monorepo-ai-medical/README.md

MONOREPO AI MEDICAL

ภาพรวม

โครงการนี้คือ Monorepo แบบ Full-Stack ที่สร้างบนโครงสร้างพื้นฐานที่มีความพร้อมใช้งานสูง (HA) และถูกออกแบบมาเพื่อรองรับการพัฒนา AI ทางการแพทย์ (Medical AI) โดยใช้เฟรมเวิร์ก MONAI เพื่อสนับสนุนโปรเจค https://gitea.softwarecraft.tech/gitea/hospital-management-api:

1. Backend (Django/DRF): โครงสร้าง Modular Monolith พร้อมระบบ Authentication ด้วย Djoser/JWT รวมถึง Stateless โดยสมบูรณ์ เนื่องจาก Session/Cache ถูกย้ายไปเก็บที่ Redis
2. ฐานข้อมูล (HA): CockroachDB Cluster 3 Node (เข้ากันได้กับ PostgreSQL)
3. Frontend (Web): React + Vite + Tailwind CSS / DaisyUI และ Mobile ผ่าน Expo
4. Automation: Docker Compose พร้อมตั้งค่า Database อัตโนมัติเมื่อเริ่มต้น
5. Caching/Broker: Redis สำหรับการเก็บ Session/Cache และใช้เป็น Message Broker ให้ Celery
6. Async Processing: Celery Worker สำหรับจัดการ Asynchronous Tasks (งานเบื้องหลัง เช่น การส่งอีเมล, การสร้างรายงาน)
7. Model Serving: FastAPI / MONAI / PyTorch สำหรับการโหลดและทำ Inference โมเดล AI (เช่น spleen_ct_spleen_model.ts) โดยดึงโมเดลจาก MinIO

การเริ่มต้นใช้งาน (Run Local)

1. การเตรียม Repository และ Environment

1. Clone และเตรียมโค้ด

   git clone https://gitea.softwarecraft.tech/gitea/monorepo-starter-template.git
   cd monorepo-ai-medical
   
   # ล้าง History ของ Template เก่า และเริ่มต้นใหม่
   Remove-Item -Path .git -Recurse -Force   # สำหรับ PowerShell
   # หรือใช้คำสั่ง Linux/Mac
   rm -rf .git
   
   git init
   git add .
   git commit -m "Initialize MLOps AI Medical Project Base"
   

2. เตรียม AI Environment (สำคัญ) เข้าโฟลเดอร์ ai-medical/ และสร้าง Virtual Environment เพื่อติดตั้ง MONAI/FastAPI

   cd ai-medical
   python -m venv venv
   .\venv\Scripts\Activate.ps1   # Windows
   # หรือ source venv/bin/activate (Linux/Mac)
   
   # ติดตั้ง Dependencies
   pip install -r requirements.ai.txt 
   cd ..
   

---

2. การรัน Infrastructure (DB, Cache, Storage)

รัน Services พื้นฐานทั้งหมดใน Docker (ยกเว้น Backend/AI Service ที่จะรันใน Local CLI)

cd infra
# รัน DB, Redis, MinIO (ต้องมี MinIO Service ใน docker-compose.yml แล้ว)
docker compose up -d cockroach-1 cockroach-2 cockroach-3 init-cluster redis minio

การหยุดชั่วคราวและรันต่อ

ถ้าต้องการหยุดพัฒนาโดยไม่ลบฐานข้อมูล สามารถรัน:

 cd ../infra
 docker compose down

เมื่อต้องการกลับมาพัฒนาต่อ ให้รัน:

 cd ../infra
 docker compose up -d

คำสั่ง docker compose down -v จะลบ Volume และฐานข้อมูลทั้งหมด ใช้เฉพาะตอนต้องการเริ่มต้นฐานข้อมูลใหม่

บริการโมเดล AI ทางการแพทย์ (Medical AI Models)

โครงการนี้มุ่งมั่นที่จะนำเสนอโมเดล AI คุณภาพสูงเพื่อช่วยในการวิเคราะห์ภาพทางการแพทย์

➡️ สถานะ: กำลังพัฒนาโมเดลใหม่ ๆ เพิ่มเติมอย่างต่อเนื่อง

---

1. ⚙️ Spleen Segmentation (ม้าม)

ภาพรวม

API นี้ให้บริการ Segmentation (การระบุขอบเขต) ของอวัยวะ ม้าม จากไฟล์ภาพ CT (NIfTI format) โดยเฉพาะ โดยใช้โมเดล MONAI UNet ที่ผ่านการฝึกฝนมาเพื่อตอบโจทย์ทางคลินิก

ตอบคำถาม: "ม้ามอยู่ที่ไหนและมีปริมาตรเท่าไหร่ในภาพนี้"

บริการนี้ถูกออกแบบมาเพื่อส่งคืนข้อมูลที่สำคัญสำหรับรายงานทางการแพทย์โดยอัตโนมัติ:

1. การระบุตำแหน่ง: ตำแหน่งของม้ามถูกระบุผ่าน Segmentation Map ซึ่งแสดงตำแหน่งของม้ามในระบบพิกัด RAS ที่ได้มาตรฐาน
2. การคำนวณปริมาตร: คำนวณปริมาตรของม้ามในหน่วยลูกบาศก์เซนติเมตร (\text{cm}^3) โดยใช้ข้อมูล Voxel Spacing
3. การวิเคราะห์ม้ามโต (Splenomegaly): ประเมินขนาดม้ามตามเกณฑ์มาตรฐาน และส่งคืนผลการวินิจฉัยเบื้องต้น (เช่น Normal Spleen Size, Borderline Enlarged, หรือ Splenomegaly Detected)

Endpoint

Method	Path	Description
POST	/inference/spleen	รับไฟล์ NIfTI และส่งคืนผลลัพธ์ Segmentation และ Volume Analysis

🛠️ เทคโนโลยีโมเดล

• เฟรมเวิร์ก: MONAI / PyTorch
• ไฟล์โมเดล: spleen_ct_spleen_model.ts (โหลดจาก MinIO)
• Input: 3D CT Scan (NIfTI)
• Output: JSON ที่มีปริมาตร (\text{cm}^3) และการวินิจฉัยม้ามโต

---

2. ⏳ โมเดลที่กำลังพัฒนา

เราวางแผนที่จะขยายบริการไปยังอวัยวะและพยาธิสภาพอื่น ๆ ในอนาคตอันใกล้ เช่น:

• Liver and Tumor Segmentation
• Kidney Segmentation
• Lung Nodule Detection