การคัดกรองวัณโรคด้วยวิธีการถ่ายทอดการเรียนรู้เชิงลึก

Abstract

วัณโรคเป็นปัญหาสาธารณสุขที่สำคัญ ควรมีการคัดกรองเชิงรุกเพื่อหาผู้ที่ติดเชื้อแยกออกมารักษาเพื่อไม่ให้โรคแพร่กระจาย โดยการพัฒนารูปแบบการเรียนรู้ของเครื่องเพื่อคัดกรองผู้ที่มีความเสี่ยง ซึ่งจะเป็นประโยชน์ต่อทั้งผู้ให้บริการด้านการดูแลสุขภาพและผู้ป่วย การประยุกต์ใช้เทคนิคการเรียนรู้เชิงลึกสำหรับการจำแนกภาพทางการแพทย์ได้รับการพัฒนาและเติบโตอย่างทวีคูณในช่วงไม่กี่ปีที่ผ่านมา คณะวิจัยได้เลือกใช้แบบจำลอง Convolution Neural Network (CNN) เนื่องจากเป็นหนึ่งในโมเดลที่มีชื่อเสียงและมีประสิทธิภาพสูงสำหรับงานในการแยกประเภทรูปภาพานวิจัยนี้นำเสนอโครงข่ายประสาทเทียมเพื่อจำแนกภาพทรวงอกออกเป็น 2 ประเภท คือ ภาพอกซเรย์ปอดปกติและปอดที่ติดเชื้อวัณโรค โดยมีแหล่งชุดข้อมูลภาพเอกซ์เรย์ทรวงอก 3 ชุด ได้แก่ Montgomery, Shenzen และกรองวัณโรค กรมควบคุมโรค นักวิจัยได้เปรียบเทียบสถาปัตยกรรมแบบจำลองการประมวลผลของ CNN ทั้ง 4 แบบเพื่อหาแบบจำลองที่ดีที่สุดที่เหมาะสำหรับการเอกซ์เรย์ทรวงอก โดยประเมินประสิทธิภาพแบบจำลองด้วยการใช้ Accuracy, Precision, Recall และ AUC ผลการศึกษานี้แสดงให้เห็นว่าแบบจำลอง DenseNet มีความแม่นยำมากกว่ารุ่นอื่นๆ และเราปรับแต่งแบบจำลองสำหรับเกณฑ์ที่ดีที่สุด และนำมาฝึกเพิ่มกับภาพเอกซเรย์ทรวงอกของกองวัณโรคของไทย เพื่อให้เหมาะกัยงานคัดกรองวัณโรคสำหรับคนไทย ความแม่นยำในการทำนายภาพเอกซเรย์ของ ปอดปกติและปอดที่ติดเชื้อวัณโรคในแบบจำลองที่ดีที่สุดคือ 91% และ AUC คือ 95% แบบจำลองที่ได้พัฒนาขึ้นมานี้จะช่วยผู้ให้บริการด้านสุขภาพในการคัดกรองวัณโรค สำหรับประชากรจำนวนมากในประเทศไทย