การจำแนกระยะของภาวะเบาหวานขึ้นจอประสาทตาโดยใช้การเรียนรู้เชิงลึก
Main Article Content
บทคัดย่อ
การวิจัยนี้ได้นำเสนอการพัฒนาตัวจำแนกเพื่อตรวจจับระยะของภาวะเบาหวานขึ้นจอประสาทตาโดยใช้โครงข่ายประสาทเทียมแบบสังวัตนาการ (Convolutional Neural Network) ซึ่งเป็นเทคนิคการจำแนกของการเรียนรู้เชิงลึก (Deep Learning) จำนวน 5 สถาปัตยกรรม ได้แก่ DenseNet121, EfficientNetB0, EfficientNetB1, MobileNetV2 และ NasNetMobile โดยใช้ข้อมูลภาพถ่ายจอประสาทตาจำนวน 5,000 ภาพจากฐานข้อมูล Kaggle ซึ่งชุดข้อมูลมีการจัดกลุ่มระยะของภาวะเบาหวานขึ้นจอประประสาทตาออกเป็น 5 ระยะ โดยมีขั้นตอนในการวิจัยดังนี้ ขั้นตอนที่ 1 การเตรียมความพร้อมของข้อมูล (Data Preparation) และขั้นตอนที่ 2 การพัฒนาตัวจำแนกสำหรับตรวจจับระยะของภาวะเบาหวานขึ้นจอประสาทตา (Model Generation) ซึ่งขั้นตอนการพัฒนาตัวจำแนกได้กำหนดรอบในการเรียนรู้ (Epochs) จำนวน 100 รอบของแต่ละสถาปัตยกรรมของโครงข่ายประสาทเทียมแบบสังวัตนาการ ผลการทดสอบพบว่าสถาปัตยกรรม EfficientNetB0 มีประสิทธิภาพสูงสุด โดยให้ค่าความแม่นยำในการจำแนกรูปภาพสูงถึงร้อยละ 99.25 ของชุดข้อมูลการเรียนรู้ และเมื่อนำแบบจำลองที่ได้มาทดสอบกับชุดข้อมูลทดสอบพบว่าแบบจำลองให้ค่าความแม่นยำอยู่ที่ร้อยละ 81.30 และค่า F1-score เฉลี่ยอยู่ที่ร้อยละ 81.15 นอกจากนี้แบบจำลองยังแสดงประสิทธิภาพที่ในระยะที่เป็นอันตราย โดยให้ค่าความแม่นยำ (Precision) สูงถึงร้อยละ 92.82 ในระยะที่รุนแรงที่สุด และค่าการเรียกคืน (Recall) สูงถึงร้อยละ 89.00 ในระยะรุนแรง ผลการวิจัยนี้ชี้ให้เห็นว่าตัวจำแนกที่พัฒนาขึ้นมีศักยภาพในการสนับสนุนการคัดกรองทางการแพทย์ เพื่อลดความเสี่ยงต่อการสูญเสียการมองเห็นของผู้ป่วยได้อย่างมีประสิทธิภาพ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ลงตีพิมพ์เป็นข้อคิดเห็นของผู้เขียนเท่านั้น
ผู้เขียนจะต้องเป็นผู้รับผิดชอบต่อผลทางกฎหมายใดๆ ที่อาจเกิดขึ้นจากบทความนั้น
เอกสารอ้างอิง
International Diabetes Federation. IDF Diabetes Atlas, 11th Edition. [Online]. (2025), Available: https://diabetesatlas.org.
A. Skouta, A. Elmoufidi, S. Jai-Andaloussi, and O. Ouchetto, “Deep learning for diabetic retinopathy assessments: A literature review,” Multimedia Tools and Applications, vol. 82, no. 27, pp. 41701–41766, Apr. 2023, doi: 10.1007/ s11042-023-15110-9.
K. Chung and H. Yoo, “Edge computing health model using P2P-based deep neural networks,” Peer-to-Peer Networking and Applications, vol. 13, no. 2, pp. 694–703, 2020, doi: 10.1007/ s12083-019-00738-y.
A. Ayeni, “Convolutional Neural Network (CNN): The architecture and applications,” Applied Journal of Physical Science, vol. 4, no. 4, pp. 42–50, 2022, doi: 10.31248/AJPS2022.085
S. Pachamuthu, K. M. Umamaheswari, M. Sivaram, C. Jain, and D. Bagchi, “Classification of different stages of diabetic retinopathy using convolutional neural networks”, in 2021 2nd International Conference on Computation, Automation and Knowledge Management (ICCAKM), 2021, pp. 59–64, doi: 10.1109/iccakm 50778.2021.9357735
I. Al-Kamachy, R. Hassanpour, and R. Choupani, “Classification of diabetic retinopathy using pre-trained deep learning models”, arXiv preprint arXiv:2403. 19905, 2024, doi: https:// doi.org/10.48550/arXiv.2403.19905.
P. Enkvetchakul, O. Surinta, and S. Noppitak, “Effective data resampling and meta-learning convolutional neural networks for diabeticretinopathy recognition,” ICIC Express Letters, Part B: Applications, vol. 13, pp. 939–948, 2022, doi: 10.24507/icicelb.13.09.939.
I. Arias-Serrano, P. A. Vel´asquez-L´opez, L. N. Avila-Briones, F. C. Laurido-Mora, F. Villalba- Meneses, A. Tirado-Espin, J. Cruz-Varela, and D. Almeida-Gal´arraga, “Artificial intelligence based glaucoma and diabetic retinopathy detection using MATLAB—Retrained AlexNet convolutional neural network,” F1000Research, vol. 12, pp. 14, 2024, doi: 10.12688/f1000research. 122288.2.
A. M. Pamadi, A. Ravishankar, P. A. Nithya, G. Jahnavi, and S. Kathavate, “Diabetic retinopathy detection using mobilenetv2 architecture”, in 2022 International Conference on Smart Technologies and Systems for Next Generation Computing (ICSTSN), 2022, pp. 1–5, doi: 10.1109/icstsn 53084.2022.9761289.
D. Muthusamy and P. Palani, “Deep learning model using classification for diabetic retinopathy detection: An overview,” Artificial Intelligence Review, vol. 57, no. 7, pp. 185, 2024, doi: 10.1007/ s10462-024-10806-2.
G. Alwakid, W. Gouda, M. Humayun, and N. Z. Jhanjhi, “Deep learning-enhanced diabetic retinopathy image classification,” Digital Health, vol. 9, 2023, Art. no. 20552076231194942, doi: 10.1177/20552076231194942.
A. Jabbar, S. Naseem, J. Li, T. Mahmood, M. K. Jabbar, A. Rehman, and T. Saba, “Deep transfer learning-based automated diabetic retinopathy detection using retinal fundus images in remote areas,” International Journal of Computational Intelligence Systems, vol. 17, no. 1, pp. 135, 2024, doi: 10.1007/s44196-024-00520-w.
S. Guefrachi, A. Echtioui, and H. Hamam, “Diabetic retinopathy detection using deep learning multistage training method,” Arabian Journal for Science and Engineering, vol. 50, no. 2, pp. 1079–1096, 2025, doi: 10.1007/ s13369-024-09137-9.
