ประสิทธิภาพการวินิจฉัยของปัญญาประดิษฐ์และรังสีแพทย์ในการแปลผลภาพด้วยเครื่องตรวจคลื่นเสียงความถี่สูงเต้านมสามมิติแบบอัตโนมัติ: การศึกษานำร่อง
DOI:
https://doi.org/10.64960/srimedj.v41i3.271311คำสำคัญ:
อัลตราซาวนด์เต้านมสามมิติแบบอัตโนมัติ, เนื้องอกชนิดไม่ร้ายแรง, เนื้องอกชนิดร้ายแรง, ปัญญาประดิษฐ์บทคัดย่อ
ภูมิหลังและวัตถุประสงค์: ปัจจุบันมะเร็งเต้านมเป็นมะเร็งที่พบได้บ่อยที่สุดในเพศหญิงทั่วโลก ปี พ.ศ. 2565 โดยองค์การอนามัยโลก ระบุว่ามีผู้ป่วยรายใหม่ประมาณ 2.29 ล้านคน และพบผู้เสียชีวิตราว 666,103 รายต่อปี ในประเทศไทย มะเร็งเต้านมเป็นมะเร็งที่พบบ่อยที่สุดในเพศหญิงเช่นกัน โดยพบผู้ป่วยรายใหม่ประมาณ 21,628 ราย และมีผู้เสียชีวิตประมาณ 7,599 รายต่อปี แมมโมแกรมซึ่งเป็นเครื่องมือมาตรฐานในการคัดกรอง มีข้อจำกัดในสตรีที่มีเนื้อเยื่อเต้านมหนาแน่นมาก โดยมีความไว (sensitivity) เพียงร้อยละ 61 เมื่อเทียบกับร้อยละ 86 ในเนื้อเยื่อเต้านมที่มีไขมัน เครื่องอัลตราซาวนด์เต้านมสามมิติแบบอัตโนมัติ (3D ABUS) เป็นเทคโนโลยีที่เหมาะสำหรับเนื้อเยื่อเต้านมหนาแน่น และให้ภาพมาตรฐานเหมือนกัน การนำปัญญาประดิษฐ์ (AI) มาช่วยวินิจฉัยภาพอาจเพิ่มความแม่นยำและลดการวินิจฉัยผิดพลาด รวมทั้งช่วยเหลือในพื้นที่ที่ขาดแคลนรังสีแพทย์ผู้เชี่ยวชาญ การศึกษานี้มีวัตถุประสงค์เพื่อประเมินความแม่นยำ (accuracy) ความไว (sensitivity) และความจำเพาะ (specificity) ของปัญญาประดิษฐ์ (AI) ในการจำแนกความเสี่ยงมะเร็งเต้านมจากภาพอัลตราซาวนด์เต้านมสามมิติแบบอัตโนมัติ (3D ABUS) เปรียบเทียบกับรังสีแพทย์ที่มีระดับความเชี่ยวชาญและประสบการณ์ต่างกัน และศึกษาข้อดีและข้อจำกัดของรังสีแพทย์และปัญญาประดิษฐ์ (AI) ในการตรวจคัดกรองมะเร็งเต้านมด้วยภาพอัลตราซาวนด์เต้านมสามมิติแบบอัตโนมัติ (3D ABUS)
วิธีการศึกษา: เป็นการศึกษาแบบ retrospective study ใช้ข้อมูลภาพ 3D ABUS จำนวน 50 ราย จากชุดข้อมูล TDSC-ABUS2023ซึ่งไม่ได้แบ่งกลุ่มตามความหนาแน่นของเนื้อเยื่อเต้านม โดยแบ่งเป็นเนื้องอกไม่ร้ายแรง (benign) 25 ราย และเนื้องอกร้ายแรง (malignant) 25 ราย มีรังสีแพทย์ 3 คนเข้าร่วมการศึกษา ประกอบด้วย รังสีแพทย์ผู้เชี่ยวชาญด้านเต้านม (R1) รังสีแพทย์ที่มีประสบการณ์มากกว่า 15 ปี (R2) และรังสีแพทย์ที่มีประสบการณ์น้อยกว่า 15 ปี (R3) ชุดข้อมูล TDSC-ABUS2023 ถูกแบ่งออกเป็นสองส่วน ได้แก่ ลำดับที่ 1–10 สำหรับการฝึกทำความคุ้นเคย เพื่อให้รังสีแพทย์ได้ศึกษาและทำความคุ้นชินกับลักษณะภาพที่ใช้ในการวิเคราะห์ โดยไม่นำมาคำนวณในผลการศึกษา และลำดับที่ 11–50 จำนวน 40 ราย