วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม 
Maejo Information Technology and Innovation Journal (MITIJ)
 ค้นหา | หน้าแรก   
 
 
 
» หน้าแรก
» ฉบับปัจจุบัน
» ฉบับย้อนหลัง
» ค้นหาวารสาร/บทความ
» ลงทะเบียน (OJS/PKP)
 

                               :: รายละเอียดบทความ ::
กลับสู่เมนูค้นหา 
ชื่อบทความ
การพัฒนาตัวแบบการเรียนรู้ของเครื่องเพื่อการแบ่งชั้นความเสี่ยงและการพยากรณ์โรคมะเร็งปอดขั้นสูงในภาพเอกซเรย์คอมพิวเตอร์
ชื่อบทความ(English)
Development of Machine Learning Models for Risk Stratification and Prognostication of Advanced Lung Cancer in Computer Tomography Images
ประเภทบทความ
บทความวิจัย
ชื่อผู้แต่ง เลอศักดิ์ โพธิ์ทอง(1), อริสรา ผดุงเจริญ(1) และศุภกร ศรีสง่า(1*) (Lersak Phothong(1), Arisara Phadungcharoen(1) and Supakorn Srisnga (1*))
หน่วยงาน สาขาคอมพิวเตอร์ธุรกิจ คณะการบัญชีและการจัดการ มหาวิทยาลัยมหาสารคาม(1) (Department of Business Computer, Mahasarakham Business School, Mahasarakham University) * ผู้นิพนธ์ประสานงาน: ศุภกร ศรีสง่า อีเมล: 010974011@msu.ac.th
ชื่อวารสาร วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม ปีที่ 10 ฉบับที่ 3 กันยายน – ธันวาคม 2567
บทคัดย่อ

     การจำแนกระยะของมะเร็งปอดอย่างแม่นยำมีความสำคัญอย่างยิ่งต่อการตรวจคัดกรองและการวางแผนการรักษาที่มีประสิทธิภาพเพื่อยืดอายุการรอดชีวิตของผู้ป่วย งานวิจัยนี้มุ่งเน้นการพัฒนาตัวแบบการเรียนรู้ของเครื่องที่มีความสามารถในการจำแนกผู้ป่วยมะเร็งปอดระยะเริ่มต้นและระยะลุกลามโดยใช้ภาพเอกซเรย์คอมพิวเตอร์ (CT) จำนวน 800 ภาพ จากชุดข้อมูล Kaggle.com โดยวิเคราะห์ข้อมูลและพัฒนาแบบจำลอง ตามกระบวนการมาตรฐานในการทำเหมืองข้อมูล (CRISM-DM) ด้วยการสกัดคุณลักษณะที่เป็นประโยชน์จากภาพ ซึ่งเป็นสัญญาณบ่งชี้ของเนื้อร้ายมะเร็ง จากนั้นทำการเปรียบเทียบประสิทธิภาพการจำแนกระยะของมะเร็งปอดของตัวแบบการเรียนรู้ของเครื่อง 3 เทคนิค ได้แก่ การเรียนรู้เชิงลึก (Deep Learning, DL) , โครงข่ายประสาทเทียม (Artificial Neural Networks, ANN)  และเพื่อนบ้านที่ใกล้ที่สุด (k-Nearest Neighbors, k-NN) ผลการวิจัยพบว่า โมเดล k-NN มีประสิทธิภาพเหนือกว่า DL และ ANN ในบริบทเฉพาะนี้ โดย สามารถจำแนกได้อย่างแม่นยำถึง 96% มีความไว 96.25% และความจำเพาะ 95.75% งานวิจัยนี้แสดงให้เห็นถึงศักยภาพของ k-NN ว่ามีแนวโน้มที่เป็นประโยชน์และมีประสิทธิภาพสำหรับการจำแนกระยะของมะเร็งปอดโดยใช้ภาพเอกซเรย์คอมพิวเตอร์ โดยเป็นความก้าวหน้าที่มีศักยภาพในการเพิ่มความรวดเร็วการวินิจฉัยของทีมแพทย์และการปรับปรุงกลยุทธ์การดูแลผู้ป่วยให้เหมาะสมยิ่งขึ้น

คำสำคัญ การพยากรณ์โรคมะเร็งปอด; การเรียนรู้ของเครื่อง; การจำแนกความเสี่ยง; ภาพถ่ายทางการแพทย์; ภาพเอกซ์เรย์คอมพิวเตอร์
ปี พ.ศ. 2567
ปีที่ (Vol.) 10
ฉบับที่ (No.) 3
เดือนที่พิมพ์ กันยายน - ธันวาคม
เลขที่หน้า (Page) 113-131
ISSN ISSN 3027-7280 (Online)
DOI 10.14456/mitij.2024.23
ORCID_ID 0009-0006-7104-9831
ไฟล์บทความ https://mitij.mju.ac.th/ARTICLE/R67038.pdf
  
