[MVIT Research LAB : ICT, Mahidol University] AI👁ช่วยวินิจฉัยโรคและระบุความรุนแรง ของโรคเบาหวานขึ้นจอประสาทตา DR (Diabetic Retinopathy) โดย มหาวิทยาลัยมหิดล

สำรวจ
ลงทุน
คำถาม

มีบัญชีอยู่แล้ว?หรือ

MVIT Research LAB : ICT, Mahidol University

•

28 ธ.ค. 2022 เวลา 04:29 • วิทยาศาสตร์ & เทคโนโลยี

AI👁ช่วยวินิจฉัยโรคและระบุความรุนแรง ของโรคเบาหวานขึ้นจอประสาทตา

DR (Diabetic Retinopathy) โดย มหาวิทยาลัยมหิดล

AI วินิจฉัยโรค และระบุความรุนแรงของ โรคเบาหวานขึ้นจอประสาทตา DR (Diabetic Retinopathy)

โรคเบาหวานขึ้นตาเป็นโรคที่มักเกิดขึ้นกับบ่อยครั้งกับผู้ป่วยเบาหวาน และในประเทศไทยเองก็มีอาจารย์แพทย์ และผู้เชี่ยวชาญทางด้านดังกล่าวนี้อยู่ในหลายโรงพยาบาล

ในทางเทคโนโลยีเอง การวินิจฉัยด้วยคอมพิวเตอร์ และใช้ AI มาช่วยในการวินิจฉัยมีมาหลายปีแล้ว แต่อย่างไรก็ตาม การพัฒนาให้สามารถนำมาใช้งานได้ ตรงวัตถุประสงค๋ และตามแต่ละบริบทของการใช้งานยังมีอยู่อย่างต่อเนื่อง มีการใช้เทคนิคที่ลึกซึ้ง ทันสมัย ทำให้ความแม่นยำและความถูกต้อง มีความน่าเชื่อถือมากจนสามารถนำมาปรับใช้งานจริงได้

ในครั้งนี้ มหาวิทยาลัยมหิดลเอง ได้มีการวิจัย ผสมผสานความรู้จากผู้เชี่ยวชาญ สหสาขาวิชาชีพ Multidisciplinary Research จน ระบบ AI หรือปัญญาประดิษฐ์ สามารถวินิจฉัยที่มี Sensitivity สูงมากถึง 98.18% สำหรับการวินิจฉัยแยกแยะ ภาวะปกติ และภาวะเกิดโรคDR

Medical Diagnosis 🤖 AI บทความนี้นำเสนอสถาปัตยกรรม CNN DeepRoot เพื่อตรวจวินิจฉัยระดับโรค DR ในภาพเรตินา เราใช้ DeepRoot นำมาออกแบบเพื่อใช้วินิจฉัย 5 กลุ่ม (0ปกติ-4สูงสุด) ของคุณสมบัติโดยละเอียดในการตรวจจับร่องรอยขนาดเล็ก ของ โรคเบาหวานขึ้นจอประสาทตา (Diabetic Retinopathy) DR เช่น microaneurysm และ exudate

ผลของการวินิจฉัย ได้ถูกกำหนดให้แยกแยะแตกต่างกันในชั้นต่างๆของ DeepRoot Layer ในส่วนของ DeepRoot ได้ถูกฝึก (Train) และตรวจสอบ (Validated) ด้วยชุดข้อมูลภาพเรตินาจาก Kaggle โดยแบบจำลอง (Model) ที่ผ่านการ Train แล้วนั้นยังได้รับการทดสอบด้วยตัวอย่างข้อมูลที่ไม่เคยถูกใช้มาก่อน (Unseen Data Samples)

เช่น ข้อมูลที่รวบรวมได้เองจากโรงพยาบาล ตัว Model นั้นมีความสามารถ Sensitivity สูงมากถึง 98.18% สำหรับการวินิจฉัย ภาวะปกติและภาวะโรคDR นอกจากนี้จาก Confusion Matrix ที่ Model สามารถจัดการได้ดีกับการวินิจฉัย ขั้นความรุนแรงของโรคที่ระดับ 3 และ 4 จากจุดเด่นในการเพิ่ม Attention Layers อย่างไรก็ตาม ประสิทธิภาพลดลงในระดับความรุนแรงของโรคน้อย

ซึ่งต่อไปเราจะทำการรวมเทคนิค DR traces segmentation และ CNN-based solution เพื่อการวินิจฉัย ขั้นความรุนแรงของโรคDR โดย Segmentation-based Solution ควรใช้ในการวินิจฉัยความรุนแรงของโรค DR ในระดับที่ 1 และระดับที่ 2 โดยการ Segmentation Micro-Aneurysm และ Exudate จากนั้นจึงทำการวินิจฉัยโรคในระดับที่ 3 และ4 โดยใช้ CNN-based classifier.

