การพัฒนาระบบช่วยคัดกรองโรคอัลไซเมอร์ระยะเริ่มต้นจากภาพ MRI ด้วย Deep Learning สำหรับบริบทระบบสาธารณสุขไทย
Article Sidebar
Main Article Content
บทคัดย่อ
ประเทศไทยได้เข้าสู่สังคมผู้สูงอายุ ส่งผลให้จำนวนผู้ป่วยโรคอัลไซเมอร์เพิ่มขึ้นอย่างต่อเนื่อง การคัดกรองโรคในระยะเริ่มต้นจึงมีความสำคัญต่อการชะลอความรุนแรงของโรค งานวิจัยนี้นำเสนอระบบช่วยคัดกรองโรคอัลไซเมอร์ระยะเริ่มต้นโดยใช้เทคนิคการเรียนรู้เชิงลึกจากภาพถ่ายสมองด้วยคลื่นแม่เหล็กไฟฟ้า (MRI) ซึ่งออกแบบให้เหมาะสมกับบริบทของระบบสาธารณสุขไทย งานวิจัยนี้ได้ใช้ชุดข้อมูลภาพ MRI จำนวน 6,400 ภาพ โดยแบ่งออกเป็น 4 ระดับ ได้แก่ กลุ่มปกติ กลุ่มระยะเริ่มต้นเล็กน้อย กลุ่มระยะเริ่มต้น และกลุ่มระยะปานกลาง โดยมีการเตรียมข้อมูลด้วยเทคนิคการปรับขนาดภาพ การปรับค่ามาตรฐาน และการเพิ่มข้อมูล เพื่อเพิ่มประสิทธิภาพของโมเดล จากนั้นได้ทำการเปรียบเทียบโมเดลจำนวน 4 โมเดล ได้แก่ Custom CNN ที่เสนอ, MobileNetV2, ResNet50 และ VGG16 ผลการทดลองแสดงให้เห็นว่าโมเดล Custom CNN ที่เสนอให้ความแม่นยำสูงสุดที่ 97.12% มีความสามารถในการเรียนรู้ที่มีเสถียรภาพ และลดความสับสนในการจำแนกระยะเริ่มต้นของโรคได้อย่างมีประสิทธิภาพ ระบบที่พัฒนาขึ้นมีศักยภาพในการนำไปใช้เป็นเครื่องมือช่วยคัดกรองโรคอัลไซเมอร์ในระยะเริ่มต้น โดยเฉพาะในระดับบริการสาธารณสุขปฐมภูมิของประเทศไทย
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
I/we certify that I/we have participated sufficiently in the intellectual content, conception and design of this work or the analysis and interpretation of the data (when applicable), as well as the writing of the manuscript, to take public responsibility for it and have agreed to have my/our name listed as a contributor. I/we believe the manuscript represents valid work. Neither this manuscript nor one with substantially similar content under my/our authorship has been published or is being considered for publication elsewhere, except as described in the covering letter. I/we certify that all the data collected during the study is presented in this manuscript and no data from the study has been or will be published separately. I/we attest that, if requested by the editors, I/we will provide the data/information or will cooperate fully in obtaining and providing the data/information on which the manuscript is based, for examination by the editors or their assignees. Financial interests, direct or indirect, that exist or may be perceived to exist for individual contributors in connection with the content of this paper have been disclosed in the cover letter. Sources of outside support of the project are named in the cover letter.
I/We hereby transfer(s), assign(s), or otherwise convey(s) all copyright ownership, including any and all rights incidental thereto, exclusively to the Journal, in the event that such work is published by the Journal. The Journal shall own the work, including 1) copyright; 2) the right to grant permission to republish the article in whole or in part, with or without fee; 3) the right to produce preprints or reprints and translate into languages other than English for sale or free distribution; and 4) the right to republish the work in a collection of articles in any other mechanical or electronic format.
We give the rights to the corresponding author to make necessary changes as per the request of the journal, do the rest of the correspondence on our behalf and he/she will act as the guarantor for the manuscript on our behalf.
All persons who have made substantial contributions to the work reported in the manuscript, but who are not contributors, are named in the Acknowledgment and have given me/us their written permission to be named. If I/we do not include an Acknowledgment that means I/we have not received substantial contributions from non-contributors and no contributor has been omitted.
เอกสารอ้างอิง
สำนักงานสถิติแห่งชาติ, "รายงานสถิติประชากรประเทศไทย ประจำปี 2551," สำนักงานสถิติแห่งชาติ, กรุงเทพฯ, 2551. [Online]. Available: https://www.nso.go.th
K. Chauhan, N. Kishore, N. Goel, and Monika, "Deep learning based multi-stage classification of Alzheimer’s disease using T1-weighted MRI images," Franklin Open, vol. 15, p. 100557, 2026/06/01/ 2026, doi: https://doi.org/10.1016/j.fraope.2026.100557.
H. Zhu, J. Huang, K. Chen, X. Ying, and Y. Qian, "multiPI-TransBTS: A multi-path learning framework for brain tumor image segmentation based on multi-physical information," Computers in Biology and Medicine, vol. 191, p. 110148, 2025/06/01/ 2025, doi: https://doi.org/10.1016/j.compbiomed.2025.110148.
