บทคัดย่อ
ภาพถ่ายดิจิทัลรังสีทรวงอก หรือ Digital chest x-ray image เป็นเครื่องมือวินิจฉัยทางการแพทย์ที่ใช้กันอย่างแพร่หลายในปัจจุบัน ช่วยในการวินิจฉัยโรค ได้แก่ วัณโรคปอดและมะเร็งปอด ในการตรวจสุขภาพประจำปีอีกด้วย ในแต่ละปีมีภาพถ่ายรังสีทรวงอกหลายล้านภาพถ่ายต่อปี แต่มีเพียงไม่เกินร้อยละ 10 เท่านั้น ที่ได้รับการแปลผลโดยแพทย์เฉพาะทางด้านรังสีวิทยา ภาพถ่ายส่วนที่เหลือมักได้รับการแปลผลโดยแพทย์ทั่วไป แต่การแปลผลโดยแพทย์ทั่วไปนั้นมีโอกาสผิดพลาดได้ จากการศึกษาหลายฉบับพบว่า แพทย์ทั่วไปมีโอกาสแปลผลผิด (Misdiagnose) หรือ มองไม่เห็นรอยโรค (Missed Diagnose) ได้ถึงร้อยละ 20-50 ของภาพถ่ายที่มีรอยโรคมะเร็งปอดและการแปลผลโดยแพทย์ทางรังสีวิทยาเพียงคนเดียวก็ยังมีโอกาสเกิดข้อผิดพลาดได้ร้อยละ 5-9 ดังนั้น เพื่อให้เกิดความแม่นยำมากขึ้นในการแปลผลภาพถ่ายรังสีวิทยาทรวงอก ปัญญาประดิษฐ์อาจเป็นทางเลือกหนึ่ง เพื่อช่วยในการคัดกรองภาพถ่ายรังสีทรวงอกที่มีรอยโรคหรือความผิดปกติ ซึ่งต้องได้รับการแปลผลซ้ำโดยรังสีแพทย์ ในงานวิจัยนี้จึงได้สร้างฐานข้อมูลภาพถ่ายรังสีทรวงอกจากฐานข้อมูลผู้ป่วยวัณโรคและมะเร็งปอด เพื่อการพัฒนาระบบปัญญาประดิษฐ์ด้วยโครงข่ายประสาทเทียมแบบ U-Net และ SegNet พบว่า เครือข่ายรูปแบบ SegNet ให้ผลการคัดกรองเป็นที่น่าพอใจ ซึ่งพบว่า โปรแกรมตรวจหารอยโรคแบบการแบ่งส่วนภาพตามความหมาย (Sematic segmentation) ที่ใช้แบบจำลอง SegNet และใช้การสอนล่วงหน้า VGG19 ซึ่งได้เพิ่ม dropout ที่กำหนดค่าความน่าจะเป็น 0.4 หลังจากออกแบบและทดลองสอนโครงข่ายด้วยรูปแบบต่างๆ จนได้ระดับความถูกต้องเป็นที่น่าพอใจ หลังจากนำมาทดสอบกับข้อมูลภาพจำนวน 17 พบว่า รอยโรคที่โปรแกรมจำแนกได้ดีที่สุด คือ Small1I มีความถูกต้อง IoU โดยเฉลี่ย 90.23% รองลงมา คือ รอยโรคมะเร็งที่มีค่าเฉลี่ย IoU จาก 17 ภาพเท่ากับ 89.45% ส่วนรอยโรคที่จำแนกได้ถูกต้องต่ำสุด คือ Cavity ที่มีความถูกต้องเพียง 5.71% เมื่อนำโปรแกรมไปตรวจหารอยโรคจากชุดภาพที่มีรอยโรคมะเร็งเป็นส่วนใหญ่ จำนวน 26 ภาพ ปรากฏว่าโปรแกรมตรวจหาไม่พบรอยโรคมะเร็ง 4 ภาพ เมื่อใช้โปรแกรมไปตรวจสอบภาพที่ไม่มีรอยโรค จำนวน 10 ภาพ ปรากฏว่าโปรแกรมระบุว่ามีรอยโรค 2 ภาพ จากผลการวิจัย ระบบปัญญาประดิษฐ์นี้ควรใช้งานในรูปแบบของ Triage เพื่อคัดกรองภาพก่อนการปรึกษารังสีแพทย์ เพื่อการลดภาระงานของรังสีแพทย์และแพทย์ทั่วไป และความคุ้มค่าทางเศรษฐกิจในแง่ของค่าจ้างรังสีแพทย์และแพทย์ทั่วไป
บทคัดย่อ
Digital chest x-ray images are the most widely used medical diagnostic tool Nowsaday. They helps in the diagnosis of diseases such as pulmonary tuberculosis and lung cancer. There are millions of chest radiographs produced by hospitals each year. But only less than 10% of the images were interpreted by radiologists. The rest of the images are often interpreted by general practitioners. But interpreting results by general practitioners is likely to be wrong. Several studies have shown that general practitioners may have chances to misinterpret the results including misdiagnose or missed diagnose up to 20-50% of the images with lung cancer lesions. In addition, the interpretation of results by a single radiologists still has a 5-9 percent chance of error. Artificial intelligence (AI) may be an option to assist in the screening of chest radiographs with lesions or abnormalities that must be reinterpreted by a radiologist. In this study, a database of chest radiographs from the tuberculosis and lung cancer database was created. For the development of AI systems using U-Net and SegNet neural networks, it was found that the SegNet model network yielded satisfactory screening results. Sematic segmentation using the SegNet model and using pre-tutorial VGG19, which added a dropout with a probability value of 0.4. After designing and teaching the network with various patterns until the level of accuracy is satisfactory. The AI was tested with testing images. For the test with 17 images, Small1I lesions was best identified by the AI with an average IoU accuracy of 90.23%, followed by cancer lesions with an average IoU of 89.45%. The lowest correctly classified lesion was cavity with an accuracy of only 5.71%. The AI was further tested with a set of 26 images with cancer lesions. The AI did not detect 4 malignant lesions. When tested with 10 images without lesions the AI incorrectly identified a couple of lesions in 2 images. From the results, this artificial intelligence should be implemented in the form of a Triage to screen images before consulting a radiologist. This can reduce the workload of radiologists and general physicians and thus may be of economic value in terms of radiologist and general practitioner wages and time.
