การศึกษาเปรียบเทียบประสิทธิภาพตัวแบบการเรียนรู้ของเครื่องในการจำแนกผู้ป่วยโรคอัลไซเมอร์
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้ศึกษาและเปรียบเทียบประสิทธิภาพตัวแบบการเรียนรู้ของเครื่องในการจำแนกผู้ป่วยโรคอัลไซเมอร์ เนื่องจากโรคอัลไซเมอร์เป็นสาเหตุที่พบได้บ่อยที่สุดของภาวะสมองเสื่อม ซึ่งส่งผลให้ความสามารถในการใช้ชีวิตประจำวันของผู้ป่วยถดถอยลงเป็นอย่างมาก โดยจาก 55 ล้านคนทั่วโลกที่เป็นภาวะสมองเสื่อม 60-70% มีสาเหตุมาจากโรคอัลไซเมอร์ ผู้วิจัยจึงต้องการจำแนกผู้ป่วยมารักษาให้ได้อย่างทันท่วงที โดยจะทดลองใช้ชุดข้อมูล Darwin ที่มีตัวแปรอิสระทั้งหมด 451 ตัวแปร มีขนาดตัวอย่างทั้งหมด 174 คน และใช้โปรแกรมไพธอน (Python) ในการวิเคราะห์ข้อมูล โดยจากการสำรวจข้อมูล พบว่า ข้อมูลมีปัญหา High Dimensional และมีปัญหา Multicollinearity จึงได้ใช้เทคนิคการวิเคราะห์องค์ประกอบหลัก (Principal Component Analysis) ในการแก้ไขปัญหาเหล่านี้ จากนั้นใช้เทคนิคการเรียนรู้ของเครื่องในการทำนายว่าข้อมูลตัวอย่างเป็นโรคอัลไซเมอร์หรือไม่
โดยทำการเปรียบเทียบในตัวแบบป่าสุ่ม (Random Forest) การถดถอยโลจิสติก (Logistic Regression) และ XGBoost ผลการวิจัย พบว่า ตัวแบบ Logistic Regression มีประสิทธิภาพดีที่สุดในการจำแนกผู้ป่วยโรคอัลไซเมอร์ ในการวิเคราะห์ชุดข้อมูลทดสอบ โดยให้ค่า Accuracy Precision Recall และ F1-score เป็น 88.57%, 100%, 80.00% และ 88.89% ตามลำดับ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ข้อความภายในบทความที่ตีพิมพ์ในวารสารทั้งหมด รวมถึงรูปภาพประกอบ ตาราง เป็นลิขสิทธิ์ของมหาวิทยาลัยเทคโนโลยีราชมงคลรัตนโกสินทร์ การนำเนื้อหา ข้อความหรือข้อคิดเห็น รูปภาพ ตาราง ของบทความไปจัดพิมพ์เผยแพร่ในรูปแบบต่าง ๆ เพื่อใช้ประโยชน์ในเชิงพาณิชย์ ต้องได้รับอนุญาตจากกองบรรณาธิการวารสารอย่างเป็นลายลักษณ์อักษร
มหาวิทยาลัยฯ อนุญาตให้สามารถนำไฟล์บทความไปใช้ประโยชน์และเผยแพร่ต่อได้ โดยต้องแสดงที่มาจากวารสารและไม่ใช้เพื่อการค้า
ข้อความที่ปรากฏในบทความในวารสารเป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับราชวิทยาลัยจุฬาภรณ์ และบุคลากร คณาจารย์ท่านอื่น ๆ ในมหาวิทยาลัยฯแต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใด ๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเอง ตลอดจนความรับผิดชอบด้านเนื้อหาและการตรวจร่างบทความเป็นของผู้เขียน ไม่เกี่ยวข้องกับกองบรรณาธิการ
เอกสารอ้างอิง
ลักขณา อินทร์กลับ. (2557). เข้าใจและเข้าถึงผู้ป่วยโรคอัลไซเมอร์. วารสารมหาวิทยาลัยคริสเตียน. 20(3), 439-446.
Matthews, K. A., Xu, W., Gaglioti, A. H., Holt, J.B., Croft, J. B., Mack, D., & McGuire, L. C. (2019). Racial and ethnic estimates of Alzheimer’s disease and related dementias in the United States (2015-2060) in adults aged≥ 65 years. Alzheimer’s & Dementia. 15(1), 17-24. https://doi.org/10.1016/j.jalz.2018.06.3063
GÜNDOĞDU, S. (2022). Hepatitis C Disease Detection Based on PCA–SVM Model. Hittite Journal of Science and Engineering. 9(2), 111-116. https://doi.org/10.17350/HJSE19030000261
Mamdouh Farghaly, H., Shams, M. Y., & Abd El-Hafeez, T. (2023). Hepatitis C Virus prediction based on machine learning framework: a real-world case study in Egypt. Knowledge and Information Systems. 65, 2595-2617. 10.1007/s10115-023-01851-4
Uddin, S., Khan, A., Hossain, M. E., & Moni, M. A. (2019). Comparing different supervised machine learning algorithms for disease prediction. BMC medical informatics and decision making. 19(1), 1-16. 10.1186/s12911-019-1004-8
Nagavelli, U., Samanta, D., & Chakraborty, P. (2022). Machine learning technology-based heart disease detection models. Journal of Healthcare Engineering. 1-9. https://doi.org/10.1155/2022/7351061
Meriç, E., & Özer, Ç. (2022). Symptom Based Health Status Prediction via Decision Tree, KNN, XGBoost, LDA, SVM, and Random Forest. Proceedings of International Conference on Computing Intelligence and Data Analytics, Koceli, Turkey, 193-207.
Powers, D. M. (2008). Evaluation From Precision, Recall and F-Factor to ROC, Informedness, Markedness & Correlation. Internation Journal of Machine Learning Technology. 2(1), 37-63. https://doi.org/10.48550/arXiv.2010.16061
Asif, M. A. A. R., Nishat, M. M., Faisal, F., Dip, R. R., Udoy, M. H., Shikder, M. F., & Ahsan, R. (2021). Performance Evaluation and Comparative Analysis of Different Machine Learning Algorithms in Predicting Cardiovascular Disease. Engineering Letters. 29(2), 731-741.
Syafa’ah, L., Zulfatman, Z., Pakaya, I., & Lestandy, M. (2021). Comparison of machine learning classification methods in hepatitis C virus. Journal Online Informatika. 6(1), 73-78. 10.15575/join.v6i1.719
Cilia, N. D., De Gregorio, G., De Stefano, C., Fontanella, F., Marcelli, A., & Parziale, A. (2022). Diagnosing Alzheimer’s disease from on-line handwriting: a novel dataset and performance benchmarking. Engineering Applications of Artificial Intelligence. 111, 1-12.
https://doi.org/10.1016/j.engappai.2022.104822
Mukherjee, S., Niu, Z., Halder, S. Bhattacharya, B. B., & Michailidis, G. (2024). High Dimensional Logistic Regression Under Network Dependence. https://doi.org/10.48550/arXiv.2110.03200
