Taking too long? Close loading screen.

สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน)

ปราบมะเร็งด้วย Big Data

Oct 31, 2022
"Big Data"

หลายคนคงไม่เคยทราบว่าการวิจัยวิทยาศาสตร์ชีวการแพทย์ (Biomedical Science) นั้นเป็นหนึ่งในงานที่สร้างข้อมูลปริมาณมหาศาลมาพักใหญ่ ๆ แล้ว จุดเริ่มต้นของการใช้งานข้อมูลขนาดใหญ่ หรือ “Big Data” ในงานชีวการแพทย์ก็คือการตั้งฐานข้อมูลเก็บลำดับเบสของสิ่งมีชีวิตชนิดต่าง ๆ ในช่วงทศวรรษ 1980 ทั้งลำดับเบสดีเอ็นเอ (GenBank) และลำดับโปรตีน (SwissProt/UniProt) โดยตั้งแต่ปี 1982 เป็นต้นมา มีลำดับเบสดีเอ็นเอเฉพาะของมนุษย์สะสมอยู่ในฐานข้อมูลสูงถึงสองหมื่นเจ็ดพันล้านเบสแล้ว ข้อมูลปริมาณมหาศาลแบบนี้นอกจากต้องใช้ทรัพยากรมหาศาลในการจัดเก็บและบำรุงรักษา การจะนำมาใช้งานก็ต้องใช้ทรัพยากรและระเบียบวิธีที่มหาศาลไม่แพ้กัน

และเมื่อพูดถึงโรคภัยไข้เจ็บของมนุษย์ หัวข้อวิจัยอันดับหนึ่งก็คือมะเร็งนั่นเอง ซึ่งสะท้อนได้จากจำนวนเงินที่หน่วยงานวิจัยสุขภาพที่ใหญ่ที่สุดในโลกอย่าง National Institutes of Health (NIH) โดยในปี 2019 นั้นเงินวิจัยที่จัดสรรให้กับโรคมะเร็งนั้นมาเป็นอันดับ 1 นำหน้าโรคติดเชื้อและโรคสมอง แต่สามปีหลังนี้เพราะโรคโควิด-19 ทำให้การจัดสรรเงินวิจัยโรคติดเชื้อสูงขึ้น ในปี 2021 จึงตกมาอยู่อันดับที่ 3 รองจากโรคติดเชื้อและโรคสมอง

แล้วหัวข้อหลักที่เกี่ยวกับการวิจัยมะเร็งมีอะไรบ้าง? ผมขอแบ่งเป็นสามหัวข้อหลักแบบนี้ครับ

  1. เพื่อศึกษาการเกิดมะเร็งในระดับโมเลกุล (Molecular Carcinogenesis)
  2. เพื่อตรวจจับมะเร็งให้ได้เร็วที่สุดและรุกล้ำให้น้อยที่สุดก่อนจะลุกลาม (Early and Non-/Less-Invasive Cancer Detection)
  3. เพื่อเลือกวิธีการรักษา/ยาให้เหมาะกับผู้ป่วยแต่ละคน (Cancer Precision Medicine)

การวิจัยมะเร็งเพื่อศึกษาการเกิดมะเร็งในระดับโมเลกุล (Molecular Carcinogenesis)

