คณะนักวิจัยจากมหาวิทยาลัยเชียงใหม่ นำโดยนักวิจัยภาควิชาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์ และภาควิชาสูติศาสตร์และนรีเวชวิทยา คณะแพทยศาสตร์ ประสบความสำเร็จในการพัฒนาขั้นตอนการทำงานของระบบการเรียนรู้เชิงลึก (deep Learning Pipeline) เพื่อจำแนกรอยโรคเยื่อบุโพรงมดลูกเจริญผิดที่ (endometriotic lesions) จากภาพส่องกล้องโดยอัตโนมัติ

งานวิจัยนี้นำเสนอขั้นตอนการทำงานของระบบการเรียนรู้เชิงลึกที่มีโครงสร้างชัดเจน (a structured deep learning pipeline) สำหรับการจำแนกรอยโรคเยื่อบุโพรงมดลูกเจริญผิดที่ (endometriotic lesions) จากภาพส่องกล้อง (laparoscopic images) โดยอัตโนมัติ

งานวิจัยรวบรวมข้อมูลจากชุดข้อมูล GLENDA [1] จากนั้นดำเนินการปรับปรุงข้อมูล (preprocessing) อย่างเข้มงวด ซึ่งประกอบด้วยการปรับขนาดภาพ (resizing) การปรับมาตรฐานค่า (normalization) การตัดภาพ (cropping) และการปรับปรุงคุณภาพภาพ (enhancement) เพื่อให้ได้ความสม่ำเสมอและคุณภาพของข้อมูลที่เหมาะสม และเพื่อเพิ่มความสามารถในการทำนายผลของโมเดลต่อข้อมูลใหม่ (generalizability) และลดข้อจำกัดด้านปริมาณข้อมูล (scarcity) งานวิจัยได้ใช้เทคนิคการเพิ่มข้อมูล (data augmentation) อย่างหลากหลาย เช่น การหมุน การพลิก การบิด การซูม และการเลื่อนตำแหน่ง

นอกจากนี้ ชุดข้อมูลยังถูกแบ่งออกเป็นชุดฝึก (70%) ชุดตรวจสอบ (20%) และชุดทดสอบ (10%) และมีการใช้วิธี 5-fold cross-validation เพื่อเพิ่มความน่าเชื่อถือของโมเดล ในการทดลอง มีการนำสถาปัตยกรรม CNN แบบ transfer learning จำนวน 3 แบบ ได้แก่ VGG19, ResNet50 และ InceptionV3 มาปรับแต่งและประเมินผล การประเมินประสิทธิภาพใช้ตัวชี้วัดมาตรฐานจาก confusion matrix ได้แก่ accuracy, precision, recall และ F1-score ซึ่งช่วยให้สามารถประเมินความแม่นยำและความสามารถในการทำนายผลต่อข้อมูลใหม่ของโมเดลได้อย่างครอบคลุม 

_{References
[1] A. Leibetseder, S. Kletz, K. Schoeffmann, S. Keckstein and J. Keckstein. 2020. GLENDA: Gynecologic Laparoscopy Endometriosis Dataset. In Proceedings of the 26th International Conference on Multimedia Modeling, MMM 2020. Springer, Cham.}

ผลการทดลองแสดงให้เห็นว่า โมเดลทั้งหมดมีประสิทธิภาพสูงและมีความสม่ำเสมอ (consistent) โดยโมเดล InceptionV3 ให้ผลลัพธ์ที่ดีที่สุด โดยมีค่า accuracy เท่ากับ 93% ซึ่งสูงกว่า ResNet50 (91%) และ VGG19 (89%) พร้อมทั้งมีค่า precision (93%) recall (94%) และ F1-score (93%) ที่เหนือกว่า

ผลลัพธ์ดังกล่าวไดรับการยืนยันผ่านกระบวนการ 5-fold cross-validation ซึ่งแสดงให้เห็นถึงความแข็งแกร่ง (robustness) และความสามารถในการทำนายผลต่อข้อมูลใหม่ของโมเดล แนวโน้มของกราฟการเรียนรู้ (learning curves of training and validation accuracy and loss) บ่งชี้ว่าโมเดลมีการลู่เข้าที่เสถียร (stable convergence) และมีปัญหา overfitting ในระดับต่ำ ขณะที่การวิเคราะห์ confusion matrix แสดงอัตราการจำแนกถูกต้องทั้งในกลุ่ม TP และ TN ที่สูง นอกจากนี้ เส้นโค้ง AUC-ROC ยังแสดงถึงความสามารถในการจำแนกที่ดีของโมเดล

ผลลัพธ์ทั้งหมดนี้ยืนยันว่าแนวทางการเรียนรู้เชิงลึกที่นำเสนอสามารถเพิ่มความแม่นยำในการจำแนกได้อย่างมีนัยสำคัญเมื่อเทียบกับวิธีการอื่นก่อนหน้า และสามารถนำไปใช้เป็นระบบสนับสนุนการวินิจฉัยที่เชื่อถือได้

งานวิจัยนี้มีส่วนช่วยอย่างสำคัญในหลายด้าน ในด้านการแพทย์ งานวิจัยช่วยให้สามารถตรวจพบโรคเยื่อบุโพรงมดลูกเจริญผิดที่ (endometriosis) ได้เร็วขึ้นและแม่นยำมากขึ้น และช่วยลดการพึ่งพาแพทย์ผู้เชี่ยวชาญเฉพาะด้าน ส่งผลให้ผลลัพธ์การรักษาของผู้ป่วยดีขึ้นและช่วยสนับสนุนการตัดสินใจทางคลินิก (clinical decision-making) ในด้านสังคม การวินิจฉัยที่รวดเร็วขึ้นช่วยลดอาการปวดเรื้อรัง ความเสี่ยงภาวะมีบุตรยาก และภาระทางจิตใจของผู้ป่วยหญิง ส่งผลให้คุณภาพชีวิตดีขึ้น ในด้านเศรษฐกิจ ระบบที่ใช้ปัญญาประดิษฐ์ช่วยลดค่าใช้จ่ายทางการแพทย์โดยลดการผ่าตัดที่ไม่จำเป็น ลดความล่าช้าในการวินิจฉัย และลดภาระงานของบุคลากรทางการแพทย์ ในด้านวิชาการ งานวิจัยนี้ช่วยพัฒนางานด้านการวิเคราะห์ภาพทางการแพทย์ด้วย AI (AI-driven medical imaging analysis) โดยแสดงให้เห็นถึงประสิทธิภาพของ transfer learning, data augmentation และ cross-validation ในชุดข้อมูลเฉพาะทางที่มีขนาดจำกัด และยังเป็นกรอบแนวทางที่สามารถนำไปใช้ซ้ำได้ (reproducible framework) ในงานวิจัยในอนาคต