การสร้างตัวแบบและเปรียบเทียบประสิทธิภาพของตัวแบบสำหรับการจำแนกประเภทโรคมะเร็งลำไส้โดยใช้ภาพทางจุลพยาธิวิทยา
Article Sidebar
Main Article Content
บทคัดย่อ
มะเร็งลำไส้ใหญ่ยังคงเป็นข้อกังวลด้านสุขภาพที่สำคัญทั่วโลก การตรวจพบตั้งแต่ระยะเริ่มต้นมีความสำคัญอย่างยิ่งต่อการปรับปรุงผลลัพธ์ของการรักษา กระบวนการวินิจฉัยที่ผ่านมาแม้จะมีคุณภาพเป็นที่ยอมรับแต่ก็อาจใช้ระยะเวลาค่อนข้างมากและขึ้นกับประสบการณ์ของผู้เชี่ยวชาญ การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อทดสอบประสิทธิภาพของตัวแบบการเรียนรู้ของเครื่องในการจำแนกโรคมะเร็งลำไส้ ด้วยภาพทางจุลพยาธิวิทยาจำนวน 10,000 ภาพ ซึ่งเผยแพร่ในเว็บไซต์ www.kaggle.com จากนั้นนำมาวิเคราะห์ตามกระบวนการมาตรฐานการทำเหมืองข้อมูล โดยใช้เทคนิคการจําแนกประเภทข้อมูลภาพจำนวน 4 เทคนิค ได้แก่ เทคนิคซัพพอร์ตเวกเตอร์แมชชีน (Support Vector Machine: SVM) เทคนิคเพื่อนบ้านใกล้ที่สุด (k-Nearest Neighbors: k-NN) เทคนิคโครงข่ายประสาทเทียม (Neural Network: NN) และเทคนิคต้นไม้ตัดสินใจ (Decision Tree: DT) ผลการวิจัยพบว่า เทคนิค k-NN ให้ค่าความแม่นยำ (Accuracy) สูงที่สุด มีค่าเท่ากับ 91.86% รวมถึงให้ค่าความไว (Sensitivity) และค่าความจำเพาะ (Specificity) สูงที่สุด คือ 92.24% และ 91.48% ตามลำดับ จึงบ่งชี้ถึงศักยภาพของเทคนิค k-NN ว่ามีความเหมาะสมสำหรับการนำมาสร้างตัวแบบสำหรับการจำแนกประเภทโรคมะเร็งลำไส้ ซึ่งนำไปสู่การพัฒนาเครื่องมือที่สำคัญในการตรวจหาโรคตั้งแต่ระยะเริ่มต้นและสนับสนุนการวางแผนการรักษาที่มีประสิทธิภาพมากขึ้น
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Almukhtar, F. H., Kareem, S. W., & Khoshaba, F. S. (2024). Design and development of an effective classifier for medical images based on machine learning and image segmentation. Egyptian Informatics Journal, 25, Article 100454. https://doi.org/10.1016/j.eij.2024.100454
Borkowski, A. A., Bui, M. M., Thomas, L. B., Wilson, C. P., DeLand, L. A., & Mastorides, S. M. (2019). Lung and colon cancer histopathological image dataset (LC25000). arXiv. https://arxiv.org/pdf/1912.12142
Chinpanthana, N. (2022). Learning model of human body movement using convolutional neural network and long short-term memory. Journal of Information Science and Technology, 12(1), 27-36. https://doi.org/10.14456/jist.2022.3
Gnanaselvi, J. A., & Kalavathy, G. M. (2021). Detecting disorders in retinal images using machine learning techniques. Journal of Ambient Intelligence and Humanized Computing, 12(5), 4593-4602. https://doi.org/10.1007/s12652-020-01841-2 (Retraction published 2022, Journal of Ambient Intelligence and Humanized Computing, 14, 551)
Górriz, J. M., Segovia, F., Ramírez, J., Ortiz, A., & Suckling, J. (2024). Is K-fold cross validation the best model selection method for machine learning?. arXiv. https://doi.org/10.48550/arXiv.2401.16407
Gupta, P., Chiang, S.-F., Sahoo, P. K., Mohapatra, S. K., You, J.-F., Onthoni, D. D., Hung, H.-Y., Chiang, J.-M., Huang, Y., & Tsai, W.-S. (2019). Prediction of colon cancer stages and survival period with machine learning approach. Cancers, 11(12), Article 2007. https://doi.org/10.3390/cancers11122007
Habib, N., & Rahman, M. M. (2021). Diagnosis of corona diseases from associated genes and X-ray images using machine learning algorithms and deep CNN. Informatics in Medicine Unlocked, 24, Article 100621. https://doi.org/10.1016/j.imu.2021.100621
Heisser, T., Hoffmeister, M., & Brenner, H. (2023). Colorectal cancer: A health and economic problem. Best Practice & Research Clinical Gastroenterology, 67, Article 101839. https://doi.org/10.1016/j.bpg.2023.101839
International Agency for Research on Cancer. (n.d.). Thailand fact sheets: Cancer today. International Agency for Research on Cancer. https://gco.iarc.fr/today/data/factsheets/populations/764-thailand-fact-sheets.pdf
Krishnan, S. N., Barua, S., Frankel, T. L., & Rao, A. (2022). Towards the characterization of the tumor microenvironment through dictionary learning-based interpretable classification of multiplexed immunofluorescence images. Physics in Medicine & Biology, 68(1), Article 014002. https://doi.org/10.1088/1361-6560/aca86a
