลยีแห่งชาติ สนง.พัฒนาวิทยาศาสตร์และเทคโนโลยีแห่งชาติ งานวิจัยนี้ได้รับการสนับสนุนโดยทุนอัจฉริยภาพนักวิจัยรุ่นกลาง สำนักงานคณะกรรมการวิจัยแห่งชาติ (วช.)

รศ.ดร.จุฬารัตน์ ศักดารณรงค์ หัวหน้าโครงการวิจัย อาจารย์ประจำภาควิชาวิศวกรรมเคมี คณะวิศวกรรมศาสตร์ มหาวิทยาลัยมหิดล กล่าวถึงที่มาของงานวิจัยว่า วิธีการรักษาโรคมะเร็งในปัจจุบันมีหลายวิธี อาทิ การผ่าตัดเอาเนื้อร้ายออก การฉายรังสีบําบัด และเคมีบําบัดซึ่งยังมีข้อด้อย เนื่องจากสารออกฤทธิ์ที่กว่าจะไปถึงเป้าหมายจะเหลือปริมาณตํ่า จึงต้องใช้ยาในปริมาณที่สูงขึ้น ซึ่งส่งผลกระทบต่อเซลล์ปกติ ทำให้ผู้ป่วยเกิดอาการข้างเคียงต่างๆ เราจึงมีแนวคิดในการพัฒนา ’นาโนเทคโนโลยี’ สำหรับการรักษาโรคมะเร็งแบบมุ่งเป้า โดยใช้ ‘อนุภาคนาโน’ เป็นวัสดุในการนำส่งยาต้านมะเร็ง (Drug Delivery) สู่เซลล์เป้าหมาย ซึ่งเป็นอีกหนึ่งวิธีการรักษาที่ได้รับความสนใจอย่างมาก จากการศึกษาวิเคราะห์พบว่าอนุภาคคาร์บอน (Carbon Dots) มีคุณสมบัติความเข้ากันได้ทางชีวภาพ ความเป็นพิษต่ำ มีความสามารถในการละลายน้ำสูง พื้นที่ผิวสูง ปรับปรุงหมู่ฟังก์ชันพื้นผิวได้ง่าย มีขนาดเฉลี่ยต่ำกว่า 10 นาโนเมตร ซึ่งเป็นขนาดที่เหมาะสม สามารถเคลื่อนที่เข้าไปในเซลล์ได้ดี และมีคุณสมบัติในการเรืองแสงหลายสีตามหมู่ฟังก์ชันที่ดัดแปลงซึ่งจะช่วยติดตามการบำบัดรักษาได้ว่ายาอยู่ส่วนไหนของร่างกาย

ทีมวิจัยจึงคิดค้น นวัตกรรม ‘อนุภาคคาร์บอนเรืองแสงจากสารชีวพอลิเมอร์ทะลายปาล์ม เพื่อส่งยารักษามะเร็งแบบมุ่งเป้า’ ซึ่งการใช้อนุภาคคาร์บอน ที่เป็นวัสดุนาโน ในการนําส่งยาเข้าสู่ร่างกาย เพื่อเข้าไปขัดขวางและยับยั้งการเจริญเติบโตของเซลล์มะเร็ง รวมถึงจํากัดบริเวณเพื่อให้ยาออกฤทธิ์เฉพาะที่อย่างแม่นยำ ซึ่งช่วยลดผลกระทบต่อเซลล์ปกติโดยรอบได้ และลดผลข้างเคียงจากการรักษาได้ สำหรับการสังเคราะห์อนุภาคคาร์บอนได้ทดลองพัฒนาด้วยหลากหลายกระบวนการ ในที่สุดทีมวิจัยได้เลือกใช้กระบวนการไฮโดรเทอมัล คาร์บอไนเซชัน เนื่องจากมีประสิทธิภาพ ต้นทุนต่ำ มีศักยภาพในการขยายขนาดในภาคอุตสาหกรรม เป็นมิตรต่อสิ่งแวดล้อม และง่ายต่อการสังเคราะห์อนุภาคคาร์บอนใหม่ๆ จากสารตั้งต้นอื่นๆในอนาคต อาทิ เปลือกส้ม เปลือกมะม่วง ฟางข้าว นม สาหร่าย กรดซิตริค กรดโฟลิค ยูเรีย กลีเซอรอล เป็นต้น รวมทั้งใช้พลังงานต่ำและไม่ต้องปรับสภาพหรืออบแห้งชีวมวล

