การพัฒนาโปรแกรมปัญญาประดิษฐ์สำหรับการตรวจวิเคราะห์เซลล์มะเร็งกระเพาะปัสสาวะ
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาโปรแกรมปัญญาประดิษฐ์ หรือโปรแกรมเอไอสำหรับตรวจวิเคราะห์เซลล์มะเร็งกระเพาะปัสสาวะ ชนิด urothelial carcinoma โดยการนำเทคโนโลยีปัญญาประดิษฐ์มาประยุกต์ใช้ในการอ่านผลเซลล์วิทยาของปัสสาวะ เพื่อช่วยให้สามารถวิเคราะห์และจำแนกเซลล์กระเพาะปัสสาวะ (urothelial cells) ตามเกณฑ์ของ The Paris System for Reporting Urinary Cytology, version 2.0 โดยใช้เทคนิคโครงข่ายประสาทเทียมแบบคอนโวลูชัน (Convolutional Neural Network, CNN) โดยเลือกใช้อัลกอริทึมเดนซ์เน็ต (DenseNet121) เนื่องจากเป็นอัลกอริทึมที่มีประสิทธิภาพเหมาะสมสำหรับเป็นแบบจำลอง (model) ที่ใช้ในการพัฒนาโปรแกรมเอไอ โดยใช้ข้อมูลเซลล์กระเพาะปัสสาวะจากสถาบันมะเร็งแห่งชาติในการสร้างชุดฝึกสอนชุดตรวจสอบและชุดทดสอบแบบจำลอง ผู้วิจัยประเมินประสิทธิภาพแบบจำลองด้วยการหาค่าความไว (sensitivity) ค่าความจำเพาะ (specificity) ค่าความถูกต้อง (accuracy) และค่าความเที่ยงตรง (precision) และหาค่าความเชื่อถือได้ในการให้คำวินิจฉัยเซลล์กระเพาะปัสสาวะระหว่างโปรแกรมเอไอกับพยาธิแพทย์ จำนวน 50 คน (benchmark) โดยหาค่าความสอดคล้องในการให้ผลวินิฉัยจากการหาค่าสัมประสิทธิ์ Cohen’s kappa และการหาค่าทดสอบมัธยฐาน ส่วนการหาความแม่นตรงตามเกณฑ์ (criterion volatility) ผู้วิจัยใช้คำวินิจฉัยของทีมพยาธิแพทย์และนักเซลล์วิทยาเป็นเกณฑ์มาตรฐาน (gold standard) ผลจากการวิจัยพบว่าค่าความไว ค่าความจำเพาะ ค่าความถูกต้อง และค่าความเที่ยงตรง ร้อยละ 97.50, 100, 98.33 และ 100 ตามลำดับ มีค่า kappa
0.716 - 0.970 ซึ่งมีความสอดคล้องในระดับดี - ดีมาก และมีค่าการทดสอบมัธยฐานของค่าความสอดคล้องในการให้คำวินิจฉัยไม่แตกต่างกัน ดังนั้นจึงสรุปได้ว่าโปรแกรมปัญญาประดิษฐ์สำหรับการตรวจวิเคราะห์เซลล์มะเร็งกระเพาะปัสสาวะเป็นเครื่องมือที่มีความน่าเชื่อถือ สามารถใช้เป็นเครื่องมือสนับสนุนการตัดสินใจทางการแพทย์ในการวินิจฉัยมะเร็งกระเพาะปัสสาวะได้ดี
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
กองบรรณาธิการวารสารวิชาการ มหาวิทยาลัยเทคโนโลยีราชมงคลกรุงเทพ มีความยินดีที่จะรับบทความจากอาจารย์ นักวิจัย นักวิชาการทั้งภายในและภายนอกมหาวิทยาลัย ในสาขาวิชาวิทยาศาสตร์และเทคโนโลยี ได้แก่ สาขาวิชาวิทยาศาสตร์ วิศวกรรมศาสตร์ และสาขาอื่นๆ ที่เกี่ยวข้อง รวมถึงสาขาต่างๆ ที่มีการบูรณาการข้ามศาสตร์ที่เกี่ยวข้องวิทยาศาสตร์และเทคโนโลยี ที่เขียนเป็นภาษาไทยหรือภาษาอังกฤษ ซึ่งผลงานวิชาการที่ส่งมาขอตีพิมพ์ต้องไม่เคยเผยแพร่ในสิ่งพิมพ์อื่นใดมาก่อน และต้องไม่อยู่ในระหว่างการพิจารณาของวารสารอื่น
การละเมิดลิขสิทธิ์ถือเป็นความรับผิดชอบของผู้ส่งบทความโดยตรง บทความที่ได้รับการตีพิมพ์ต้องผ่านการพิจารณากลั่นกรองคุณภาพจากผู้ทรงคุณวุฒิและได้รับความเห็นชอบจากกองบรรณาธิการ
ข้อความที่ปรากฏอยู่ในแต่ละบทความที่ตีพิมพ์ในวารสารวิชาการเล่มนี้ เป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่าน ไม่เกี่ยวข้องกับมหาวิทยาลัยเทคโนโลยีราชมงคลกรุงเทพแต่อย่างใด ความรับผิดชอบด้านเนื้อหาและการตรวจร่างบทความแต่ละบทความเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใดๆ ผู้เขียนแต่ละท่านจะต้องรับผิดชอบบทความของตนเองแต่ผู้เดียว
กองบรรณาธิการขอสงวนสิทธิ์มิให้นำเนื้อหา หรือข้อคิดเห็นใดๆ ของบทความในวารสารวิชาการ มหาวิทยาลัยเทคโนโลยีราชมงคลกรุงเทพ ไปเผยแพร่ก่อนได้รับอนุญาตจากกองบรรณาธิการ อย่างเป็นลายลักษณ์อักษร ผลงานที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของวารสาร
References
สถาบันมะเร็งแห่งชาติ. แนวทางการตรวจคัดกรอง วินิจฉัยและรักษาโรคมะเร็งกระเพาะปัสสาวะ. กรุงเทพ ฯ: กรมการแพทย์ กระทรวงสาธารณสุข; 2563.