Krstajic, D., Buturovic, L. J., Leahy, D. E., & Thomas, S. (2014). Cross-validation pitfalls when selecting and assessing regression and classification models. Journal of Cheminformatics, 6(1), Article 10. https://doi.org/10.1186/1758-2946-6-10
Lungu, A., Swift, A. J., Capener, D., Kiely, D., Hose, R., & Wild, J. M. (2016). Diagnosis of pulmonary hypertension from magnetic resonance imaging–based computational models and decision tree analysis. Pulmonary Circulation, 6(2), 181-190. https://doi.org/10.1086/686020
Markatou, M., Tian, H., Biswas, S., & Hripcsak, G. (2005). Analysis of variance of cross-validation estimators of the generalization error. Journal of Machine Learning Research, 6(39), 1127-1168. https://doi.org/10.7916/D86D5R2X
Purnama, A., Lukman, K., Rudiman, R., Prasetyo, D., Fuadah, Y., Nugraha, P., & Candrawinata, V. S. (2023). The prognostic value of COX-2 in predicting metastasis of patients with colorectal cancer: A systematic review and meta-analysis. Heliyon, 9(10), Article e21051. https://doi.org/10.1016/j.heliyon.2023.e21051
Raschka, S. (2018). Model evaluation, model selection, and algorithm selection in machine learning. arXiv. https://arxiv.org/abs/1811.12808
Shi, C. R., & Adnan, R. (2014). Modified cross-validation as a method for estimating parameter. AIP Conference Proceedings, 1635(1), 724-731. https://doi.org/10.1063/1.4903662
Smits, L. J. H., Vink-Börger, E., van Lijnschoten, G., Focke-Snieders, I., van der Post, R. S., Tuynman, J. B., van Grieken, N. C. T., & Nagtegaal, I. D. (2022). Diagnostic variability in the histopathological assessment of advanced colorectal adenomas and early colorectal cancer in a screening population. Histopathology, 80(5), 790-798. https://doi.org/10.1111/his.14601
Sukprasert, A. (2023). Data mining with RapidMiner Studio software (5th ed.). Mahasarakham University. (in Thai)
Thitima. (2023, January 13). Public and private sectors collaborate to develop a health policy lab for value-based healthcare services for cancer patients in Thailand (Value-based Health Care Policy Lab). Health Systems Research Institute. https://wwwold.hsri.or.th/media/news/detail/14222 (in Thai)
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(3), 574-580. https://doi.org/10.1134/S1054661817030294
Vommi, A. M., & Battula, T. K. (2023). A hybrid filter-wrapper feature selection using Fuzzy KNN based on Bonferroni mean for medical datasets classification: A COVID-19 case study. Expert Systems with Applications, 218, Article 119612. https://doi.org/10.1016/j.eswa.2023.119612
Wilimitis, D., & Walsh, C. G. (2023). Practical considerations and applied examples of cross-validation for model development and evaluation in health care: Tutorial. JMIR AI, 2, Article e49023. https://doi.org/10.2196/49023
Wirth, R., & Hipp, J. (2000). CRISP-DM: Towards a standard process model for data mining. Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining (pp. 29-39).
World Cancer Research Fund International. (n.d.). Colorectal cancer statistics. World Cancer Research Fund International. https://www.wcrf.org/preventing-cancer/cancer-statistics/colorectal-cancer-statistics/
World Health Organization. (2023, July 11). Colorectal cancer. World Health Organization. https://www.who.int/news-room/fact-sheets/detail/colorectal-cancer
Xu, Y., Jiao, L., Wang, S., Wei, J., Fan, Y., Lai, M., & Chang, E. I. (2013). Multi-label classification for colon cancer using histopathological images. Microscopy Research and Technique, 76(12), 1266-1277. https://doi.org/10.1002/jemt.22294
Zerouaoui, H., & Idri, A. (2021). Reviewing machine learning and image processing based decision-making systems for breast cancer imaging. Journal of Medical Systems, 45(1), Article 8. https://doi.org/10.1007/s10916-020-01689-1