เริ่มที่หัวข้อแรกก่อนก็คือการศึกษาการเกิดมะเร็งในระดับโมเลกุล ในปี 2006 นั้นประเทศสหรัฐอเมริกาได้เริ่มโครงการศึกษามะเร็งในระดับโมเลกุลแบบครบวงจร (Comprehensive Molecular Study) โดยโครงการนี้เริ่มขึ้นหลังจากที่โครงการจีโนมมนุษย์นั้นได้ร่างเบื้องต้นของจีโนมมาในปี 2003 [หลายคนอาจจะคิดว่าเราได้จีโนมมนุษย์ที่สมบูรณ์มาตั้งแต่ปี 2003 แต่ในความเป็นจริงแล้วเราได้แค่ “ร่าง” (Draft) มาเท่านั้น มีความสมบูรณ์อยู่ที่ 85% ส่วนร่างที่สำเร็จสมบูรณ์แบบ ไม่มีช่องว่างในจีโนมใด ๆ แล้วนั้นเพิ่งเสร็จเมื่อมีนาคม 2022 นี้เอง] โดยมีชื่อโครงการว่า The Cancer Genome Atlas (TCGA) ซึ่งคนตั้งชื่อคงพยายามล้อตัวย่อของโครงการให้ตรงกับชนิดของนิวคลีโอไทด์สี่ตัวในดีเอ็นเอ นั่นก็คือ Thymidine, Cytosine, Guanine, และ Adenine นั่นเอง เป้าหมายของโครงการก็คือต้องการสำรวจจีโนมและข้อมูลระดับโมเลกุลอื่น ๆ ของมะเร็งให้หลากหลายชนิดที่สุดเท่าที่จะเป็นไปได้ เพื่อที่จะเข้าใจว่ามะเร็งต่าง ๆ นั้นมีที่มาอย่างไร เติบโตได้อย่างไร ลักษณะพันธุกรรมแบบไหนในมนุษย์ที่เร่งหรือเพิ่มความเสี่ยงการเกิดมะเร็ง ซึ่งข้อมูลต่าง ๆ ที่ได้จากโครงการนี้อาจจะนำไปสู่การพัฒนาตัวบ่งชี้ชีวภาพที่สามารถตรวจจับมะเร็งในระยะต้น (Early Detection Biomarker), ตัวบ่งชี้ชีวภาพเพื่อวินิจฉัยโรค (Diagnostic Biomarker), ตัวบ่งชี้ชีวภาพที่ทำนายการรอดชีพ – ดูว่าโอกาสที่จะมีชีวิตอยู่หลังจากได้รับการรักษานั้นเป็นอย่างไร (Prognostic Biomarker), รวมไปถึงข้อมูลการเลือกใช้ยา (Personalized/Precision Medicine)

โครงการนี้แม้ว่าจะจบไปแล้วในปี 2018 แต่โดยสรุปแล้วมีชนิดของมะเร็งที่ศึกษาทั้งหมด 33 ชนิด จำนวนผู้ป่วยที่บริจาคตัวอย่างทั้งหมดประมาณ 8,000 คน มีชนิดของข้อมูลทั้งหมด 22 ชนิด จากโมเลกุลดีเอ็นเอ (การกลายพันธุ์ตำแหน่งเดี่ยว – Single Nucleotide Variant [SNV], การเปลี่ยนแปลงจำนวนชิ้นของยีนในโครโมโซม – Copy Number Variation [CNV], การเปลี่ยนแปลงโครงสร้างโครโมโซม – Structural Variation [SV]) โมเลกุลอาร์เอ็นเอ (การแสดงออกของยีน – Gene Expression, โมเลกุลควบคุมการแสดงออกของยีน – microRNA, การหลอมรวมของยีน – Fusion RNA, การตัดและเปลี่ยนรูปแบบอาร์เอ็นเอ – RNA Splice Junction/Isoform) และโมเลกุลโปรตีน (จำนวนโปรตีน – Protein Expression Quantification) รวมไปถึงข้อมูลแวดล้อมอื่น ๆ ที่ได้จากการตรวจรักษาโรคมะเร็งแบบมาตรฐาน ตั้งแต่ค่าแล็บพื้นฐานจากการตรวจเลือดปกติ ภาพจากการตรวจด้วยรังสี ทั้ง X-Ray, CT-scan, MRI, Ultrasound โดยข้อมูลระดับที่บุคคลธรรมดาอย่างเรา ๆ จะเข้าถึงได้นั้นมีปริมาณอยู่ที่ 15 Terabyte แต่ข้อมูลดิบที่สามารถนำเอามาทำการวิเคราะห์ได้อย่างละเอียดนั้นมีปริมาณอยู่ที่ 2.59 Petabyte ปริมาณข้อมูลดิบนี้อาจจะดูน้อยเมื่อเทียบกับข้อมูลของบริษัทอินเตอร์เน็ตยักษ์ใหญ่ทั้งหลาย แต่ต้องอย่าลืมว่าในระหว่างการวิเคราะห์ข้อมูลนั้นก็จะเกิดข้อมูลระหว่างทางขึ้นอีกหลายเท่า การจะวิเคราะห์ข้อมูลเหล่านี้ตามปกติใช้คอมพิวเตอร์ส่วนตัวไม่ได้อยู่แล้ว จำเป็นต้องใช้งาน High-Performance Computer (HPC) ในการวิเคราะห์และเก็บข้อมูล เข้าไปลองดูข้อมูลได้ที่ Genomics Data Common (GDC) Portal