Huang G, Liu Z, Van Der Maaten L, Weinberger KQ. Densely connected convolutional networks. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017. p. 4700-8.
LeCun Y, Bengio Y, Hinton G. Deep learning. nature. 2015 May 28;521(7553): 436-44.
กอบเกียรติ สระอุบล. เรียนรู้ AI Deep Learning ด้วย Python. กรุงเทพ ฯ: อินเตอร์มีเดีย; 2565.
Barkan GA, Wojcik EM, Nayar R, Savic-Prince S, Quek ML, Kurtycz DF, Rosenthal DL. The Paris system for reporting urinary cytology: the quest to develop a standardized terminology. Acta Cytologica. 2016 Aug 26;60(3):185-97.
Wojcik EM, Kurtycz DF, Rosenthal DL, editors. The Paris system for reporting urinary cytology. New York, NY, USA: Springer; 2022 Jan 1.
Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017 Feb;542(7639):115-8.
Hashmi MF, Katiyar S, Keskar AG, Bokde ND, Geem ZW. Efficient pneumonia detection in chest x-ray images using deep transfer learning. Diagnostics. 2020 Jun 19;10(6):417.
Pattanasuwan C, Chongstitvatana P. Screening TB using deep transfer learning. In: 2021 25th International Computer Science and Engineering Conference (ICSEC). IEEE; 2021 Nov 18. p. 330-3.
Apipawinwongsa P, Limpiyakorn Y. Counterfeit luxury handbag materials image classification using deep learning and local binary pattern. Int J Emerg Technol Adv Eng. 2022;12(9):41-8.
Bibi N, Sikandar M, Ud Din I, Almogren A, Ali S. IoMT-based automated detection and classification of leukemia using deep learning. J Healthc Eng. 2020;2020(1):6648574.
Tsuneki M, Abe M, Kanavati F. Deep learning-based screening of urothelial carcinoma in whole slide images of liquid-based cytology urine specimens. Cancers. 2022 Dec 30;15(1):226.
Krishnadas P, Sampathila N. Automated detection of malaria implemented by deep learning in PyTorch. In: 2021 IEEE International Conference on Electronics, Computing and Communication Technologies (CONECCT). IEEE; 2021 Jul 9. p. 01-05.
Abadi M, Agarwal A, Barham P, Brevdo E, Chen Z, Citro C, et al. TensorFlow: Large-scale machine learning on heterogeneous distributed systems. arXiv preprint arXiv:1603.04467. 2016 Mar 14.
จาตุรงค์ ตันติบัณฑิต. การเรียนรู้เชิงลึก ทฤษฏีและนวัตกรรมทางวิศวกรรมการแพทย์ (Deep Learning Theory and Innovation in Medical Engineering). กรุงเทพฯ: เพชรเกษมพริ้นติ้ง กรุ๊ป จำกัด; 2561.
Stevens E, Antiga L, Viehmann T. Deep learning with PyTorch. Manning Publications; 2020 Aug 4.
Subramanian V. Deep Learning with PyTorch: A practical approach to building neural network models using PyTorch. Packt Publishing Ltd; 2018 Feb 23.
ประสพชัย พสุนนท์. การประเมินความเชื่อมั่นระหว่างผู้ประเมินโดยใช้สถิติแคปปา. วารสารวิชาการศิลปศาสตร์ประยุกต์. 2558: 2-20.
อุมาพร จันทศร. สถิติที่ไม่ใช้พารามิเตอร์. กรุงเทพ ฯ: บริษัทฟิสิกส์เซ็นเตอร์; 2542.