X. Zhang et al., "Unsupervised brain MRI tumour segmentation via two-stage image synthesis," Medical Image Analysis, vol. 102, p. 103568, 2025/05/01/ 2025, doi: https://doi.org/10.1016/j.media.2025.103568.
V. Shevchenko et al., "A comparative machine learning study of schizophrenia biomarkers derived from functional connectivity," Scientific Reports, vol. 15, no. 1, p. 2849, 2025/01/22 2025, doi: 10.1038/s41598-024-84152-2.
V. G. Shankar, D. S. Sisodia, and P. Chandrakar, "Alzheimer's stage progression modeling using graph neural network and MRI biomarkers," Neural Computing and Applications, 2025/06/05 2025, doi: 10.1007/s00521-025-11353-9.
H. Schulz and S. Behnke, "Deep Learning," KI - Künstliche Intelligenz, vol. 26, no. 4, pp. 357-363, 2012/11/01 2012, doi: 10.1007/s13218-012-0198-z.
I. Goodfellow, Y. Bengio, and A. Courville, Convolutional Neural Networks (CNNs). Cambridge, MA: MIT Press, 2016, pp. 326-359.
r. ranokphanuwat, "ระบบควบคุมโรงเรือนผักไฮโดรโปรนิกส์อัตโนมัติโดยใช้เทคโนโลยี IoT และเครื่องมือการเรียนรู้เชิงลึก," วารสารวิทยาการและเทคโนโลยีสารสนเทศ, vol. 8, no. 2, pp. 74-82, 12/25 2018, doi: 10.14456/jist.2018.8.
P. Luengvongsakorn and W. Pijitrojana, "Comparative Study of ML and DL in Optical Transceiver Failure Diagnosis," วารสารวิทยาการและเทคโนโลยีสารสนเทศ, vol. 15, no. 2, pp. 24-36, 12/27 2025. [Online]. Available: https://ph02.tci-thaijo.org/index.php/JIST/article/view/260843.
ณ. หงษ์บุญมี and จ. กันยาประสิทธิ์, "การวิเคราะห์ปัญหาสุขภาพจากภาพถ่ายเล็บด้วยเทคนิคการเรียนรู้เชิงลึก," วารสารวิทยาการและเทคโนโลยีสารสนเทศ, vol. 11, no. 2, pp. 10-20, 12/28 2021, doi: 10.14456/jist.2021.12.
M. Sandler, A. G. Howard, M. Zhu, A. Zhmoginov, and L.-C. Chen, "MobileNetV2: Inverted Residuals and Linear Bottlenecks," 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 4510-4520, 2018.
K. He, X. Zhang, S. Ren, and J. Sun, "Deep Residual Learning for Image Recognition," presented at the Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016.
C. W. Chun, N. T. Yousir, S. Mohammed Abdulameer, and A. A. Hezam, "Deep Learning Approach for Predicting Prostate Cancer from MRI Images," Journal of Soft Computing and Data Mining, vol. 3, no. 2, pp. 1-9, %08/%08 2022. [Online]. Available: https://publisher.
uthm.edu.my/ojs/index.php/jscdm/article/view/12220.
Kaggle. Alzheimer’s Disease Multiclass Images Dataset, Kaggle. [Online]. Available: https://www.kaggle.com/
datasets/tourist55/alzheimers-dataset-4-class-of-images
J. Islam and Y. Zhang, "Brain MRI analysis for Alzheimer's disease diagnosis using an ensemble system of deep convolutional neural networks," (in eng), Brain Inform, vol. 5, no. 2, p. 2, May 31 2018, doi: 10.1186/s40708-018-0080-3.
N. Raza, A. Naseer, M. Tamoor, and K. Zafar, "Alzheimer Disease Classification through Transfer Learning Approach," (in eng), Diagnostics (Basel), vol. 13, no. 4, Feb 20 2023, doi: 10.3390/diagnostics
C. Mahanty et al., "Effective Alzheimer's disease detection using enhanced Xception blending with snapshot ensemble," (in eng), Sci Rep, vol. 14, no. 1, p. 29263, Nov 26 2024, doi: 10.1038/s41598-024-80548-2.
S. Fathi, A. Ahmadi, A. Dehnad, M. Almasi-Dooghaee, and M. Sadegh, "A Deep Learning-Based Ensemble Method for Early Diagnosis of Alzheimer's Disease using MRI Images," (in eng), Neuroinformatics, vol. 22, no. 1, pp. 89-105, Jan 2024, doi: 10.1007/s12021-023-09646-2.
S. B. Shahid et al., "Novel deep learning for multi-class classification of Alzheimer’s in disability using MRI datasets," (in English), Frontiers in Bioinformatics, Original Research vol. Volume 5 - 2025, 2025-August-20 2025, doi: 10.3389/fbinf.2025.1567219.
A. Y. Bayahya, H. Banjar, O. Talabay, and S. H. Alamri, "Comparative analysis of multiple deep learning models with mitigation-driven approaches for enhanced Alzheimer's disease classification," (in eng), Sci Rep, vol. 15, no. 1, p. 44098, Nov 22 2025, doi: 10.1038/s41598-025-27914-w.