ข้อมูลจากโครงการ TCGA นั้นเพิ่มพูนความรู้พื้นฐานของโรคมะเร็งหลายชนิดแบบก้าวกระโดด ยกตัวอย่างเช่นในมะเร็งเต้านมในท่อน้ำนมระยะต้น (Ductal Carcinoma In Situ – DCIS) นั้นสามารถแบ่งได้เป็น 4 แบบ ซึ่งมีอัตรารอดชีพทั้งก่อนและหลังจากการรักษาที่แตกต่างกัน และในระดับโมเลกุลนั้น มะเร็งเต้านม DCIS มีความคล้ายกับมะเร็งรังไข่อีกด้วย ความรู้พื้นฐานอื่น ๆ จากมะเร็งชนิดอื่น ๆ หลัก ๆ ก็จะเป็นการค้นพบยีนที่เป็นหลักในการก่อมะเร็งหากยีนเหล่านี้กลายพันธุ์ หรือที่เรียกกันว่า Driver Gene หรือการพบความผิดปกติในระดับโมเลกุลอื่น ๆ เช่นจำนวนก็อปปี้ของยีนที่เพิ่มขึ้น หรือโครงสร้างโครโมโซมที่เปลี่ยนไป หรือการหลอมรวมกันของยีนที่ปกติอยู่แยกกัน เราไม่มีทางที่จะได้ข้อมูลแบบมามาได้เลยหากเราทำการศึกษามะเร็งแบบแยกโครงการย่อย ๆ ไม่มีการรวมกันของตัวอย่างในระดับโครงการแบบ TCGA

การวิจัยมะเร็งเพื่อตรวจจับมะเร็งให้ได้เร็วที่สุดและรุกล้ำให้น้อยที่สุดก่อนจะลุกลาม (Early and Non-/Less-Invasive Cancer Detection)

สำหรับหัวข้อที่สองคือการตรวจจับมะเร็งในระยะต้นและรุกล้ำให้น้อยที่สุดนั้นมีที่มาจากความจริงที่ว่าในมะเร็งแบบก้อนแข็ง (Solid Tumor) นั้น ผู้ป่วยมะเร็งจะมีโอกาสหายขาด (Cured) ได้สูงสุดนั้นขึ้นอยู่กับว่าตรวจพบมะเร็งในระยะใด ถ้าตรวจพบมะเร็งได้ในระยะแรก ๆ นั่นหมายความว่ามะเร็งนั้นยังไม่ลุกลามเข้าไปที่อวัยวะอื่น ๆ ยังสามารถรักษาให้หายขาดได้โดยการผ่าตัด (Surgical Resection) หรือใช้รังสีรักษา (Radio Therapy) กำจัดก้อนมะเร็งออกได้หมด ปัญหาก็คือตามปกติแล้วมะเร็งแบบก้อนแข็งมักจะไม่มีอาการใด ๆ บ่งบอกว่าเป็นมะเร็งเลย ผู้ป่วยจำนวนหนึ่งที่ตรวจพบมะเร็งมักจะพบจากการตรวจที่เกิดจากอาการที่ไม่เกี่ยวข้อง แล้วผลการตรวจนั้นพบมะเร็ง แม้แต่การตรวจคัดกรองมะเร็งโดยตรงในหลาย ๆ ชนิดมะเร็งก็ไม่สามารถตรวจพบมะเร็งได้เร็วพอ

ตัวอย่างการคัดกรองมะเร็งดังกล่าวคือการใช้ซีทีสแกนแบบความเข้มข้นต่ำ (Low-dose CT Scan) การตรวจมะเร็งเต้านมด้วยแมมโมแกรม (Mammography Scan) การตรวจมะเร็งตับโดยวัดค่าอัลฟ่าฟีโตโปรตีน (a-Fetoprotein) หรือการตรวจมะเร็งปากมดลูกโดยใช้แปบสเมียร์ (Papanicolaou Smear) มีงานวิจัยจำนวนมากที่เริ่มออกมาบอกแล้วว่าการตรวจคัดกรองมะเร็งที่กล่าวมานั้นไม่มีความไว (Sensitivity) ที่สูงพอจะตรวจพบมะเร็งเหล่านี้ในระยะต้น ซ้ำร้ายในบางกรณีอาจจะก่อมะเร็งได้ เช่นในการใช้ Low-dose CT Scan ซึ่งผู้คนที่ถูกวินิจฉัยว่ามีความเสี่ยงจะเป็นมะเร็งปอด ซึ่งตอนแรกอาจจะไม่ได้เป็น แต่เมื่อเจอ Low-dose CT Scan บ่อย ๆ เข้าก็อาจจะกระตุ้นการเกิดมะเร็งได้ เป็นต้น