จุดเด่นของการสังเคราะห์อนุภาคคาร์บอนจากทะลายปาล์ม ซึ่งเป็นวัสดุระดับนาโนจากชีวมวลเหลือจากอุตสาหกรรมปาล์มน้ำมันนำมาหมุนเวียนใช้ประโยชน์และเพิ่มมูลค่าทางอุตสาหกรรมการแพทย์ โดยนำมาเป็นสารตั้งต้นในอุตสาหกรรมการผลิตอนุภาคคาร์บอน ทั้งนี้โครงสร้างหลักของทะลายปาล์ม คือกลุ่มของลิกโนเซลลูโลส (Lignocellulose) ที่ประกอบด้วยเซลลูโลส (Cellulose) 35-50% เฮมิเซลลูโลส (Hemicellulose) 20-35% และลิกนิน (Lignin) 10-25% ซึ่งเมื่อผ่านกระบวนการปรับสภาพและแยกองค์ประกอบจะเป็นอนุภาคคาร์บอนที่ดี

รศ.ดร.จุฬารัตน์ ศักดารณรงค์ กล่าวสรุปผลวิจัยว่า อนุภาคคาร์บอน (Carbon Dots) ที่ผลิตจากกระบวนการนี้จะเป็นสารละลายสีน้ำตาล จากการศึกษาพบว่าเมื่อนำอนุภาคคาร์บอนมากระตุ้นด้วยแสง UV จะให้ผลได้ควอนตัม และคุณสมบัติในการเรืองแสงสูงสุด ในกระบวนการนำส่งยาต้านมะเร็งสู่เซลล์มะเร็งเป้าหมาย จึงได้ทำปฏิกิริยาการเชื่อมโยงหมู่ฟังก์ชัน COOH บนอนุภาคคาร์บอนเข้ากับหมู่ OH ของโมเลกุลพอลิเอทิลีนไกลคอลที่ขนาดโมเลกุลต่างๆ และ NH2 ของยาต้านมะเร็ง ได้แก่ Doxorubicin จากนั้น การนำส่งยาจะถูกทดสอบกับเซลล์มะเร็งในหลอดทดลองเปรียบเทียบกับเซลล์ปกติ ด้วยนาโนเทคโนโลยีการเชื่อมขวางอนุภาคคาร์บอนเข้ากับ ’โปรตีนจำเพาะ’ ซึ่งจะไปต่อเข้ากับ ‘ตัวรับ’ หรือ ‘รีเซ็ปเตอร์’ ของเซลล์มะเร็ง เพิ่มประสิทธิภาพการนำส่งยาเข้าสู่เป้าหมายได้แม่นยำ ในอนาคตจะนำไปสู่การทดลองกับสัตว์และมนุษย์ต่อไป

ประโยชน์ของนวัตกรรม ‘อนุภาคคาร์บอนเรืองแสงจากสารชีวพอลิเมอร์ทะลายปาล์ม เพื่อส่งยารักษามะเร็งลำไส้แบบมุ่งเป้า’ เพิ่มอัตราการรอดชีวิตของผู้ป่วยโรคมะเร็งที่มีอัตราผู้ป่วยสูง เช่น มะเร็งลำไส้ ลดเวลาจากการรักษาโรคมะเร็งด้วยวิธีเคมีบำบัดแบบดั้งเดิม โดยเพิ่มทางเลือกในการรักษาด้วย ‘เคมีบำบัดแบบมุ่งเป้า’ ต้นทุนต่ำ และมีราคาถูก ไม่มีพิษต่อร่างกาย ลดความเหลื่อมล้ำช่วยให้ประชากรในประเทศสามารถเข้าถึงการรักษาที่มีประสิทธิภาพได้ทั่วถึง ส่งเสริมเทคโนโลยีการผลิตจากวัตถุดิบการเกษตรที่มีในประเทศ ลดการนำเข้าวัสดุนำส่งยาที่มีราคาแพง ตลอดจนโอกาสต่อยอดในอุตสาหกรรมการแพทย์และส่งเสริมประเทศไทยก้าวเป็นเมดิคัลฮับ โดยสอดคล้องกับแนวทาง BCG ของประเทศไทยและกลุ่มภูมิภาค APEC อีกด้วย

