มช. พัฒนา AI วิเคราะห์ภาพส่องกล้อง ช่วยตรวจ “เยื่อบุโพรงมดลูกเจริญผิดที่”

มช. โชว์นวัตกรรม AI ช่วยวินิจฉัย “เยื่อบุโพรงมดลูกเจริญผิดที่” แม่นยำกว่าเดิม ผลทดสอบสูงถึง 93%

มหาวิทยาลัยเชียงใหม่เดินหน้าประยุกต์ใช้เทคโนโลยีปัญญาประดิษฐ์ (AI) ยกระดับวงการแพทย์ พัฒนาระบบ Deep Learning ช่วยจำแนกรอยโรค “เยื่อบุโพรงมดลูกเจริญผิดที่” จากภาพส่องกล้องตรวจช่องท้องอัตโนมัติ หวังเพิ่มความแม่นยำและความรวดเร็วในการวินิจฉัย พร้อมสนับสนุนแพทย์ในการวางแผนรักษาได้อย่างมีประสิทธิภาพมากขึ้น

งานวิจัยดังกล่าวเกิดจากความร่วมมือของนักวิจัยจาก ภาควิชาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์ มหาวิทยาลัยเชียงใหม่ และ ภาควิชาสูติศาสตร์และนรีเวชวิทยา คณะแพทยศาสตร์ มหาวิทยาลัยเชียงใหม่ โดยพัฒนาระบบการเรียนรู้เชิงลึก (Deep Learning Pipeline) สำหรับวิเคราะห์ภาพส่องกล้องตรวจช่องท้อง เพื่อจำแนกรอยโรคเยื่อบุโพรงมดลูกเจริญผิดที่ หรือ Endometriotic Lesions แบบอัตโนมัติ

 

ใช้ AI วิเคราะห์ภาพส่องกล้อง เพิ่มความแม่นยำในการตรวจ

ทีมวิจัยนำชุดข้อมูล GLENDA ซึ่งเป็นฐานข้อมูลภาพส่องกล้องตรวจช่องท้องที่เกี่ยวข้องกับโรคเยื่อบุโพรงมดลูกเจริญผิดที่ มาใช้ในการพัฒนาโมเดล AI โดยผ่านกระบวนการปรับปรุงคุณภาพข้อมูลหลายขั้นตอน ทั้งการปรับขนาดภาพ (Resizing) การปรับมาตรฐานข้อมูล (Normalization) การตัดภาพ (Cropping) และการเพิ่มคุณภาพของภาพ (Enhancement) เพื่อให้ข้อมูลมีความสม่ำเสมอและเหมาะสมต่อการเรียนรู้ของ AI

นอกจากนี้ยังใช้เทคนิค Data Augmentation หรือการเพิ่มข้อมูลด้วยการปรับภาพในหลากหลายรูปแบบ เช่น การหมุน พลิก บิด ซูม และเลื่อนตำแหน่งภาพ เพื่อช่วยให้โมเดลสามารถเรียนรู้ลักษณะของรอยโรคได้หลากหลายมากขึ้น รวมถึงลดข้อจำกัดจากชุดข้อมูลที่มีจำนวนไม่มาก

สำหรับการทดสอบ คณะวิจัยแบ่งข้อมูลออกเป็นชุดฝึก (Training Set) ชุดตรวจสอบ (Validation Set) และชุดทดสอบ (Test Set) พร้อมใช้วิธี 5-fold Cross-validation เพื่อเพิ่มความน่าเชื่อถือของผลการทดลอง

 

เทียบ 3 โมเดล AI “InceptionV3” ทำคะแนนดีที่สุด

ทีมวิจัยทดลองเปรียบเทียบโมเดล AI ที่ใช้เทคนิค Transfer Learning จำนวน 3 สถาปัตยกรรม ได้แก่ VGG19, ResNet50 และ InceptionV3 โดยประเมินประสิทธิภาพด้วยตัวชี้วัดมาตรฐาน ทั้ง Accuracy, Precision, Recall และ F1-score

