การสร้างตัวแบบสำหรับการคัดกรองผู้ป่วยโรคนิ่วในไตโดยใช้เทคนิคการจำแนกประเภทข้อมูลภาพ
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อสร้างตัวแบบสำหรับการคัดกรองผู้ป่วยโรคนิ่วในไต ด้วยภาพถ่าย CT Scan ของผู้ที่เข้ารับการวินิจฉัย จำนวน 6,454 ภาพ โดยนำมาวิเคราะห์ตามกระบวนการมาตรฐานการทำเหมืองข้อมูล และใช้เทคนิคการจำแนกประเภทข้อมูลภาพ 4 เทคนิค สำหรับการสร้างตัวแบบและวิเคราะห์ประสิทธิภาพของตัวแบบในการจำแนกประเภทข้อมูลภาพ จากนั้นใช้ค่าความแม่นมาทดสอบความแตกต่างของเทคนิคการจำแนกประเภทข้อมูลภาพด้วยสถิติ Welch Test ที่ระดับนัยสำคัญ 0.01 ผลการทดสอบพบว่า ค่าเฉลี่ยของความแม่นที่ได้จากเทคนิคการจำแนกประเภทข้อมูลภาพทั้ง 4 เทคนิค มีความแตกต่างกัน ผู้วิจัยจึงได้ทำการทดสอบแบบพหุคูณด้วยวิธี Dunnett’s T3 พบว่าค่าเฉลี่ยของความแม่นของเทคนิคแต่ละคู่มีความแตกต่างกัน อย่างมีนัยสำคัญทางสถิติที่ระดับ 0.01 และเมื่อนำค่าประสิทธิภาพของการจำแนกประเภทข้อมูลภาพทั้ง 4 เทคนิคมาเปรียบเทียบกัน พบว่าเทคนิคที่ให้ค่าเฉลี่ยของประสิทธิภาพการจำแนกข้อมูลสูงที่สุดคือ เทคนิคเพื่อนบ้านใกล้ที่สุด ซึ่งมีค่าความแม่นเท่ากับ 92.64% ค่าประสิทธิภาพโดยรวมเท่ากับ 80.72% ค่าความไวเท่ากับ 76.84% และค่าจำเพาะเท่ากับ 96.34% ซึ่งเป็นเทคนิคที่มีความเหมาะสมสำหรับนำไปสร้างตัวแบบเพื่อคัดกรองความเสี่ยงผู้ป่วยที่มีโอกาสเป็นโรคนิ่วในไตเบื้องต้น เพื่อลดภาระให้กับบุคลากรทางแพทย์ในการตรวจคัดกรอง ทำให้การวินิจฉัยมีความรวดเร็วยิ่งขึ้น
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ลิขสิทธิ์ต้นฉบับที่ได้รับการตีพิมพ์ในวารสารนวัตกรรมวิทยาศาสตร์เพื่อการพัฒนาอย่างยั่งยืนถือเป็นกรรมสิทธิ์ของคณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยสวนดุสิต ห้ามผู้ใดนำข้อความทั้งหมดหรือบางส่วนไปพิมพ์ซ้ำ เว้นแต่จะได้รับอนุญาตอย่างเป็นลายลักษณ์อักษรจากคณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยสวนดุสิต นอกจากนี้ เนื้อหาที่ปรากฎในบทความเป็นความรับผิดชอบของผู้เขียน ทั้งนี้ไม่รวมความผิดพลาดอันเกิดจากเทคนิคการพิมพ์
References
Laongkum, A., and Kumeechai, P. (2020). Implementation of classification system for Buddha amulet using GLCM and Wavelet Transform and using Neural Network for classify. Royal Thai Naval Academy Journal of Science and Technology, 3(1), 9-20. [In Thai].
Sukprasert, A. (2021). Data Mining with RapidMiner Studio. Mahasarakham University. Mahasarakham Business School. [In Thai].
Promkasikorn, L. (2015). The factors predicting the health behaviors related to the occurrence of kidney stone formation among kidney stone disease patients. (Master’s thesis). Thammasat University, Faculty of Nursing, Department of Adult Nursing and the Aged. [In Thai].
MD. Mehedi, K, H. (2022). CT kidney dataset: normal-cyst-tumor and stone. Retrieved from https://www.kaggle.com/datasets/nazmul0087/ct-kidney-dataset-normal-cyst-tumor-and-stone.
Nonsiri, N., Chaichitwanidchakol, P., and Somkantha, K. (2022). Data classification for diabetes risk diagnosis using majority voting ensemble method and forward feature selection method. Udon Thani Rajabhat University Journal of Sciences and Technology, 10(2), 107–122. [In Thai].
Qadri, S. (2021). Role of machine vision for identification of kidney stones using multi features analysis. Lahore Garrison University Research Journal of Computer Science and Information Technology, 5(3), 1-14.
Verma, J., Nath, M., Tripathi, P. & Saini, K. K. (2017). Analysis and identification of kidney stone using Kth Nearest Neighbour (KNN) and Support Vector Machine (SVM) classification techniques. Pattern Recognition and Image Analysis, 27, 574-580.
Pakkasung, Y., Methakanjanasak, N., and Theeranut, A. (2019). Illness perception of patient with recurrent renal stone and chronic kidney disease. Journal of Nursing and Health Care, 37(1), 249-257. [In Thai].