การพัฒนาแบบจำลองการเรียนรู้ของเครื่องแบบบูสติ้งเพื่อจำแนกโรคเบาหวาน ขึ้นจอประสาทตาโดยใช้คุณสมบัติซีมเล็ตเวฟเลตส์
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยครั้งนี้มีจุดประสงค์เพื่อ 1) พัฒนาและวัดประสิทธิภาพแบบจำลองการเรียนรู้ของเครื่องแบบบูสติ้ง 2) เพื่อจำแนกภาพถ่ายจอประสาทตาซึ่งมีภาวะโรคเบาหวานขึ้นจอประสาทตา ร่วมกับการสกัดคุณสมบัติเวฟเลตส์ทรานส์ฟอร์มประเภทซีมเล็ตจำนวน 10 ซับแบนด์ โดยแต่ละซับแบนด์แสดงข้อมูลเชิงสถิติได้แก่ ค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน พลังงาน เอนโทรปี ความเบ้ และความโด่งทำให้ได้คุณลักษณะซีมเล็ตรวมทั้งสิ้น 60 คุณลักษณะซึ่งถูกนำไปประมวลผลร่วมกับแบบจำลองการเรียนรู้ของเครื่องแบบบูสติ้งจำนวน 3 แบบจำลองได้แก่ เอ็กตรีมกราเดียนบูสต์ ไลต์จีบีเอ็ม และแคทบูสต์ โดยงานวิจัยนี้มีการประเมินประสิทธิภาพของแบบจำลองด้วย วิธีการ 10-Fold Cross Validation และตารางเมตริกซ์ความสับสน เพื่อคำนวณหาค่าความแม่นยำ ค่าความไว ค่าความจำเพาะ และประสิทธิภาพโดยรวมของระบบ เพื่อคัดเลือกแบบจำลองที่เหมาะสมที่สุดในการจำแนก ทั้งนี้จากการเปรียบเทียบประสิทธิภาพของแบบจำลองพบว่าแบบจำลองไลต์จีบีเอ็มให้ผลลัพธ์สูงสุดในเกือบทุกตัวชี้วัด โดยมีความแม่นยำร้อยละ 94.47 ความไวร้อยละ 95.24 ความจำเพาะร้อยละ 93.69 และค่าประสิทธิภาพโดยรวมของระบบร้อยละ 94.56 ซึ่งแสดงให้เห็นว่าการประยุกต์ใช้เวฟเลตส์ทรานส์ฟอร์มประเภทซีมเล็ตร่วมกับแบบจำลองการเรียนรู้ของเครื่องแบบบูสติ้งสามารถเป็นทางเลือกในการวินิจฉัย โรคเบาหวานขึ้นจอประสาทตา
Downloads
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เจ้าของลิขสิทธิ์ (สถาบันวิจัยและพัฒนา มหาวิทยาลัยกาฬสินธุ์) ผู้เขียน ตกลงว่าการทำสำเนาบทความหรือส่วนใดส่วนหนึ่งของบทความดังกล่าวในรูปแบบสิ่งพิมพ์หรืออิเล็กทรอนิกส์ตามที่ได้รับอนุญาต จะต้องระบุประกาศลิขสิทธิ์ตามที่กำหนดไว้ในวารสาร พร้อมทั้งอ้างอิงข้อมูลฉบับสมบูรณ์ของบทความที่ตีพิมพ์ในวารสารที่จัดทำโดย สถาบันวิจัยและพัฒนา มหาวิทยาลัยกาฬสินธุ์ อย่างครบถ้วนทุกครั้ง
เอกสารอ้างอิง
Chanlalit W. Ocular complications from diabetes mellitus. J Med Health Sci. 2016; 23(2): 36-45. https://shorturl.asia/bz4ST
กรกัญจน์ จิตโศภิษฐ์. ความชุกของภาวะเบาหวานขึ้นจอประสาทตาและระดับน้ำตาลสะสมในเลือดที่สัมพันธ์กับ การเกิดภาวะเบาหวานขึ้นจอประสาทตาในผู้ป่วยโรคเบาหวาน โรงพยาบาลสันป่าตอง จังหวัดเชียงใหม่. วารสารวิชาการป้องกันควบคุมโรค สคร.2 พิษณุโลก. 2566; 10(2): 15-25. https://he01.tci-thaijo.org/index.php/dpcphs/article/view/262223
Onjun R, Lowmunkhong S, Kaennakham S, Phattaramarut K. Diabetic retinopathy detection using a convolutional neural network enhanced by wavelet transformation pooling. In: Proceedings of the 2024 16th International Conference on Bioinformatics and Biomedical Technology (ICBBT '24); 2024 May 24-26; Chongqing. Association for Computing Machinery; 2024. p. 265-269.
