มช. นำ AI ยกระดับความแม่นยำในการวินิจฉัยโรค พัฒนาปัญญาประดิษฐ์ ช่วยจำแนกรอยโรคเยื่อบุโพรงมดลูกเจริญผิดที่จากภาพส่องกล้องตรวจช่องท้อง
อัปเดตเมื่อ: 31 กรกฎาคม 2569 เวลา 22:01อ่าน 3 นาที
คณะนักวิจัยจากมหาวิทยาลัยเชียงใหม่ นำโดยนักวิจัยจากภาควิชาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์ ร่วมกับภาควิชาสูติศาสตร์และนรีเวชวิทยา คณะแพทยศาสตร์
ประเด็นสำคัญ
ประสบความสำเร็จในการพัฒนาระบบการเรียนรู้เชิงลึก (Deep Learning Pipeline) สำหรับจำแนกรอยโรคเยื่อบุโพรงมดลูกเจริญผิดที่ (Endometriotic Lesions)
จากภาพส่องกล้องตรวจช่องท้องโดยอัตโนมัติ เพื่อสนับสนุนการวินิจฉัยโรคให้มีความแม่นยำ รวดเร็ว และมีประสิทธิภาพยิ่งขึ้น งานวิจัยได้ออกแบบขั้นตอนการทำงานของระบบ AI ที่มีโครงสร้างชัดเจน
รายละเอียดเพิ่มเติม
โดยใช้ชุดข้อมูล GLENDA ซึ่งเป็นฐานข้อมูลภาพส่องกล้องตรวจช่องท้องสำหรับโรคเยื่อบุโพรงมดลูกเจริญผิดที่ จากนั้นนำข้อมูลมาปรับปรุงคุณภาพอย่างเป็นระบบ ทั้งการปรับขนาดภาพ (Resizing)
การปรับมาตรฐานข้อมูล (Normalization) การตัดภาพ (Cropping) และการเพิ่มคุณภาพของภาพ (Enhancement) เพื่อให้ข้อมูลมีความสม่ำเสมอและเหมาะสมต่อการเรียนรู้ของโมเดล นอกจากนี้
คณะวิจัยยังประยุกต์ใช้เทคนิคการเพิ่มข้อมูล (Data Augmentation) ในหลายรูปแบบ เช่น การหมุนภาพ การพลิกภาพ การบิดภาพ การซูม และการเลื่อนตำแหน่ง
สถานการณ์ล่าสุด
เพื่อเพิ่มความสามารถของโมเดลในการวิเคราะห์ข้อมูลใหม่ และลดข้อจำกัดจากการมีชุดข้อมูลในปริมาณจำกัด ในการพัฒนาโมเดล ชุดข้อมูลถูกแบ่งออกเป็นชุดฝึก (Training Set) ชุดตรวจสอบ (Validation
Set) และชุดทดสอบ (Test Set) พร้อมใช้วิธี 5-fold Cross-validation เพื่อเพิ่มความน่าเชื่อถือของผลการทดลอง โดยเปรียบเทียบประสิทธิภาพของโมเดลปัญญาประดิษฐ์ที่ใช้เทคนิค Transfer Learning
จำนวน 3 สถาปัตยกรรม ได้แก่ VGG19, ResNet50 และ InceptionV3 พร้อมประเมินผลด้วยตัวชี้วัดมาตรฐาน ได้แก่ Accuracy, Precision, Recall และ F1-score ผลการศึกษาพบว่า
มุมมองและผลกระทบ
โมเดลทั้งสามมีประสิทธิภาพในการจำแนกรอยโรคอยู่ในระดับสูงและให้ผลลัพธ์อย่างสม่ำเสมอ โดย InceptionV3 ให้ผลลัพธ์ดีที่สุด มีค่า Accuracy 93% สูงกว่า ResNet50 ที่มีค่า Accuracy 91% และ
VGG19 ที่มีค่า Accuracy 89% อีกทั้งยังมีค่า Precision 93%, Recall 94% และ F1-score 93% ซึ่งสูงที่สุดในการทดลอง ผลลัพธ์ดังกล่าวได้รับการยืนยันผ่านกระบวนการ 5-fold Cross-validation
สะท้อนถึงความแข็งแกร่ง (Robustness) ของโมเดลและความสามารถในการทำนายข้อมูลใหม่ได้อย่างมีประสิทธิภาพ ขณะเดียวกัน
ข้อมูลจากแหล่งข่าว
การวิเคราะห์กราฟการเรียนรู้ยังแสดงให้เห็นว่าโมเดลมีการเรียนรู้ที่เสถียร มีปัญหา Overfitting ในระดับต่ำ และสามารถจำแนกข้อมูลได้อย่างแม่นยำ ซึ่งสอดคล้องกับผลการวิเคราะห์จาก Confusion
Matrix และเส้นโค้ง AUC-ROC ที่แสดงศักยภาพในการจำแนกข้อมูลของโมเดลได้เป็นอย่างดี ผลการวิจัยยืนยันว่า
แนวทางการพัฒนาระบบการเรียนรู้เชิงลึกที่นำเสนอสามารถเพิ่มความแม่นยำในการจำแนกรอยโรคได้อย่างมีนัยสำคัญเมื่อเทียบกับแนวทางที่ผ่านมา
และมีศักยภาพในการพัฒนาเป็นระบบสนับสนุนการวินิจฉัยที่มีความน่าเชื่อถือสำหรับบุคลากรทางการแพทย์ นอกจากความก้าวหน้าด้านเทคโนโลยีทางการแพทย์แล้ว งานวิจัย…
อ่านรายละเอียดต้นทางได้ที่ ไทยโพสต์