อีกปัญหาหนึ่งซึ่งก็มีความสำคัญไม่แพ้กันก็คือ เมื่อตรวจคัดกรองแล้วพบว่าอาจมีก้อนมะเร็งอยู่ แพทย์จำเป็นจะต้องยืนยันว่าก้อนเนื้อต้องสงสัยนั้นเป็นเนื้อร้าย (Malignant Tumor) จริง ๆ ไม่ใช่ก้อนเนื้อที่ไม่มีอันตราย (Benign Tumor) ในบางกรณีอาจจะใช้สารทึบรังสีเพื่อยืนยัน แต่ส่วนมากจำเป็นต้องทำการเจาะ/ตัดตัวอย่างชิ้นเนื้อออกมา (Core Needle/Surgical Biopsy) ส่งให้พยาธิแพทย์นำตัวอย่างนั้นไปย้อมสีพร้อมทั้งตรวจภายใต้กล้องจุลทรรศน์ เพื่อยืนยันว่าเป็นมะเร็งจริง ๆ รวมกับจำแนกชนิดของมะเร็งด้วยว่ามีต้นตอมาจากแหล่งใด ซึ่งวิธีการเจาะ หรือตัดชิ้นเนื้อนี้เป็นการทำหัตถการที่มีความเสี่ยงอยู่ในตัวเอง เนื่องจากอาจทำให้ผู้ป่วยติดเชื้อจากขั้นตอนการเจาะ/ตัดชิ้นเนื้อ หรือหนักไปกว่านั้น ถ้าบริเวณนั้นเป็นมะเร็งจริง ๆ อาจจะทำให้เนื้อเยื้อมะเร็งมีช่องให้เดินทางไปยังอวัยวะอื่นได้ ขั้นตอนที่ต้องเจาะหรือตัดชิ้นเนื้อเหล่านี้เป็นสิ่งที่ทางการแพทย์เรียกว่าเป็นหัตถการที่รุกล้ำ (Invasive Procedure) ซึ่งก่อให้เกิดความเสี่ยงอย่างที่ได้กล่าวมาแล้ว ทั้งแพทย์ และนักวิทยาศาสตร์จึงพยายามจะหาวิธีการที่รุกล้ำร่างกายคนไข้ให้น้อยที่สุด (Minimally Invasive Procedure) เช่น เจาะเลือด เก็บปัสสาวะ หรือใช้ภาพถ่ายจากรังสีต่าง ๆ เป็นต้น

เข้ากับข้อมูลพื้นฐานสิ่งที่ “Big Data” จะมาช่วยเรื่องการตรวจจับมะเร็งในระยะต้นก็คือการวิเคราะห์ข้อมูลมะเร็งระดับโมเลกุลที่มาจากคนไข้ พร้อมกับข้อมูลอื่น เช่น ข้อมูลภาพจากรังสี ผนวกอื่น ๆ ที่เก็บเอาไว้ตามมาตรฐานปัจจุบันจากผู้ป่วย เช่น ระยะของมะเร็ง ค่าต่าง ๆ จากการตรวจจากห้องปฏิบัติการ (หรือที่เราเรียกกันว่า “ผลแล็บ”) ต่าง ๆ ไม่ว่าจะเป็นปริมาณโปรตีนต่าง ๆ ไขมันหลากชนิด ปริมาณเม็ดเลือดขาว/แดง สารละลายต่าง ๆ จากเลือดและปัสสาวะ เมื่อเราเก็บข้อมูลเหล่านี้ได้ปริมาณมากเพียงพอ อาจจะอยู่ในหลักหลายพันถึงหลายหมื่นคน นักวิทยาศาสตร์และแพทย์น่าจะสามารถใช้เทคนิคแมชชีนเลิร์นนิง (Machine Learning) หรือปัญญาประดิษฐ์แบบดีปเลิร์นนิง (Deep Learning) เพื่อค้นหาว่าจากภาพถ่ายรังสี ไม่ว่าจะเป็น X-ray, MRI, CT-Scan หรือ PET Scan นั้นมีความเชื่อมโยงกับโมเลกุลที่โดดเด่น (Molecular Signature) ของก้อนมะเร็งอย่างไร ซึ่งเมื่อค้นพบว่าหน้าตาของรูปถ่ายจากรังสีนั้นมีความเชื่อมโยงกับมะเร็งในระดับโมเลกุลได้แล้ว เราก็อาจจะไม่จำเป็นต้องเจาะเลือด หรือเจาะ/ตัดชิ้นเนื้อมะเร็งมาตรวจยืนยันอีกต่อไป