สำหรับการประเมินผล โดยให้รังสีแพทย์วิเคราะห์ผลการอ่านภาพเป็น benign หรือ malignant พร้อมบันทึกระยะเวลาที่ใช้ในการอ่านภาพแต่ละราย (หน่วยเป็นวินาที) และระดับความมั่นใจ (confidence score) ในระดับคะแนน 1–10 โดย R3 วิเคราะห์ภาพทั้งแบบเดี่ยวและร่วมกับ AI (R3&AI) โดยมีระยะห่างระหว่างการอ่านภาพทั้งสองครั้งประมาณ 9 เดือน ใช้โปรแกรม 3D Slicer ในการวิเคราะห์ภาพ ระบบ AI ใช้โมเดลผสมระหว่าง Faster R-CNN กับ ResNet50 สำหรับการตรวจจับ ใช้ U-net สำหรับการแบ่งส่วน และ Radiomics ร่วมกับ Machine Learning สำหรับการจำแนกประเภท วัดค่าความแม่นยำ (accuracy) ความไว (sensitivity) ความจำเพาะ (specificity) เวลาที่ใช้ในการอ่านภาพ (reading time) คะแนนความมั่นใจ (confidence score) ค่า AUC (area under curve) และ statistical significance ของ diagnostic performance
ผลการศึกษา: R1 และ AI มีความแม่นยำ (accuracy) สูงสุดเท่ากันที่ร้อยละ 72.50 ตามด้วย R3&AI (ร้อยละ 65.00) R3 (ร้อยละ 62.50) และ R2 (ร้อยละ 60.00) มีจำนวนทั้งหมด 12 ราย จาก 40 ราย (ร้อยละ 30) ที่ R1, R2, R3, R3&AI และ AI วินิจฉัยถูกต้องเหมือนกัน สำหรับความไว (sensitivity) R1 มีค่าสูงสุดที่ร้อยละ 80.00 ตามด้วย R3, R3&AI และ AI (ร้อยละ 75.00) และ R2 (ร้อยละ 70.00) สำหรับความจำเพาะ (specificity) AI มีค่าสูงสุดที่ร้อยละ 70.00 ตามด้วย R1 (ร้อยละ 65.00) R3&AI (ร้อยละ 55.00) และ R2 กับ R3 (ร้อยละ 50.00) ค่า AUC ของ R1 และ AI สูงสุดเท่ากันที่ 0.7250 ตามด้วย R3&AI (0.6500) R3 (0.6250) และ R2 (0.6000) การเปรียบเทียบประสิทธิภาพการวินิจฉัยระหว่างแต่ละกลุ่มกับ AI ไม่พบความแตกต่างอย่างมีนัยสำคัญทางสถิติในทุกตัวชี้วัด (p > 0.05 ทุกกลุ่ม) การเปรียบเทียบค่า AUC ระหว่างกลุ่มรังสีแพทย์กับ AI และกลุ่มรังสีแพทย์ด้วยกันเอง ไม่พบความแตกต่างอย่างมีนัยสำคัญทางสถิติในทุกคู่การเปรียบเทียบ (p > 0.05) ความสอดคล้องระหว่างผู้อ่าน (interobserver reliability) ของคะแนนความมั่นใจในกลุ่มรังสีแพทย์ ซึ่งประเมินด้วยค่า intraclass correlation coefficient (ICC) มีค่าเท่ากับ 0.069 (95%CI: -2.543–0.976, p = 0.345) เวลาเฉลี่ยที่ใช้ในการอ่านภาพของ R1, R2, R3 และ R3&AI เป็น 47.40, 47.05, 53.70 และ 41.20 วินาทีตามลำดับ (R3&AI ใช้เวลาลดลงร้อยละ 23.28) โดยไม่มีความแตกต่างอย่างมีนัยสำคัญทางสถิติ (p > 0.05) และ AI ใช้เวลาเฉลี่ย 12-15 วินาทีต่อราย R3&AI มีคะแนนความมั่นใจสูงสุด (median = 8.0) และมีความสม่ำเสมอ (IQR = 2.0)
