การพัฒนาเว็บแอปพลิเคชันสำหรับช่วยวินิจฉัยโรคหลอดเลือดสมอง  โดยใช้ปัญญาประดิษฐ์แบบการเรียนรู้เชิงลึกบนภาพเอกซเรย์คอมพิวเตอร์

ฐิติพงศ์  แก้วเหล็ก; เก็จมณี  สิถินวรรณ์; คุณาภรณ์  เหลืองอรุณ; วศิตา  แสนสุริยวงศ์; รวิวรรณ  พัทธวีรกุล; ธัชชัย  ฮั่นตระกูล; ภุวิส  ชินวัฒนวงศ์วาน

ผู้แต่ง

ฐิติพงศ์ แก้วเหล็ก ภาควิชารังสีเทคนิค คณะสหเวชศาสตร์ มหาวิทยาลัยนเรศวร พิษณุโลก 65000 ประเทศไทย https://orcid.org/0000-0001-6400-0489
เก็จมณี สิถินวรรณ์ ภาควิชารังสีเทคนิค คณะสหเวชศาสตร์ มหาวิทยาลัยนเรศวร พิษณุโลก 65000 ประเทศไทย https://orcid.org/0009-0008-0246-7874
คุณาภรณ์ เหลืองอรุณ ภาควิชารังสีเทคนิค คณะสหเวชศาสตร์ มหาวิทยาลัยนเรศวร พิษณุโลก 65000 ประเทศไทย https://orcid.org/0009-0000-7472-4253
วศิตา แสนสุริยวงศ์ ภาควิชารังสีเทคนิค คณะสหเวชศาสตร์ มหาวิทยาลัยนเรศวร พิษณุโลก 65000 ประเทศไทย https://orcid.org/0009-0009-5735-4823
รวิวรรณ พัทธวีรกุล ภาควิชารังสีวิทยา คณะแพทยศาสตร์ มหาวิทยาลัยนเรศวร พิษณุโลก 65000 ประเทศไทย
ธัชชัย ฮั่นตระกูล ภาควิชารังสีวิทยา คณะแพทยศาสตร์ มหาวิทยาลัยนเรศวร พิษณุโลก 65000 ประเทศไทย
ภุวิส ชินวัฒนวงศ์วาน ภาควิชารังสีวิทยา คณะแพทยศาสตร์ มหาวิทยาลัยนเรศวร พิษณุโลก 65000 ประเทศไทย https://orcid.org/0000-0002-9430-0930

คำสำคัญ:

ปัญญาประดิษฐ์, คอมพิวเตอร์ช่วยวินิจฉัย, การเรียนรู้เชิงลึก, โรคหลอดเลือดสมอง, เว็บแอปพลิเคชัน

บทคัดย่อ

โรคหลอดเลือดสมองมีความเสี่ยงสูงในผู้สูงวัย การวินิจฉัยด้วยภาพถ่ายเครื่องเอกซเรย์คอมพิวเตอร์มีความต้องการความแม่นยำ ความเชี่ยวชาญในการแปลผลเป็นสิ่งจำเป็น และปัจจุบันปัญญาประดิษฐ์เข้ามามีส่วนช่วยให้รังสีแพทย์แปลผลถูกต้องมากขึ้น มีหลายโปรแกรมที่มีใช้งาน แต่ต้องเสียค่าบริการและติดตั้งเครื่องมือ งานวิจัยนี้จึงมีวัตถุประสงค์จะพัฒนาเว็บแอปพลิเคชันสำหรับตรวจหาโรคหลอดเลือดสมองในภาพเอกซเรย์คอมพิวเตอร์สมอง เว็บแอปพลิเคชันสามารถใช้งานได้ทั้งในเครื่องคอมพิวเตอร์ มือถือ และแท็บเล็ต โดยอาศัยปัญญาประดิษฐ์ในการแยกภาพโรคหลอดเลือดสมอง ข้อมูลภาพจำนวน 1,636 ภาพ (1,111 ภาพปกติ และ 525 ภาพโรคหลอดเลือดสมอง) ถูกใช้ในงานนี้ ภาพประมาณร้อยละ 70 (1,175 ภาพ) ของภาพทั้งหมดใช้ในการฝึกฝน ร้อยละ 20 (329 ภาพ) ใช้ในการตรวจสอบ และร้อยละ 10 (132 ภาพ)ใช้ในการทดสอบ ปัญญาประดิษฐ์ (การเรียนรู้เชิงลึก: วีจีจี-16) ค่าความถูกต้อง ความไว ความจำเพาะ เอฟวัน-สกอร์ และพื้นที่ใต้กราฟ ถูกใช้ในประเมินประสิทธิภาพของเว็บแอปพลิเคชัน ทำการประเมินการออกแบบและการใช้งานเว็บแอปพลิเคชันด้วยการให้คะแนน 5 ระดับโดยรังสีแพทย์ 3 ท่าน ผลแสดงค่าความถูกต้อง ความไว ความจำเพาะ เอฟวัน-สกอร์ และพื้นที่ใต้กราฟ (0.969 0.952 0.978 0.952 และ 0.965) คะแนนการออกแบบและการใช้งานมีค่าเท่ากับ 4.13 ± 0.38 และ 4.37 ± 0.33 สรุปได้ว่ามีประสิทธิภาพในการวินิจฉัยโรคหลอดเลือดสมองในภาพเอกซเรย์คอมพิวเตอร์สมอง และง่ายต่อการใช้งานบนระบบอินเตอร์เน็ต

Downloads

References

World Health Organization (WHO). World stroke day 2022 [cited 2022 November 17]. Available from: https://www.who.int/srilanka/news/detail/29-10-2022-world-stroke-day-2022

The Ministry of Public Health of Thailand, Public Health Statistics A.D. 2022. [cited 2022 May 14]. Available from: https://spd.moph.go.th/wp-content/uploads/2023/11/Hstatistic65.pdf

González RG. Current State of Acute Stroke Imaging. Stroke. 2013; 44(11):3260-3264 https://doi.org/10.1161/STROKEAHA.113.003229

Birenbaum D, Bancroft LW, Felsberg GJ. Imaging in Acute Stroke. West J Emerg Med. 2011;12(1):67-76.