ในประเทศสหรัฐอเมริกาและภูมิภาคยุโรปมีโครงการวิจัยที่เพิ่งเริ่มเมื่อไม่นานมานี้เพื่อการนี้โดยเฉพาะ ในสหรัฐอเมริกามีภาคีความร่วมมือทางภาพถ่ายรังสีและตัวบ่งชี้ชีวภาพ (Consortium for Imaging and Biomarkers – CIB) ซึ่งเป็นโครงการที่เริ่มต้นโดย NIH และมีแพทย์และนักวิทยาศาสตร์จากทั่วประเทศสหรัฐเข้าร่วม ในสหราชอาณาจักรมีโครงการเร่งรัดการใช้ภาพถ่ายรังสีสำหรับใช้ในคลีนิคเพื่อตรวจจับมะเร็งระยะต้น (National Cancer Imaging Translational Accelerator – NCITA) เป็นการรวบรวมกลุ่มแพทย์และนักวิจัยภาพถ่ายรังสีที่เกี่ยวกับมะเร็งเพื่อให้ใช้อุปกรณ์การแพทย์และการวิเคราะห์ทางคณิตศาสตร์และสถิติขั้นสูงเพื่อใช้ในงานคลีนิคได้เร็วที่สุด ในยุโรปมีอีกโครงการความร่วมมือใหญ่ก็คือ EuCanImage ที่รวบรวมกลุ่มวิจัยทางด้านภาพถ่ายรังสีสำหรับวินิจฉัยโรคมะเร็งและการวิเคราะห์ภาพถ่ายเหล่านั้นด้วยปัญญาประดิษฐ์เพื่อให้ทำงานร่วมกัน จะเห็นได้ว่า “Big Data” นั้นเป็นหนึ่งในเทคโนโลยีแกนกลางที่ทำให้ความร่วมมือนี้เกิดขึ้นได้

การวิจัยมะเร็งเพื่อเลือกวิธีการรักษา/ยาให้เหมาะกับผู้ป่วยแต่ละคน (Cancer Precision Medicine)

หัวข้อสุดท้าย ก็คือการเลือกใช้ยาที่เหมาะสมกับผู้ป่วยมะเร็งนั้น จริง ๆ แล้วงานวิจัยนี้มีมาก่อนหน้าโครงการอย่าง TCGA หลายสิบปีทีเดียว โครงการแรกที่เกิดขึ้นนั้นคือการนำเอาสารเคมีจากทั่วโลกมาคัดกรองกับเซลล์มะเร็ง 60 ชนิดที่มาจากผู้ป่วยมะเร็งในหลอดทดลอง ชื่อโครงการว่า NCI-60 Human Tumor Cell Lines Screen อยู่ภายใต้ร่มของโครงการค้นหายามะเร็งของสถาบันมะเร็งสหรัฐ (US National Cancer Institute – NCI) ที่ชื่อว่า ​Developmental Therapeutics Program ยามะเร็งจำนวนมากนั้นมีที่มาจากโครงการ NCI-60 Screening นี่เอง โครงการนี้ผลิตข้อมูลในระดับโมเลกุลจำนวนมาก ตั้งแต่ข้อมูลการกลายพันธุ์ใน DNA การแสดงออกของยีน (RNA) การแสดงออกของโปรตีน รวมไปถึงข้อมูลการตอบสนองต่อโมเลกุลเคมี 20,000 โมเลกุลกับเซลล์มะเร็งจำนวน 60 เซลล์ ที่จำนวนความเข้มข้นตั้งแต่หนึ่งจุดถึงสามจุด เพื่อดูการตอบสนองของเซลล์มะเร็งชนิดต่าง ๆ ต่อโมเลกุลเคมี

