|
การพัฒนาตัวแบบการเรียนรู้ของเครื่องเพื่อการแบ่งชั้นความเสี่ยงและการพยากรณ์โรคมะเร็งปอดขั้นสูงในภาพเอกซเรย์คอมพิวเตอร์ |
|---|---|
| รหัสดีโอไอ | |
| Creator | ศุภกร ศรีสง่า |
| Title | การพัฒนาตัวแบบการเรียนรู้ของเครื่องเพื่อการแบ่งชั้นความเสี่ยงและการพยากรณ์โรคมะเร็งปอดขั้นสูงในภาพเอกซเรย์คอมพิวเตอร์ |
| Contributor | เลอศักดิ์ โพธิ์ทอง และ อริสรา ผดุงเจริญ |
| Publisher | มหาวิทยาลัยแม่โจ้ |
| Publication Year | 2567 |
| Journal Title | วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม |
| Journal Vol. | 10 |
| Journal No. | 3 |
| Page no. | 113 ถึง 131 |
| Keyword | การพยากรณ์โรคมะเร็งปอด, การเรียนรู้ของเครื่อง, การจำแนกความเสี่ยง, ภาพถ่ายทางการแพทย์, ภาพเอกซ์เรย์คอมพิวเตอร์ |
| URL Website | https://mitij.mju.ac.th/ |
| Website title | วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม |
| ISSN | ISSN 3027-7280 (Online) |
| Abstract | การจำแนกระยะของมะเร็งปอดอย่างแม่นยำมีความสำคัญอย่างยิ่งต่อการตรวจคัดกรองและการวางแผนการรักษาที่มีประสิทธิภาพเพื่อยืดอายุการรอดชีวิตของผู้ป่วย งานวิจัยนี้มุ่งเน้นการพัฒนาตัวแบบการเรียนรู้ของเครื่องที่มีความสามารถในการจำแนกผู้ป่วยมะเร็งปอดระยะเริ่มต้นและระยะลุกลามโดยใช้ภาพเอกซเรย์คอมพิวเตอร์ (CT) จำนวน 800 ภาพ จากชุดข้อมูล Kaggle.com โดยวิเคราะห์ข้อมูลและพัฒนาแบบจำลอง ตามกระบวนการมาตรฐานในการทำเหมืองข้อมูล (CRISM-DM) ด้วยการสกัดคุณลักษณะที่เป็นประโยชน์จากภาพ ซึ่งเป็นสัญญาณบ่งชี้ของเนื้อร้ายมะเร็ง จากนั้นทำการเปรียบเทียบประสิทธิภาพการจำแนกระยะของมะเร็งปอดของตัวแบบการเรียนรู้ของเครื่อง 3 เทคนิค ได้แก่ การเรียนรู้เชิงลึก (Deep Learning, DL) , โครงข่ายประสาทเทียม (Artificial Neural Networks, ANN) และเพื่อนบ้านที่ใกล้ที่สุด (k-Nearest Neighbors, k-NN) ผลการวิจัยพบว่า โมเดล k-NN มีประสิทธิภาพเหนือกว่า DL และ ANN ในบริบทเฉพาะนี้ โดย สามารถจำแนกได้อย่างแม่นยำถึง 96% มีความไว 96.25% และความจำเพาะ 95.75% งานวิจัยนี้แสดงให้เห็นถึงศักยภาพของ k-NN ว่ามีแนวโน้มที่เป็นประโยชน์และมีประสิทธิภาพสำหรับการจำแนกระยะของมะเร็งปอดโดยใช้ภาพเอกซเรย์คอมพิวเตอร์ โดยเป็นความก้าวหน้าที่มีศักยภาพในการเพิ่มความรวดเร็วการวินิจฉัยของทีมแพทย์และการปรับปรุงกลยุทธ์การดูแลผู้ป่วยให้เหมาะสมยิ่งขึ้น |