บทความ ฉบับเต็ม Detecting and staging diabetic retinopathy in retinal images using multi-branch CNN

โดย

รศ.ดร.วรพันธ์ คู่สกุลนิรันดร์, ดร.ศรัฐฐา กาญจนปรีชากร

คณะเทคโนโลยีสารสนเทศและการสื่อสาร มหาวิทยาลัยมหิดล

รศ.นพ.ปิติพล ชูพงศ์, รศ.ดร.นพ.นพศักดิ์ ผาสุขกิจวัฒนา, ผศ.นพ.สุภเลิศ ประคุณหังสิต, ผศ.พญ.สุธาสินี บุญโสภณ

ภาควิชาจักษุวิทยา คณะแพทยศาสตร์ศิริราชพยาบาล มหาวิทยาลัยมหิดล

ศ.ดร.นพ.ทนงชัย สิริอภิสิทธิ์

ภาควิชารังสีวิทยา คณะแพทยศาสตร์ศิริราชพยาบาล มหาวิทยาลัยมหิดล

More Info: https://doi.org/10.1108/ACI-06-2022-0150

ในความรู้ทางการแพทย์เพิ่มเติมเกี่ยวกับโรคเบาหวานขึ้นตา

👁เบาหวานขึ้นจอตาอันตรายแค่ไหน เราควรตรวจเมื่อใด รักษาตอนไหน กับบทความของ โรงพยาบาลศิริราช ปิยมหาราชการุณย์ ที่

เบาหวานขี้นจอตา อันตรายแค่ไหน? (Diabetic Retinopathy)

เรียนรู้เพิ่มเติม

siphhospital.com

เบาหวานขี้นจอตา อันตรายแค่ไหน? (Diabetic Retinopathy)

เบาหวานขึ้นจอตา คือภาวะที่จอตาเปลี่ยนแปลงไปเพราะโรคเบาหวาน เนื่องจากน้ำตาลในเลือดสูง

และ บทความ ภาวะเบาหวานขึ้นจอตา (Diabetic Retinopathy) โดยภาควิชาจักษุวิทยา คณะแพทยศาสตร์ศิริราชพยาบาล ที่อธิบายความหมายของเบาหวานขึ้นจอตา วิธีการรักษา และ เมื่อไหร่ที่ผู้ป่วยเบาหวานควรรับการตรวจตา ได้ที่ https://www.si.mahidol.ac.th/th/healthdetail.asp?aid=919

Abstract

Purpose

This paper aims to propose a solution for detecting and grading diabetic retinopathy (DR) in retinal images using a convolutional neural network (CNN)-based approach. It could classify input retinal images into a normal class or an abnormal class, which would be further split into four stages of abnormalities automatically.

Design/methodology/approach

The proposed solution is developed based on a newly proposed CNN architecture, namely, DeepRoot. It consists of one main branch, which is connected by two side branches. The main branch is responsible for the primary feature extractor of both high-level and low-level features of retinal images. Then, the side branches further extract more complex and detailed features from the features outputted from the main branch.

They are designed to capture details of small traces of DR in retinal images, using modified zoom-in/zoom-out and attention layers.

Findings

The proposed method is trained, validated and tested on the Kaggle dataset. The regularization of the trained model is evaluated using unseen data samples, which were self-collected from a real scenario from a hospital. It achieves a promising performance with a sensitivity of 98.18% under the two classes scenario.

Originality/value

The new CNN-based architecture (i.e. DeepRoot) is introduced with the concept of a multi-branch network. It could assist in solving a problem of an unbalanced dataset, especially when there are common characteristics across different classes (i.e. four stages of DR). Different classes could be outputted at different depths of the network.

https://www.emerald.com/insight/content/doi/10.1108/ACI-06-2022-0150

บทความโดย กิตติคุณ ทองกัญชร, คณะเทคโนโลยีสารสนเทศและการสื่อสาร มหาวิทยาลัยมหิดล

By Kittikhun Thongkanchorn, ICT Mahidol Univrtsity

ดูเพิ่มเติมในซีรีส์

MVIT Lab Research & Publications

โฆษณา

ดาวน์โหลดแอปพลิเคชัน

AI👁ช่วยวินิจฉัยโรคและระบุความรุนแรง ของโรคเบาหวานขึ้นจอประสาทตา

ดาวน์โหลดแอปพลิเคชัน