มช. นำ AI ยกระดับความแม่นยำในการวินิจฉัยโรค พัฒนาปัญญาประดิษฐ์ ช่วยจำแนกรอยโรคเยื่อบุโพรงมดลูกเจริญผิดที่จากภาพส่องกล้องตรวจช่องท้อง

คณะนักวิจัยจากมหาวิทยาลัยเชียงใหม่ นำโดยนักวิจัยจากภาควิชาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์ ร่วมกับภาควิชาสูติศาสตร์และนรีเวชวิทยา คณะแพทยศาสตร์ ประสบความสำเร็จในการพัฒนาระบบการเรียนรู้เชิงลึก (Deep Learning Pipeline) สำหรับจำแนกรอยโรคเยื่อบุโพรงมดลูกเจริญผิดที่ (Endometriotic Lesions) จากภาพส่องกล้องตรวจช่องท้องโดยอัตโนมัติ เพื่อสนับสนุนการวินิจฉัยโรคให้มีความแม่นยำ รวดเร็ว และมีประสิทธิภาพยิ่งขึ้น

งานวิจัยได้ออกแบบขั้นตอนการทำงานของระบบ AI ที่มีโครงสร้างชัดเจน โดยใช้ชุดข้อมูล GLENDA ซึ่งเป็นฐานข้อมูลภาพส่องกล้องตรวจช่องท้องสำหรับโรคเยื่อบุโพรงมดลูกเจริญผิดที่ จากนั้นนำข้อมูลมาปรับปรุงคุณภาพอย่างเป็นระบบ ทั้งการปรับขนาดภาพ (Resizing) การปรับมาตรฐานข้อมูล (Normalization) การตัดภาพ (Cropping) และการเพิ่มคุณภาพของภาพ (Enhancement) เพื่อให้ข้อมูลมีความสม่ำเสมอและเหมาะสมต่อการเรียนรู้ของโมเดล

นอกจากนี้ คณะวิจัยยังประยุกต์ใช้เทคนิคการเพิ่มข้อมูล (Data Augmentation) ในหลายรูปแบบ เช่น การหมุนภาพ การพลิกภาพ การบิดภาพ การซูม และการเลื่อนตำแหน่ง เพื่อเพิ่มความสามารถของโมเดลในการวิเคราะห์ข้อมูลใหม่ และลดข้อจำกัดจากการมีชุดข้อมูลในปริมาณจำกัด ในการพัฒนาโมเดล ชุดข้อมูลถูกแบ่งออกเป็นชุดฝึก (Training Set) ชุดตรวจสอบ (Validation Set) และชุดทดสอบ (Test Set) พร้อมใช้วิธี 5-fold Cross-validation เพื่อเพิ่มความน่าเชื่อถือของผลการทดลอง โดยเปรียบเทียบประสิทธิภาพของโมเดลปัญญาประดิษฐ์ที่ใช้เทคนิค Transfer Learning จำนวน 3 สถาปัตยกรรม ได้แก่ VGG19, ResNet50 และ InceptionV3 พร้อมประเมินผลด้วยตัวชี้วัดมาตรฐาน ได้แก่ Accuracy, Precision, Recall และ F1-score

ผลการศึกษาพบว่า โมเดลทั้งสามมีประสิทธิภาพในการจำแนกรอยโรคอยู่ในระดับสูงและให้ผลลัพธ์อย่างสม่ำเสมอ โดย InceptionV3 ให้ผลลัพธ์ดีที่สุด มีค่า Accuracy 93% สูงกว่า ResNet50 ที่มีค่า Accuracy 91% และ VGG19 ที่มีค่า Accuracy 89% อีกทั้งยังมีค่า Precision 93%, Recall 94% และ F1-score 93% ซึ่งสูงที่สุดในการทดลอง

ผลลัพธ์ดังกล่าวได้รับการยืนยันผ่านกระบวนการ 5-fold Cross-validation สะท้อนถึงความแข็งแกร่ง (Robustness) ของโมเดลและความสามารถในการทำนายข้อมูลใหม่ได้อย่างมีประสิทธิภาพ ขณะเดียวกัน การวิเคราะห์กราฟการเรียนรู้ยังแสดงให้เห็นว่าโมเดลมีการเรียนรู้ที่เสถียร มีปัญหา Overfitting ในระดับต่ำ และสามารถจำแนกข้อมูลได้อย่างแม่นยำ ซึ่งสอดคล้องกับผลการวิเคราะห์จาก Confusion Matrix และเส้นโค้ง AUC-ROC ที่แสดงศักยภาพในการจำแนกข้อมูลของโมเดลได้เป็นอย่างดี

ผลการวิจัยยืนยันว่า แนวทางการพัฒนาระบบการเรียนรู้เชิงลึกที่นำเสนอสามารถเพิ่มความแม่นยำในการจำแนกรอยโรคได้อย่างมีนัยสำคัญเมื่อเทียบกับแนวทางที่ผ่านมา และมีศักยภาพในการพัฒนาเป็นระบบสนับสนุนการวินิจฉัยที่มีความน่าเชื่อถือสำหรับบุคลากรทางการแพทย์

นอกจากความก้าวหน้าด้านเทคโนโลยีทางการแพทย์แล้ว งานวิจัยยังสร้างประโยชน์ในหลายมิติ โดยช่วยเพิ่มโอกาสในการตรวจพบโรคเยื่อบุโพรงมดลูกเจริญผิดที่ได้รวดเร็วและแม่นยำมากขึ้น สนับสนุนการตัดสินใจทางคลินิก (Clinical Decision-making) และลดการพึ่งพาผู้เชี่ยวชาญเฉพาะทาง ซึ่งจะช่วยเพิ่มโอกาสให้ผู้ป่วยได้รับการรักษาอย่างเหมาะสมตั้งแต่ระยะเริ่มต้น

ในมิติทางสังคม การวินิจฉัยที่รวดเร็วช่วยลดความเสี่ยงของอาการปวดเรื้อรัง ภาวะมีบุตรยาก และผลกระทบด้านสุขภาพจิต ส่งผลให้ผู้ป่วยหญิงมีคุณภาพชีวิตที่ดีขึ้น ขณะที่ในด้านเศรษฐกิจ ระบบปัญญาประดิษฐ์สามารถช่วยลดค่าใช้จ่ายทางการแพทย์ ลดความจำเป็นของการผ่าตัดที่ไม่จำเป็น ลดระยะเวลาการวินิจฉัย และช่วยลดภาระงานของบุคลากรทางการแพทย์

ในด้านวิชาการ งานวิจัยนี้ยังสะท้อนศักยภาพของการประยุกต์ใช้เทคนิค Transfer Learning, Data Augmentation และ Cross-validation กับชุดข้อมูลทางการแพทย์เฉพาะทางที่มีขนาดจำกัด พร้อมนำเสนอกรอบการพัฒนาระบบที่สามารถนำไปประยุกต์ใช้และต่อยอดในงานวิจัยด้านการวิเคราะห์ภาพทางการแพทย์ด้วยปัญญาประดิษฐ์ในอนาคต