ผลการศึกษาพบว่า โมเดลทั้ง 3 รูปแบบสามารถจำแนกรอยโรคได้ในระดับสูงและให้ผลลัพธ์ที่สม่ำเสมอ แต่โมเดลที่ทำผลงานได้ดีที่สุดคือ InceptionV3

• InceptionV3 Accuracy 93% | Precision 93% | Recall 94% | F1-score 93%
• ResNet50 Accuracy 91%
• VGG19 Accuracy 89%

ผลดังกล่าวได้รับการยืนยันด้วยกระบวนการ 5-fold Cross-validation ซึ่งสะท้อนถึงความแข็งแกร่งของโมเดลและความสามารถในการนำไปทำนายข้อมูลใหม่ได้อย่างมีประสิทธิภาพ

ขณะเดียวกัน การวิเคราะห์กราฟการเรียนรู้ยังพบว่าโมเดลมีการเรียนรู้ที่ค่อนข้างเสถียร มีปัญหา Overfitting ในระดับต่ำ และสามารถจำแนกข้อมูลได้อย่างแม่นยำ สอดคล้องกับผลจาก Confusion Matrix และเส้นโค้ง AUC-ROC ที่แสดงให้เห็นถึงศักยภาพของโมเดลในการจำแนกรอยโรค

ไม่ได้มาแทนหมอ แต่ช่วยแพทย์ตัดสินใจได้แม่นยำขึ้น

ผลการวิจัยชี้ให้เห็นว่า ระบบ Deep Learning ที่พัฒนาขึ้นมีศักยภาพในการช่วยเพิ่มความแม่นยำในการจำแนกรอยโรคเยื่อบุโพรงมดลูกเจริญผิดที่ และอาจต่อยอดไปสู่การพัฒนาเป็น ระบบสนับสนุนการวินิจฉัย (Clinical Decision Support System) สำหรับบุคลากรทางการแพทย์ในอนาคต

เทคโนโลยีดังกล่าวยังมีโอกาสช่วยให้ตรวจพบโรคได้รวดเร็วขึ้น สนับสนุนการตัดสินใจทางคลินิก และลดข้อจำกัดจากการต้องพึ่งพาผู้เชี่ยวชาญเฉพาะทางเพียงอย่างเดียว ซึ่งอาจช่วยให้ผู้ป่วยได้รับการดูแลและรักษาอย่างเหมาะสมตั้งแต่ระยะเริ่มต้น

ในมุมของผู้ป่วย การวินิจฉัยที่รวดเร็วและแม่นยำขึ้นอาจช่วยลดความเสี่ยงจากผลกระทบของโรค เช่น อาการปวดเรื้อรังและภาวะมีบุตรยาก รวมถึงผลกระทบต่อสุขภาพจิตและคุณภาพชีวิต

ขณะเดียวกัน หากสามารถนำ AI ไปประยุกต์ใช้ในระบบการแพทย์ได้อย่างเหมาะสม ก็มีโอกาสช่วยลดภาระงานของบุคลากรทางการแพทย์ ลดระยะเวลาในการวินิจฉัย รวมถึงลดค่าใช้จ่ายและความจำเป็นในการรักษาหรือผ่าตัดที่ไม่จำเป็น

นับเป็นอีกหนึ่งตัวอย่างของการนำ AI และเทคโนโลยีการวิเคราะห์ภาพทางการแพทย์ มาผสานเข้ากับองค์ความรู้ด้านสูติศาสตร์และนรีเวชวิทยา ซึ่งไม่เพียงสะท้อนศักยภาพของงานวิจัยไทย แต่ยังเปิดทางให้เกิดการต่อยอดเทคโนโลยีเพื่อสนับสนุนการวินิจฉัยโรคที่มีความซับซ้อนในอนาคต

อย่างไรก็ตาม เทคโนโลยี AI ในลักษณะนี้มีบทบาทสำคัญในฐานะ เครื่องมือช่วยสนับสนุนการวินิจฉัยของบุคลากรทางการแพทย์ ไม่ใช่การเข้ามาทดแทนการวินิจฉัยโดยแพทย์โดยตรง