ข้อมูลอีกชุดหนึ่งจาก Broad Institute of MIT and Harvard ที่ชื่อ Connectivity Map (ในภายหลังเปลี่ยนชื่อเป็น CLUE แทน) ได้เก็บข้อมูลที่ลักษณะคล้ายกัน คือนำเอาโมเลกุลจำนวนหลายหมื่นชนิดมาทดสอบกับเซลล์มะเร็งหลายสิบเซลล์เพื่อดูการตอบสนองของเซลล์เหล่านั้น ข้อมูลอีกชุดที่มีคอนเซ็ปต์เดียวกันนั้นอยู่ที่ Wellcome Sanger Institute สหราชอาณาจักร ซึ่งรวบรวมข้อมูลที่คล้ายกันกับข้อมูลสองชุดแรกเอาไว้ ข้อมูลเหล่านี้เป็นจุดเริ่มต้นของการค้นหายาที่เหมาะสมกับมะเร็งของผู้ป่วยมะเร็งชนิดต่าง ๆ กันออกไป

ข้อมูลสามชุดข้างต้นนั้นใช้สิ่งที่เรียกว่า “แบบจำลอง” หรือ Model เพื่อทดสอบโมเลกุลต่าง ๆ ข้อจำกัดของวิธีนี้ก็คือแบบจำลองที่ว่านั้น แม้จะมาจากเซลล์มะเร็งของมนุษย์​ แต่เซลล์เหล่านั้นถูกเลี้ยงให้โตแบบสองมิติเท่านั้น ซึ่งแตกต่างจากการเติบโตของเซลล์ในร่างกายของมนุษย์ที่เติบโตในโครงสร้างสามมิติ ในปัจจุบันนั้นนักวิทยาศาสตร์เปลี่ยนการทดลองยาและการศึกษาในแบบจำลองแบบใหม่สองชนิด คือ 1) อวัยวะสามมิติจำลอง (3D Organoid) ซึ่งใช้วิธีการเลี้ยงเซลล์มะเร็งจากมนุษย์ในโครงเจลที่ทำให้เซลล์โตในรูปแบบสามมิติเหมือนกับอวัยวะจริง และ 2) การนำเซลล์มะเร็งของคนไข้มาปลูกถ่ายไปยังหนูทดลอง (Patient-Derived Xenograft – PDX) ซึ่งสามารถใช้ในการทดลองยาที่จำเพาะกับผู้ป่วยได้ก่อนที่จะนำไปใช้จริงในผู้ป่วย เพื่อดูว่ามะเร็งนั้นตอบสนองต่อยาชนิดหนึ่งหรือหลายชนิดพร้อมกันหรือไม่ วิธีนี้จะช่วยคัดกรองยาจำนวนมากเพื่อที่จะเลี่ยงการเกิดผลข้างเคียงที่ไม่พึงประสงค์ต่าง ๆ ที่จะเกิดขึ้นจากการใช้ยา และลดการกลายพันธุ์ที่ก่อให้เกิดการดื้อยามะเร็งด้วย

ทั้งหมดนี้เป็นเพียงแค่ส่วนหนึ่งที่ Big Data มีบทบาทในการช่วยแพทย์และนักวิทยาศาสตร์เพื่อหาทางรักษามะเร็ง ยังมีอีกหลายงานที่ Big Data สามารถใช้ในงานวิจัยมะเร็งได้ ในประเทศไทยของเรานั้นก็มีโครงการ Genomics Thailand เริ่มขึ้นมาเมื่อไม่กี่ปีมานี้ที่ใช้ Big Data เข้ามาช่วยในงานการแพทย์ของประเทศไทยให้ก้าวทันโลก จากข้อมูลทั้งหมดนี้จะเห็นได้ว่าเราจำเป็นต้องมีนักวิทยาศาสตร์ นักวิจัย และแพทย์ที่สนใจและนำ “Big Data” เข้ามาใช้ในการทำวิจัยให้มากขึ้น

เนื้อหาโดย ดร. ยสวัต ป้อมเย็น
ตรวจทานและปรับปรุงโดย นนทวิทย์ ชีวเรืองโรจน์

Dr.Yotsawat Pomyen

Research Scientist at Chulabhorn Research Institute

Nontawit Cheewaruangroj, PhD

Project Manager and Senior Data Scientist at Big Data Institute (Public Organization), BDI