https://dl.acm.org/doi/10.1145/3674658.3674699
Tomasi C, Manduchi R. Bilateral filtering for gray and color images. In: Proceedings of the 6th International Conference on Computer Vision; 1998 Jan 7; Bombay. IEEE; 1998. p. 839-846. https://ieeexplore.ieee.org/document/710815
Rasta SH, Partovi ME, Seyedarabi H, Javadzadeh A. A comparative study on preprocessing techniques in diabetic retinopathy retinal images: illumination correction and contrast enhancement. J Med Signals Sens. 2015; 5(1): 40-48. Available from: https://shorturl.asia/0x8hs
Mutawa AM, Al-Sabti K, Raizada S, Sruthi S. A deep learning model for detecting diabetic retinopathy stages with discrete wavelet transform. Appl Sci. 2024; 14(11): 4428. https://doi.org/10.3390/app14114428
Darabi P. Diagnosis of diabetic retinopathy [dataset]. ResearchGate; 2024. https://www.researchgate.net/publication/382264856_Diagnosis_of_Diabetic_Retinopathy
PyWavelets. PyWavelets: wavelet transforms in python [Internet]. Read the Docs; [cited 2025 Nov 5]. Available from: https://pywavelets.readthedocs.io/en/latest/
Scikit-Image. Scikit-image: image processing in python [Internet]. PyPI; [cited 2025 Nov 6]. Available from: https://pypi.org/project/scikit-image
OpenCV. opencv-python [Internet]. PyPI; [cited 2025 Nov 19]. Available from: https://pypi.org/project/opencv-python/
Ganie SM, Pramanik PKD, Bashir Malik M, Mallik S, Qin H. An ensemble learning approach for diabetes prediction using boosting techniques. Front Genet. 2023; 14: 1252159. https://doi.org/10.3389/fgene.2023.1252159
Chen T, Guestrin C. XGBoost: A scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining; 2016 Aug 13-17; San Francisco. New York: ACM; 2016. p. 785-794. https://dl.acm.org/doi/pdf/10.1145/2939672.2939785
Yang P, Yang B. Development and validation of predictive models for diabetic retinopathy using machine learning. PLoS One. 2025; 20(2): e0318226. https://doi.org/10.1371/journal.pone.0318226
Ke G, Meng Q, Finley T, Wang T, Chen W, Ma W, et al. LightGBM: a highly efficient gradient boosting decision tree. In: Proceedings of the 31st International Conference on Neural Information Processing Systems; 2017 Dec 4; Long Beach. Red Hook, NY: Curran Associates; 2017. p. 3149-3157. https://dl.acm.org/doi/10.5555/3294996.3295074
Rufo DD, Debelee TG, Ibenthal A, Negera WG. Diagnosis of diabetes mellitus using gradient boosting machine (LightGBM). Diagnostics. 2021; 11(9): 1714. https://doi.org/10.3390/diagnostics11091714
มนัสพร ตรีรุ่งโรจน์. ตัวแบบการเรียนรู้ของเครื่องอิทธิพลผสมสำหรับการวิเคราะห์การรอดชีพเวลาไม่ต่อเนื่อง [วิทยานิพนธ์ปริญญาดุษฎีบัณฑิต]. กรุงเทพฯ: คณะพาณิชยศาสตร์และการบัญชี จุฬาลงกรณ์มหาวิทยาลัย; 2565. https://digital.car.chula.ac.th/chulaetd/6671
Xu W, Wang W, Ren H, Li X, Wen Y. Prediction and analysis of risk factors for diabetic retinopathy based on machine learning and interpretable models. Heliyon. 2024; 10(9): e29497. https://doi.org/10.1016/j.heliyon.2024.e29497
Pandas development team. Pandas: python data analysis library [Internet]. [cited 2025 Nov 9]. Available from: https://pandas.pydata.org
NumPy. NumPy: Fundamental package for array computing in Python [Internet]. PyPI; [cited 2025 Dec 7]. Available from: https://pypi.org/project/numpy
Scikit-learn. A set of python modules for machine learning and data mining [Internet]. PyPI; [cited 2025 Dec 7]. Available from: https://pypi.org/project/scikit-learn
SciPy. SciPy: Fundamental algorithms for scientific computing in Python [Internet]. PyPI; [cited 2025 Nov 14]. Available from: https://pypi.org/project/scipy
Kohavi R. A study of cross-validation and bootstrap for accuracy estimation and model selection. In: Proceedings of the 14th International Joint Conference on Artificial Intelligence; 1995 Aug 20; Montreal. San Francisco: Morgan Kaufmann; 1995. p.1137-1143. https://dl.acm.org/doi/10.5555/1643031.1643047
Bidwai P, Gite S, Pradhan B, Almari A. Explainable diabetic retinopathy detection using a distributed CNN and LightGBM framework. Comput Mater Contin. 2025; 84(2): 2645-2676. https://www.techscience.com/cmc/v84n2/62859
Bapatla S, Harikiran J. LuNet-LightGBM: an effective hybrid approach for lesion segmentation and DR grading. Comput Syst Sci Eng. 2023; 46(1): 597-617. https://doi.org/10.32604/csse.2023.034998
Aziz A, Tezel NS, Kaçmaz S, Attallah Y. Early diabetic retinopathy detection from OCT images using multifractal analysis and multi-layer perceptron classification. Diagnostics. 2025; 15(13): https://doi.org/10.3390/diagnostics15131616
