การประยุกต์ใช้โครงข่ายทรานส์ฟอร์มเมอร์สำหรับจำแนกและจดจำโรคเล็บ
Article Sidebar
Main Article Content
บทคัดย่อ
โรคเล็บเป็นปัญหาสำคัญในการวินิจฉัยทางการแพทย์ เนื่องจากโรคเล็บมีลักษณะที่คล้ายคลึงกัน ทำให้การวินิจฉัยต้องอาศัยผู้เชี่ยวชาญด้านโรคผิวหนัง ความผิดพลาดในการวินิจฉัยอาจนำไปสู่การรักษาที่ผิดพลาดและส่งผลให้ผู้ป่วยมีอาการแทรกซ้อนเพิ่มขึ้น งานวิจัยนี้นำเสนอการประยุกต์ใช้โครงข่ายประสาทเทียมแบบทรานส์ฟอร์มเมอร์สำหรับจำแนกโรคเล็บ เนื่องจากโครงข่ายมีความสามารถในการเรียนรู้คุณลักษณะที่สำคัญซึ่งก่อนให้เกิดโรค แนวทางนี้เป็นการส่งเสริมเพื่อเพิ่มความแม่นยำในการจำแนก การทดลองมุ่งเน้นศึกษาตัวอย่างโรคเล็บที่หลากหลาย เช่น เล็บที่เป็นโรคสะเก็ดเงิน เล็บติดเชื้อรา และเล็บปกติ โดยโครงข่ายได้รับการฝึกอบรมด้วยการปรับแต่งค่าพารามิเตอร์การเรียนรู้เพื่อเพิ่มประสิทธิภาพการทำงาน โดยประเมินด้วยค่าความแม่นยำมีผลสูงสุดจากการฝึกอบรมที่ร้อยละ 99.40 ซึ่งแสดงถึงศักยภาพในการจำแนกและจดจำโรคเล็บได้อย่างมีประสิทธิภาพ แนวทางนี้ไม่เพียงแต่ช่วยเพิ่มความแม่นยำในการวินิจฉัย แต่ยังสามารถพัฒนาระบบที่ลดภาระงานของบุคลากรทางการแพทย์ และช่วยให้การวินิจฉัยโรคเป็นไปได้อย่างรวดเร็ว ซึ่งอาจนำไปสู่การพัฒนาระบบวินิจฉัยอัตโนมัติที่ช่วยยกระดับคุณภาพการดูแลและรักษาในอนาคต
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
นโยบายการรับบทความ
กองบรรณาธิการวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น มีความยินดีรับบทความจากอาจารย์ประจำ และผู้ทรงคุณวุฒิในสาขาวิศวกรรมศาสตร์และเทคโนโลยี ที่เขียนเป็นภาษาไทยหรือภาษาอังกฤษ ซึ่งผลงานวิชาการที่ส่งมาขอตีพิมพ์ต้องไม่เคยเผยแพร่ในสิ่งพิมพ์อื่นใดมาก่อน และต้องไม่อยู่ในระหว่างการพิจารณาของวารสารอื่นที่นำส่ง ดังนั้นผู้สนใจที่จะร่วมเผยแพร่ผลงานและความรู้ที่ศึกษามาสามารถนำส่งบทความได้ที่กองบรรณาธิการเพื่อเสนอต่อคณะกรรมการกลั่นกรองบทความพิจารณาจัดพิมพ์ในวารสารต่อไป ทั้งนี้บทความที่สามารถเผยแพร่ได้ประกอบด้วยบทความวิจัย ผู้สนใจสามารถศึกษาและจัดเตรียมบทความจากคำแนะนำสำหรับผู้เขียนบทความ
การละเมิดลิขสิทธิ์ถือเป็นความรับผิดชอบของผู้ส่งบทความโดยตรง บทความที่ได้รับการตีพิมพ์ต้องผ่านการพิจารณากลั่นกรองคุณภาพจากผู้ทรงคุณวุฒิและได้รับความเห็นชอบจากกองบรรณาธิการ
ข้อความที่ปรากฏภายในบทความของแต่ละบทความที่ตีพิมพ์ในวารสารวิชาการเล่มนี้ เป็น ความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่าน ไม่เกี่ยวข้องกับสถาบันเทคโนโลยีไทย-ญี่ปุ่น และคณาจารย์ท่านอื่น ๆ ในสถาบัน แต่อย่างใด ความรับผิดชอบด้านเนื้อหาและการตรวจร่างบทความแต่ละบทความเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใด ๆ ผู้เขียนแต่ละท่านจะต้องรับผิดชอบบทความของตนเองแต่ผู้เดียว
กองบรรณาธิการขอสงวนสิทธิ์มิให้นำเนื้อหา ทัศนะ หรือข้อคิดเห็นใด ๆ ของบทความในวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น ไปเผยแพร่ก่อนได้รับอนุญาตจากผู้นิพนธ์ อย่างเป็นลายลักษณ์อักษร ผลงานที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น
ผู้ประสงค์จะส่งบทความเพื่อตีพิมพ์ในวารสารวิชาการ สถาบันเทคโนโลยีไทย-ญี่ปุ่น สามารถส่ง Online ที่ https://www.tci-thaijo.org/index.php/TNIJournal/ โปรดสมัครสมาชิก (Register) โดยกรอกรายละเอียดให้ครบถ้วนหากต้องการสอบถามข้อมูลเพิ่มเติมที่
- กองบรรณาธิการ วารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น
- ฝ่ายวิจัยและนวัตกรรม สถาบันเทคโนโลยีไทย-ญี่ปุ่น
เลขที่ 1771/1 สถาบันเทคโนโลยีไทย-ญี่ปุ่น ซอยพัฒนาการ 37-39 ถนนพัฒนาการ แขวงสวนหลวง เขตสวนหลวง กรุงเทพมหานคร 10250 ติดต่อกับคุณพิมพ์รต พิพัฒนกุล (02) 763-2752 , คุณจุฑามาศ ประสพสันติ์ (02) 763-2600 Ext. 2402 Fax. (02) 763-2754 หรือ E-mail: JEDT@tni.ac.th
เอกสารอ้างอิง
M. Umei et al., “Prevalence, risk factors and potential implications of nail biting in adults with congenital heart disease,” Int. J. Cardiol., vol. 418, 2025, Art. no. 132652, doi: 10.1016/j.ijcard.2024.132652.