สรุป: AI มีความแม่นยำ (accuracy) เทียบเท่ากับรังสีแพทย์ผู้เชี่ยวชาญด้านเต้านม (R1) และมีความจำเพาะ (specificity) สูงที่สุด ช่วยลดการวินิจฉัยผิดพลาดแบบบวกลวง (false positive) AI สามารถช่วยยกระดับประสิทธิภาพของรังสีแพทย์ที่มีประสบการณ์น้อยกว่า (R3) โดยเพิ่มความแม่นยำ (accuracy) ความจำเพาะ (specificity) และความมั่นใจ (confidence) อย่างไรก็ตาม รังสีแพทย์ผู้เชี่ยวชาญด้านเต้านม (R1) ยังคงมีความไว (sensitivity) ในการตรวจพบมะเร็งสูงที่สุด นอกจากนี้ พบปรากฏการณ์ automation bias ในกลุ่ม R3&AI โดยรังสีแพทย์มีคะแนนความมั่นใจสูงขึ้น แต่ความแม่นยำในการจำแนกโรคไม่ได้ดีขึ้นตาม ซึ่งถือเป็นข้อควรระวังสำคัญในการนำ AI ไปใช้งานจริง ผลการศึกษาครั้งนี้แสดงให้เห็นถึงศักยภาพของการบูรณาการ 3D ABUS ร่วมกับ AI ในระบบคัดกรองมะเร็งเต้านม โดยเฉพาะในพื้นที่ที่มีรังสีแพทย์ผู้เชี่ยวชาญไม่เพียงพอ ทั้งนี้ การนำไปใช้ในระดับนโยบายยังต้องรอการยืนยันจากการศึกษาแบบ prospective ที่มีกลุ่มตัวอย่างขนาดใหญ่ในประชากรจริง
เอกสารอ้างอิง
Ferlay J, Ervik M, Lam F, Laversanne M, Colombet M, Mery L, et al. Global Cancer Observatory: Cancer Today [Internet]. Lyon: International Agency for Research on Cancer; 2024 [cited Apr 15, 2026]. Available from: https://gco.iarc.who.int/today
Mann RM, Athanasiou A, Baltzer PAT, Camps-Herrero J, Clauser P, Fallenberg EM, et al. Breast cancer screening in women with extremely dense breasts recommendations of the European Society of Breast Imaging (EUSOBI). Eur Radiol 2022;32(6):4036-45. doi:10.1007/s00330-022-08617-6.
American College of Radiology. Breast Imaging Reporting & Data System (BI-RADS®) [Internet]. Reston (VA): ACR; 2013 [cited Nov 16, 2024]. Available from: https://www.acr.org/Clinical-Resources/Reporting-and-Data-Systems/Bi-Rads
Dempsey PJ. The history of breast ultrasound. J Ultrasound Med 2004;23(7):887-94. doi:10.7863/jum.2004.23.7.887.
Allajbeu I, EHickman S, Payne N, Moyle P, Taylor K, Sharma N, et al. Automated breast ultrasound: technical aspects, impact on breast screening, and future perspectives. Current Breast Cancer Reports 2021;13:141–50. doi:10.1007/s12609-021-00423-1.
Gómez M, Castilla C, Díaz-Herrero G, Barroso AM, López-Guerra D, González-Cortijo L, et al. Automatic breast ultrasound: state of the art and future perspectives. Ecancermedicalscience 2020;14:1062. doi:10.3332/ecancer.2020.1062.
