บทคัดย่อ
วัณโรคเป็นปัญหาสาธารณสุขสำคัญระดับโลกนอกจากก่อให้เกิดความสูญเสียทางสุขภาพจากการป่วยและเสียชีวิต ยังเกิดความสูญเสียทางเศรษฐกิจ ผลกระทบเกิดทั้งต่อผู้ป่วย ครอบครัวและคนใกล้ชิด รวมถึงสังคมสูญเสียผลิตภาพและศักยภาพของประชากร ในปี 2015 (พ.ศ. 2558) องค์การอนามัยโลก (World Health Organization (WHO)) ได้จัดประเทศไทยเป็น 1 ใน 14 ประเทศที่มีภาระวัณโรคสูงทั้ง 3 ด้าน ได้แก่ อุบัติการณ์วัณโรค วัณโรคดื้อยาหลายขนาน และวัณโรคร่วมกับการติดเชื้อเอชไอวี คาดประมาณว่าในปี 2016 (พ.ศ. 2559) ประเทศไทยมีผู้ป่วยวัณโรคใหม่ 119,000 ราย คิดเป็นอัตราอุบัติการณ์ 172 ต่อแสนประชากร ซึ่งสูงกว่าประเทศที่พัฒนาแล้วมากกว่า 50 เท่า และเป็นสาเหตุของการเสียชีวิตสูงถึงปีละ 12,500 ราย ทั่วโลกให้ความสำคัญและมีเป้าหมายยุติวัณโรคร่วมกัน คือภายในปี 2035 (พ.ศ. 2578) ต้องมีอัตราอุบัติการณ์ไม่เกิน 10 ต่อแสนประชากร กลยุทธ์ที่สำคัญคือการควบคุมและค้นหาวัณโรคเชิงรุกตามคำแนะนำของ WHO ซึ่งเรียกว่า active case finding โดยการใช้ภาพถ่ายรังสีปอด อย่างไรก็ตามการค้นหาวัณโรคเชิงรุกในประเทศกำลังพัฒนาที่มีอุบัติการณ์ของวัณโรคสูงมักพบมีปัญหาและอุปสรรคหลายด้าน คือ (1) ขาดแคลนแพทย์ผู้เชี่ยวชาญที่สามารถแปลผลภาพถ่ายรังสีจำนวนมากได้อย่างแม่นยำ ในกลุ่มประชากรที่มีความเสี่ยงสูง ขาดกลไกการจูงใจสำหรับรังสีแพทย์ซึ่งมีอยู่จำกัดในการเข้าร่วมโครงการคัดกรองวัณโรคเชิงรุก (2) ความซับซ้อนของการวินิจฉัยวัณโรค ที่ต้องใช้ข้อมูลหลายส่วนประกอบกัน ตั้งแต่อาการ/อาการแสดง ภาพรังสีปอด ผลการตรวจเสมหะ ผลการเพาะเชื้อไปจนถึงการตรวจทางพันธุกรรมของเชื้อ การพัฒนาปัญญาประดิษฐ์เพื่อใช้ช่วยในการค้นหาวัณโรคเชิงรุกจึงมีความสำคัญในการยุติการแพร่ระบาดของวัณโรคในประเทศไทย วิธีการศึกษา: การศึกษานี้รวบรวมข้อมูลภาพถ่ายรังสีปอดจากการคัดกรองวัณโรคของประชากรกลุ่มต่างๆ ร่วมกับข้อมูลการตรวจเพาะเชื้อและการตรวจ AFB และนำภาพที่ได้มาจำแนกโดยรังสีแพทย์ที่เชี่ยวชาญในการจำแนกภาพรังสีปอดตามมาตรฐานการจำแนกภาพรังสีของราชวิทยาลัยรังสีแพทย์แห่งประเทศไทย ข้อมูลที่รวบรวมได้ในส่วนนี้จะนำมาประกอบเป็นฐานข้อมูลภาพถ่ายรังสีวัณโรคปอดของประเทศไทย การพัฒนาปัญญาประดิษฐ์ ทำโดยการใช้โมเดลโครงข่ายประสาทเทียม PYLON ร่วมกับการทำ image normalization and augmentation ด้วยเทคนิค Lung segmentation and balance contrast enhancement (Lung BCET) โดยโมเดลที่พัฒนาได้แบ่งเป็น 2 โมเดลหลัก ได้แก่ โมเดลสำหรับการคัดกรองในประชากรทั่วไปเชิงรุกและโมเดลคัดกรองเชิงรุกในกลุ่มผู้ป่วย HIV สรุปผลการศึกษา: ในส่วนที่ 1 ของโครงการ คือ การพัฒนาปัญญาประดิษฐ์เพื่อค้นหาวัณโรคเชิงรุก ทางผู้วิจัยได้ดำเนินการพัฒนาปัญญาประดิษฐ์โดยการพัฒนาโครงข่ายประสาทเทียม PYLON ร่วมกับการสร้างเทคนิค image normalization and augmentation ด้วยการตัดปอดและทำ balance contrast enhancement ร่วมกัน (Lung BCET) ได้เป็นโมเดลคัดกรองหลักสำหรับการคัดกรองวัณโรคเชิงรุกในชุมชน และโมเดลคัดกรองวัณโรคเชิงรุกในผู้ที่ติดเชื้อ HIV จากการทดสอบประสิทธิภาพของโมเดลคัดกรองหลักสำหรับการคัดกรองวัณโรคเชิงรุกในชุมชน ในภาพชุดทดสอบ จำนวน 1,172 ภาพ พบว่า มีค่าความสามารถในการจำแนกภาพรังสีปอดที่เป็นวัณโรค (area under ROC curve) เท่ากับ 0.94 และจากการนำไปทดสอบกับฐานข้อมูลของผู้มารับบริการที่สำนักวัณโรค กรมควบคุมโรค พบว่า มีความแม่นยำในการคัดกรอง (accuracy) เท่ากับ 93.4 % สอดคล้องกับผลการทดสอบคัดแยกภาพรังสีปอดของผู้ป่วยวัณโรค โดยใช้โมเดลคัดกรองหลักสำหรับการคัดกรองวัณโรคเชิงรุกในชุมชนของโครงการที่โรงพยาบาลแม่สอด พบว่า ค่าการทำนายความผิดปกติของผู้ป่วยวัณโรคมีความแตกต่างกับผู้ไม่เป็นวัณโรคอย่างมีนัยสำคัญทางสถิติ สำหรับโมเดลคัดกรองวัณโรคเชิงรุกในผู้ที่ติดเชื้อ HIV พบว่า ประสิทธิภาพที่ได้จากโมเดลมีความถูกต้อง (accuracy) 82% ความแม่นยำ (specificity) 76% และความไว (sensitivity) 75% ซึ่งลดลงจากแบบจำลองที่ใช้กับฐานข้อมูลที่เป็นวัณโรค แต่ไม่ได้มีการติดเชื้อ HIV ร่วมด้วย ทั้งนี้อาจเนื่องมาจากรอยโรคในปอดแตกต่างไปผู้ป่วยที่ไม่ได้มี HIV จากการตอบสนองของภูมิคุ้มกันต่อเชื้อวัณโรคที่แตกต่างกันในผู้ป่วย HIV และการติดเชื้อฉวยโอกาสอื่นๆ นอกจากการติดเชื้อวัณโรคในผู้ป่วยกลุ่มนี้ โดยสรุปโครงการได้พัฒนาโมเดลปัญญาประดิษฐ์ที่มีความสามารถในการทำนายความน่าจะเป็นที่จะพบความผิดปกติที่สอดคล้องกับโรควัณโรค (prediction) พร้อมกับระบุตำแหน่งของรอยโรคได้อย่างแม่นยำ (labeling) ทั้งในกลุ่มการคัดกรองเชิงรุกที่เป็นและไม่เป็น HIV ในส่วนที่ 2 ของโครงการได้พัฒนาฐานข้อมูลภาพถ่ายรังสีการคัดกรองวัณโรคของไทย (Thai TB AI database) โดยรวบรวมภาพถ่ายรังสีปอดแบ่งตามคุณลักษณะของประชากร ผลการตรวจหาเชื้อวัณโรคและการจำแนกภาพรังสีปอดของรังสีแพทย์ผู้เชี่ยวชาญ
บทคัดย่อ
Tuberculosis (TB) is a global health problem. It not only causes disease burden measured by combining the years of life lost due to premature death and years of life lost due to time lived in state of less than full health, but also results in economic burden. In 2015, the World Health Organization classified Thailand as one of 14 countries on all three “high burden country” (HBC) lists: tuberculosis (TB), multidrug-resistant tuberculosis (MDR-TB), and TB/HIV. Based on recent estimates made by the WHO, Thailand had 119,000 new TB patients in 2016, equivalent to an incidence rate of 172 per 100,000 population. This rate is more than 50 times higher than those in developed countries and is the cause of death for up to 12,500 people per year (1). Artificial intelligence (AI) algorithms can be trained to recognize tuberculosis-related abnormalities on chest radiographs. This study aims to develop deep learning model to classify tuberculosis related chest radiographs using data from the national tuberculosis program. Method: We collected chest radiographs from the active TB screening project of the national tuberculosis program. Then, expert chest radiologists reviewed and classified images into one of six categories according to the standard recommendation for reporting chest radiograph for TB screening from the royal college of radiology of Thailand. Next, we developed deep learning model from this dataset. Conclusion: In the first part, we collected and classified 80,086 chest radiographs according to the study protocol. In the second part, we successfully developed deep learning model to classify TB related or non-TB related chest radiographs with AUC of 0.94.