K. L. Curtis et al., “Diagnosis and management of nail unit squamous cell carcinoma: A clinical review by an expert panel,” JAAD Rev., vol. 4, pp. 187–194, Jun. 2025, doi: 10.1016/j.jdrv.2024.12.012.
S. Das and M. Bhattacharjee, “Image-based sensing of Leukonychia for early diagnosis of anemia using a smartphone application,” IEEE Sens. Lett., vol. 6, no. 11, 2022, Art. no. 3502604.
Y. S. Hariyani, H. Eom, and C. Park, “DA-capnet: dual attention deep learning based on U-net for nailfold capillary segmentation,” IEEE Access, vol. 8, pp. 10543–10553, 2020, doi: 10.1109/ACCESS.2020.2965651.
A. Prommakhot and J. Srinonchat, “Combining convolutional neural networks for fungi classification,” IEEE Access, vol. 12, pp. 58021–58030, 2024, doi: 10.1109/ACCESS.2024.3391630.
A. Prommakhot and J. Srinonchat, “VGGNet integration for kidney tumor classification,” in Proc. 12th Int. Electr. Eng. Congr. (iEECON), Pattaya, Thailand, Mar. 2024, pp. 1–6.
H. Wang, H. Jia, L. Lu, and Y. Xia, “Thorax-net: An attention regularized deep neural network for classification of Thoracic diseases on chest radiography,” IEEE J. Biomed. Health Inform., vol. 24, no. 2, pp. 475–485, 2020.
A. P. Leynes, N. Deveshwar, S. S. Nagarajan, and P. E. Z. Larson, “Scan-specific self-supervised bayesian deep non-linear inversion for undersampled MRI reconstruction,” IEEE Trans. Med. Imaging, vol. 43, no. 6, pp. 2358–2369, 2024.
K. Lee, T. C. Cavalcanti, S. Kim, H. M. Lew, D. H. Suh, and D. H. Lee, “Multi-task and few-shot learning-based fully automatic deep learning platform for mobile diagnosis of skin diseases,” IEEE J. Biomed. Health Inform., vol. 27, no. 1, pp. 176–187, 2023.
S. A. Yamaç, O. Kuyucuoğlu, Ş. B. Köseoğlu, and S. Ulukaya, “Deep learning-based classification of human nail diseases using color nail images,” in Proc. 45th Int. Conf. Telecommun. and Signal Process. (TSP), Prague, Czech Republic, Jul. 2022, pp. 196–199.
H. Muneera Begum, A. Dhivya, A. J. Krishnan, and S. D. Keerthana, “Automated detection of skin and nail disorders using convolutional neural networks,” in Proc. 5th Int. Conf. Trends Electron. Inform. (ICOEI), Tirunelveli, India, Jun. 2021, pp. 1309–1316.
G. Shandilya et al., “Autonomous detection of nail disorders using a hybrid capsule CNN: A novel deep learning approach for early diagnosis,” BMC Med. Inform. Decis. Mak., vol. 24, 2024, Art. no. 414.
Nail Disease Image Classification Dataset, Kaggle, 2023. [Online]. Available: https://www.kaggle.com/datasets/josephrasanjana/nail-disease-image-classification-dataset
A. Vaswani et al., “Attention is all you need,” in Proc. 31st Conf. Neural Inf. Process. Syst. (NIPS), Long Beach, CA, USA, Dec. 2017, pp. 5998–6008. [Online]. Available: https://papers.nips.cc/paper_files/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf
R. Nijhawan, R. Verma, Ayushi, S. Bhushan, R. Dua, and A. Mittal, “An integrated deep learning framework approach for nail disease identification,” in Proc. 13th Int. Conf. Signal-Image Technol. Internet-Based Syst. (SITIS), Jaipur, India, Dec. 2017, pp. 197–202.
A. Kumar and K. K. Tiwari, “Disease classification in dermatology: A CNN-RF hybrid approach,” in Proc. 3rd Int. Conf. Artif. Intell. Internet Things (AIIoT), Vellore, India, May 2024, pp. 1–5.
S. Marulkar and B. Narain, “Nail disease prediction using a deep learning integrated framework,” in Proc. 3rd Int. Conf. Intell. Technol. (CONIT), Hubli, India, Jun. 2023, pp. 1–6.