นับเป็นความหวังและทางเลือกใหม่ในการบำบัดรักษาผู้ป่วยโรคมะเร็งในไทยและเพื่อนมนุษย์

โลกแห่งศตวรรษที่ 21 นั้น เทคโนโลยีปัญญาประดิษฐ์ (AI) และ Machine Learning (ML) ได้รับความนิยมเป็นซูเปอร์ฮิตราวกับแก้วสารพัดนึก แต่ยังมีคำถามว่าปลอดภัยไว้วางใจได้ 100% หรือไม่ ?

ทีมวิจัยไทย-ญี่ปุ่น โดย คณะวิศวกรรมศาสตร์ มหาวิทยาลัยมหิดล ร่วมกับ สถาบันวิทยาศาสตร์และเทคโนโลยีขั้นสูงแห่งประเทศญี่ปุ่น หรือ JAIST (Japan Advanced Institute of Science and Technology) เปิดผลวิจัยสุดเซอร์ไพรส์โดยได้รับการตีพิมพ์ในวารสารนานาชาติ เรื่อง การโจมตีการเรียนรู้ของเครื่องผ่านรูปแบบตัวอย่างปฏิปักษ์ (Attacking Machine Learning With Adversarial Examples) ชี้ให้เห็นว่า Machine Learning ยังมีช่องโหว่ภัยความเสี่ยงจากการโดนโจมตีที่จะสร้างความเสียหายได้ ตอกย้ำว่าแม้เทคโนโลยีจะเลิศล้ำเพียงใด ยังจำเป็นต้องมีมนุษย์ตรวจสอบเพื่อยืนยันผลลัพธ์ที่เชื่อถือได้

รศ.ดร.จักรกฤษณ์ ศุทธากรณ์ คณบดีคณะวิศวกรรมศาสตร์ มหาวิทยาลัยมหิดล กล่าวว่า ปัจจุบันเทคโนโลยี AI และ Machine Learning (ML) มีบทบาทในวิถีชีวิตของประชาชน การทำงานและหลายธุรกิจอุตสาหกรรม เช่น การแพทย์สุขภาพ ธุรกิจการค้า อีคอมเมิร์ซ ตลาดทุนการเงิน ยานยนต์ขนส่งโลจิสติกส์ โทรคมนาคม การผลิตในอุตสาหกรรม ฯลฯ  เช่นนั้นแล้ว ประเด็นความมั่นคงปลอดภัยจึงเป็นเรื่องสำคัญ ผลงานวิจัย การโจมตีการเรียนรู้ของเครื่องผ่านรูปแบบตัวอย่างปฏิปักษ์ นี้ได้รับการตีพิมพ์ในวารสารนานาชาติ Journal of Imaging นับเป็นงานวิจัยระดับนานาชาติที่ได้รับความสนใจอย่างสูงจากประชาคมโลก เนื่องจากเป็นครั้งแรกที่มีการออกแบบการโจมตี ML Model ในรูปแบบของ QR Code ซึ่งจะเป็นประโยชน์ต่อความมั่นคงปลอดภัยของบริการที่เข้าถึงประขาชนและองค์กรในวงการต่างๆ โดยทีมนักวิจัยไทย-ญี่ปุ่น จำนวน 3 คน จากการผนึกความร่วมมือระหว่างคณะวิศวกรรมศาสตร์ มหาวิทยาลัยมหิดล และสถาบันวิทยาศาสตร์และเทคโนโลยีขั้นสูงแห่งประเทศญี่ปุ่น (JAIST) ประกอบด้วย ดร. กรินทร์ สุมังคะโยธิน อาจารย์ภาควิชาวิศวกรรมคอมพิวเตอร์ คณะวิศวกรรมศาสตร์ ศ. โคตานิ คาซุโนริ และ ผศ. ปริญญา ศิริธนวันต์ จากสถาบัน JAIST