Guberina N, Dietrich U, Radbruch A, et al. Detection of early infarction signs with machine learning based diagnosis by means of the Alberta Stroke Program Early CT score (ASPECTS) in the clinical routine. Neuroradiology. 2018; 60:889–901.

Kuang H, Najm M, Chakraborty D, et al. Automated ASPECTS on noncontrast CT scans in patients with acute ischemic stroke using machine learning. American Journal of Neuroradiology 2019; 40:33–38

Shafaat O, Bernstock DJ, Shafaat A, et.al. Leveraging artificial intelligence in ischemic stroke imaging. Journal of Neuroradiology. 2022; 49; 343–351.

Pandey N. Lung segmentation from Chest X-Ray dataset. Kaggle Inc [cited 2022 April 28]. Available from: https://www.kaggle.com/code/nikhilpandey

/lung-segmentation-from-chest-x-ray-dataset/

notebook

Tasnia N. brain-stroke-prediction-ct-scan-image-dataset. [cited 2022 May 1]. Available from: https://www.kaggle.com/datasets/noshintasnia/brain-stroke-prediction-ct-scan-image-dataset

Vbookshelf. Brain CT Images with Intracranial Hemorrhage Masks. [cited 2022 May 1]. Available from: https://www.kaggle.com/datasets/vbookshelf/

computed-tomography-ct-images

Kaewlek T, Sitinwan K, Lueangaroon K, Sansuriyawong W. Comparative analysis of deep learning techniques for accurate stroke detection. Journal of Associated Medical Sciences. 2024; 57(2), 49–55.

Varshney P. VGGNet-16 Architecture: A Complete Guide. [cited 2022 January 13]. Available from: https://www.kaggle.com/code/blurredmachine/vggnet-16-architecture-a-complete-guide

Vogt WP. Dictionary of statistics and methodology. 1999, 2nd ed, Sage: Thousand Oaks, California.

Joshi A, Kale S, Chandel S, Pal DK. Likert Scale: Explored and Explained. Current Journal of Applied Science and Technology, 2015; 7(4), 396–403.

Mcleod S. Likert Scale Questionnaire: Examples & Analysis. [cited 2023 August 13]. Available from: https://www.simplypsychology.org/likert-scale.html

Chen YT, Chen YL, Chen YY, Huang YT, Wong HF, Yan JL, et al. Deep Learning–Based Brain Computed Tomography Image Classification with Hyperparameter Optimization through Transfer Learning for Stroke. Diagnostics 2022; 12, 807.

Ozaltin O, Coskun O, Yeniay O, Subasi A. A Deep Learning Approach for Detecting Stroke from Brain CT Images Using OzNet. Bioengineering 2022; 9: 783.

Li S, Zheng J, Li D. Precise segmentation of non-enhanced computed tomography in patients with ischemic stroke based on multi-scale U-Net deep network model. Computer methods and programs in biomedicine. 2021; 208:106278.

Guerrero R, Qin C, Oktay O, Bowles C, Chen L, Joules R, et al. White matter hyperintensity and stroke lesion segmentation and differentiation using convolutional neural networks. Neuroimage Clin. 2018; 17:918-34.

Phong TD, Duong HN, Nguyen HT, Trong NT, Nguyen VH, Hoa TV, et al. Brain hemorrhage diagnosis by using deep learning. Proceedings of the 2017 International Conference on Machine learning and soft Computing; Ho Chi Minh City, Vietnam. Association for Computing Machinery; 2017. p. 34–9.

Gaidhani BR, Rajamenakshi RR, Sonavane S. Brain stroke detection using convolutional neural network and deep learning models. 2019, 2nd international conference on intelligent communication and computational techniques (ICCT); 2019; Sept 28-29. Jaipur, India. 2019.

Mouridsen K, Thurner P, Zaharchuk G. Artificial intelligence applications in stroke. Stroke. 2020; 51(8):2573-9.

Ding L, Liu C, Li Z, Wang Y. Incorporating artificial intelligence into stroke care and research. Stroke. 2020; 51(12): e351-e4.

Ammar M, Lamria MA, Mahmoudib S, Laidia A. Deep Learning Models for Intracranial Hemorrhage Recognition: A comparative study. Procedia Computer Science. 2022;196: 418–425.

Vamsi B, Bhattacharyya D, Midhunchakkravarthy D, Kim JY. Early Detection of Hemorrhagic Stroke Using a Lightweight Deep Learning Neural Network Model. Traitement du signal. 2021;38(6): 1727-1736.

Soun JE, Chow DS, Nagamine M, Takhtawala RS, Filippi CG, Yu W, et al. Artificial intelligence and acute stroke imaging. AJNR Am J Neuroradiol. 2021; 42(1): 2-11.