Kummnaee P, Lertsatittanakorn S, Thongchai P, Chaicharoen P, Fuangrod T. Comparative analysis of stand-alone artificial intelligence for 3D Automated Breast Ultrasound System (ABUS) and standard clinical practice with radiologist in breast cancer screening. In: Proceedings of the 2023 15th Biomedical Engineering International Conference (BMEICON); 2023 Oct 25-27; Chiang Rai, Thailand. New York: IEEE; 2023:1-5. doi:10.1109/BMEiCON60347.2023.10322037.
Goh SSN, Du H, Tan LY, Seah EZY, Lau WK, Ng AHZ, et al. Impact of AI on breast cancer detection rates in mammography by radiologists of varying experience levels in Singapore: preliminary comparative study. JMIR Form Res 2025;9:e66931. doi:10.2196/66931.
Lee JH, Kim KH, Lee EH, An JS, Ryu JK, Park YM, et al. Improving the performance of radiologists using artificial intelligence-based detection support software for mammography: a multi-reader study. Korean J Radiol 2022;23(5):505-16. doi:10.3348/kjr.2021.0476.
Patanawanitkul R, Suvannarerg V, Thiravit S, Muangsomboon K, Korpraphong P. Diagnostic performance of AI-CAD digital mammography for breast cancer: experience from Siriraj Breast Imaging Center. Siriraj Med J 2026;78:145-52.
Allajbeu I, Hickman SE, Payne N, Moyle P, Taylor K, Sharma N, et al. Automated breast ultrasound: technical aspects, impact on breast screening, and future perspectives. Curr Breast Cancer Rep 2021;13:141-50. doi:10.1007/s12609-021-00423-1.
Mohamed ES, Hassanin AM, Refaat Ismail M. In screening breast program: can Automated Breast Ultrasound (ABUS) have a role in the future? Zagazig Univ Med J 2022;28(6):1142-9.
Tan T, Rodriguez-Ruiz A, Zhang T, Xu L, Beets-Tan RGH, Shen Y, et al. Multi-modal artificial intelligence for the combination of automated 3D breast ultrasound and mammograms in a population of women with predominantly dense breasts. Insights Imaging 2023;14(1):10. doi:10.1186/s13244-022-01352-y.
Hosmer DW, Lemeshow S, Sturdivant RX. Applied logistic regression. 3rd ed. Hoboken: John Wiley & Sons; 2013. doi:10.1002/9781118548387.
Koo TK, Li MY. A Guideline of Selecting and Reporting Intraclass Correlation Coefficients for Reliability Research. J Chiropr Med 2016;15(2):155-63. doi:10.1016/j.jcm.2016.02.012.
Van Winkel SL, Rodríguez-Ruiz A, Appelman L, Gubern-Mérida A, Vreemann S, Bult P, et al. Impact of artificial intelligence support on accuracy and reading time in breast tomosynthesis image interpretation: a multi-reader multi-case study. Eur Radiol 2021;31(11):8682-91. doi:10.1007/s00330-021-07992-w.
Dembrower K, Cripps A, Colón E, Eklund M, Strand F. Artificial intelligence for breast cancer detection in screening mammography in Sweden: a prospective, population-based, paired-reader, non-inferiority study. Lancet Digit Health 2023;5(10):e703-11. doi:10.1016/S2589-7500(23)00153-X.
Najjar R. Redefining radiology: a review of artificial intelligence integration in medical imaging. Diagnostics 2023;13(17):2760. doi:10.3390/diagnostics13172760.
Rajput D, Wang WJ, Chen CC. Evaluation of a decided sample size in machine learning applications. BMC Bioinformatics 2023;24(1):48. doi:10.1186/s12859-023-05156-9.
Muhammad D, Bendechache M. Unveiling the black box: A systematic review of Explainable Artificial Intelligence in medical image analysis. Comput Struct Biotechnol J 2024;24:542-60. doi:10.1016/j.csbj.2024.08.005.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2026 ศรีนครินทร์เวชสาร
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