ดร. กรินทร์ สุมังคะโยธิน อาจารย์ภาควิชาวิศวกรรมคอมพิวเตอร์ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยมหิดล กล่าวถึงที่มาของงานวิจัย ว่า

AI ปัญญาประดิษฐ์เป็นการทำให้คอมพิวเตอร์หรือเครื่องจักรฉลาด ส่วนMachine Learning (ML) เป็นหนึ่งในกระบวนการเรียนรู้ของ AI โดยการนำเข้าข้อมูลสู่อัลกอริทึม เพื่อสร้างโครงข่ายการตัดสินใจในการคาดคะเนแนวโน้มหรือทำนายผลลัพธ์ คล้ายคลึงกับการตัดสินใจของมนุษย์ เพื่อลดภาระงานหนักและความผิดพลาดจากความเหนื่อยล้า ตัดสินใจได้รวดเร็วกว่าเมื่อเทียบกับการทำงานของมนุษย์

อย่างไรก็ตาม ความเข้าใจถึงโครงสร้างการตัดสินใจของเน็ตเวิร์คโมเดลของ Machine Learning นั้นยังคงคลุมเครือ และยังคงเป็นสิ่งที่ต้องทำการศึกษาต่อไป ทำให้ในปัจจุบัน Machine Learning สามารถถูกโจมตีผ่านความคลุมเครือดังกล่าวจากผู้ประสงค์ร้าย เพื่อใช้ประโยชน์จากผลลัพธ์ที่ผิดเพี้ยน ด้วยเหตุนี้ทีมนักวิจัยจึงทำการศึกษาวิจัยด้านการโจมตี ML โดยมี วัตถุประสงค์เพื่อศึกษารูปแบบการโจมตีโดยมุ่งเน้นการโจมตีที่สามารถหลบหลีกการสังเกตุจากมนุษย์ ซึ่งอาจจะสร้างความเสียหายหรือผลเสียได้อย่างมหาศาล ไม่ว่าจะเป็นแวดวงการเงิน การรักษาพยาบาล การสื่อสาร คมนาคมขนส่ง ระบบรักษาความปลอดภัยของข้อมูล ระบบการผลิต จนถึงระบบการป้องกันประเทศ

ทีมวิจัยวิศวะมหิดล - JAIST ใช้เวลาศึกษาวิจัยร่วมกันกว่า 3 ปี แม้จะมีอุปสรรคช่วงวิกฤติโควิด-19 แต่ก็สามารถทำงานผ่านระบบออนไลน์บนแพลตฟอร์มที่มีประสิทธิภาพระดับสูงของญี่ปุ่น เราได้ศึกษาวิเคราะห์และออกแบบ การโจมตีการเรียนรู้ของ ML ผ่านรูปแบบตัวอย่างปฏิปักษ์ บนสมมุติฐานโดยที่มีเป้าหมายในการโจมตี ML Model และสามารถหลบเลี่ยงการสังเกตจากมนุษย์ ทำให้ส่งผลกระทบต่อการตัดสินใจผิดพลาดของเครื่องจักร โดยการโจมตีนั้นสามารถมุ่งเป้าไปที่ผลลัพธ์ใดๆ ที่ถูกกำหนดไว้ล่วงหน้าได้ โดยเราได้กำหนดรูปแบบการโจมตีผ่านข้อมูลที่ถูกซ่อนใน ‘รูปแบบ QR-Code’ สำหรับฟังก์ชั่นการทำงาน ของการโจมตีในรูปแบบ Adversarial Examples เป็นการหลอก AI ให้สับสน โดยการใส่ข้อมูลปนเปื้อนลงไปในข้อมูลเป้าหมาย อาทิ ข้อมูลภาพ, ข้อมูลเสียง, ข้อมูลสัญญาณ หรือ ข้อมูลประเภทอื่นๆ โดยผลการโจมตีนั้นมีทั้งแบบการกำหนดผลลัพธ์จากการโจมตีไว้ล่วงหน้า หรือ ทำให้ผลลัพธ์คลาดเคลื่อนจากสิ่งที่ควรจะเป็นได้

สรุปผลการวิจัย สามารถบีบอัดให้ข้อมูลการโจมตีผ่านข้อมูลที่ถูกซ่อนใน QR-Code ที่สามารถแสกนได้ และยังคงความสามารถของการโจมตีแบบมุ่งเป้าหมายผลลัพธ์ได้เป็นอย่างดี นอกจากการใช้ในการทดสอบการโจมตี Machine Learning แล้ว งานวิจัยชิ้นนี้ยังสามารถนำมาใช้พัฒนา ระบบป้องกันและตรวจจับการโจมตีจากการวิเคราะห์โดย ML Model ในหลายๆ วัตถุประสงค์อีกด้วย เช่น ปกป้องความเป็นส่วนตัว ระบบป้องกันทางการทหาร อีกด้วย เป็นการพิสูจน์ให้เห็นว่าการตัดสินใจของ Machine Learning ควรใช้เป็นเพียงเครื่องมือและนวัตกรรมที่ช่วยลดภาระงานของมนุษย์เท่านั้น ท้ายสุดแล้วยังคงต้องได้รับการตรวจสอบจากมนุษย์ผู้เชี่ยวชาญเพื่อยืนยันผลลัพธ์เป็นขั้นตอนสุดท้าย

จากความสำเร็จของงานวิจัยชิ้นนี้ แผนในอนาคต ทีมวิจัยไทย-ญี่ปุ่น จะคิดค้นหาวิธีการที่สามารถโจมตีได้มีประสิทธิภาพในระดับสูงยิ่งขึ้นอีก เพื่อก้าวทันเทคโนโลยีใหม่ๆ ที่เปลี่ยนแปลงรวดเร็ว และยังคงไว้ซึ่งความสามารถในการทำงานของรูปแบบข้อมูลดั้งเดิม (เช่น การโจมตีในรูปแบบ QR-Code ต้อง Scan ได้ เป็นต้น) สำหรับวิธีป้องกันการโจมตีในอนาคต Adversarial Example Attack มี 2 แนวทาง ได้แก่ 1.ใช้การโจมตี Adversarial Example เพื่อปกป้องข้อมูลจากการถูกตรวจสอบที่ไม่ได้รับอนุญาต 2. ใช้ข้อมูลที่ได้จากการโจมตี Adversarial Example นำกลับมาเพื่อวิเคราะห์ถึงการโจมตี และออกแบบ Machine Learning โมเดลที่ทนทานต่อการโจมตีมากยิ่งขึ้น

ข้อแนะนำสำหรับในการใช้ Machine Learning อย่างปลอดภัย ให้พึงระวังเสมอว่า ข้อมูลนำเข้าอาจถูกปนเปื้อนการโจมตีมุ่งเป้าในรูปแบบต่างๆ เช่น Adversarial Example หรืออาจพ่วงมากับมัลแวร์ ดังนั้นการใช้ Machine Learning เพื่อการทำงานที่มั่นคงและปลอดภัย มีความจำเป็นต้องมีวาง ระบบการตรวจสอบผลลัพธ์สุดท้ายโดยผู้เชี่ยวชาญ เพื่อความถูกต้องที่เชื่อถือได้อีกครั้ง อย่าปล่อยให้ Machine ทำงาน 100% ในปัจจุบัน AI และ Machine Learning ยังมีข้อจำกัดและจะเป็นตัวช่วยที่ดีได้ก็ต่อเมื่อทั้งคนและเครื่องจักรมีการคิดและทำงานประสานกันอย่างสมดุล ไม่อ้างอิงฝ่ายใดฝ่ายหนึ่งมากจนเกินไป