เอกสารอ้างอิง 
  ธวัชชัย เหล็กดี รัฐพรรณ สันติอโนทัย และ เจษฎา อุดมพิทยาสรรพ์. (2024). การเปรียบเทียบประสิทธิภาพของแบบจำลองการทำนายความเสี่ยงโรคมะเร็งปอดด้วยเทคนิคเหมืองข้อมูล. วิทยาศาสตร์และเทคโนโลยีสู่ชุมชน, 2(1), 22-35. https://li02.tci-thaijo.org/index.php/STC/article/view/705
  ภัทรนัย ไชยพรม สมชาย จาดศรี ดุริยา ฟองมูล และ สัณหวัช ไชยวงศ์. (2016). ปัจจัยเกี่ยวข้องมะเร็งปอด: การศึกษาเชิงวิเคราะห์ย้อนหลัง. Health Science, Science and Technology Reviews, 9(3), 47-49.https://li01.tci-thaijo.org/index.php/journalup/article/view/73694
  วนิดา ผาตาล. (2021). ค่าความไวและค่าความจำเพาะของ Serum prostate Specific antigen เมื่อเทียบกับการตรวจทางศัลยพยาธิวิทยาในมะเร็งต่อมลูกหมากในโรงพยาบาลอุดรธานี. วารสารโรงพยาบาลมหาสารคาม, 18(3), 113-123.
  สุชาวดี รุ่งแจ้ง, และ รัชนี นามจันทรา. (2016). การจัดการอาการในผู้ป่วยมะเร็งปอดระยะลุกลาม. Thai Journal of Cardio-Thoracic Nursing, 27(2), 43-57. https://he02.tci-thaijo.org/index.php/journalthaicvtnurse/article/view/79374
  อนุพงศ์ สุขประเสริฐ . (2022). คู่มือการทำเหมืองข้อมูลด้วยโปรแกรม RapidMiner Studio (พิมพ์ครั้งที่ 5). คณะการบัญชีและการจัดการ: มหาวิทยาลัยมหาสารคาม
  Ali, M. H., Jaber, M. M., Abd, S. K., Alkhayyat, A., & Jasim, A. D. (2022). Artificial Neural Network-Based Medical Diagnostics and Therapeutics. International Journal of Pattern Recognition and Artificial Intelligence, 36(16), 2240007. https://doi.org/10.1142/S0218001422400079
  Babu, N. S. S., Ashwini, N. G., & Ramashri, N. D. T. (2023). Automatic Benign and Malignant Classification of Pulmonary Nodules in Thoracic Computed Tomography Images based on CNN Algorithm. International Journal of Scientific Research in Science and Technology, 644–649. https://doi.org/10.32628/ijsrst52310340
  Bhuvaneswari, P., & Therese, A. B. (2015). Detection of cancer in lung with k-NN classification using genetic algorithm. Procedia Materials Science, 10, 433-440. https://www.sciencedirect.com/science/article/pii/S2211812815003156
  Chang, X. (2023). Research on image features extraction based on machine learning algorithms. In Eighth International Conference on Electronic Technology and Information Science (ICETIS 2023) (Vol. 12715, pp. 399-404). SPIE. https://doi.org/10.1117/12.2682449
  Dimitrov, P. (2023). Neural network models. arXiv preprint arXiv:2301.02987. https://doi.org/10.48550/arXiv.2301.02987
  Farhad, M., Masud, M. M., Beg, A., Ahmad, A., & Ahmed, L. (2023). A review of medical diagnostic video analysis using deep learning techniques. Applied Sciences, 13(11), 6582. https://doi.org/10.3390/app13116582
  G?ltepe, Y. (2021). Performance of Lung Cancer Prediction Methods Using Different Classification Algorithms. Computers, Materials & Continua, 67(2). https://www.researchgate.net/publication/349530874_Performance_of_Lung_Cancer_Prediction_Methods_Using_Different_Classification_Algorithms
  Hariharan, J., Ampatzidis, Y., Abdulridha, J., & Batuman, O. (2022). Useful Feature Extraction and Machine Learning Techniques for Identifying Unique Pattern Signatures Present in Hyperspectral Image Data. In Hyperspectral Imaging-A Perspective on Recent Advances and Applications. IntechOpen. https://doi.org/10.5772/intechopen.107436
  Hassan, A., & Sabha, M. (2023). Feature extraction for image analysis and detection using machine learning techniques. International Journal of Advanced Networking and Applications, 14(4), 5499-5508. https://doi.org/10.35444/ijana.2023.14401
  Huang, P., Illei, P. B., Franklin, W., Wu, P. H., Forde, P. M., Ashrafinia, S., ... & Gabrielson, E. (2022). Lung Cancer Recurrence Risk Prediction through Integrated Deep Learning Evaluation. Cancers, 14(17), 4150. https://doi.org/10.3390/cancers14174150
  Huang, T., Ma, L., Zhang, B., & Liao, H. (2023). Advances in deep learning: From diagnosis to treatment. BioScience Trends, 17(3), 190-192. https://doi.org/10.5582/bst.2023.01148
  Kumar, K. V., Ayyappa, Y., Kumar, B. V., Jonnadula, H., Tondepu, Y., & Vidya, N. S. (2023). A scheme of long short-term memory (LSTM)-CNN features extraction and spatial relationship to anonymize image and video for Privacy-Preserving Human Activity Recognition of multiple sequences of data. In 2023 3rd International conference on Artificial Intelligence and Signal Processing (AISP) (pp. 1-5). IEEE. https://doi.org/10.1109/AISP57993.2023.10134958
  Kumar, Y. K., & Priyanka, R. (2023, January). Lung Cancer Identification System to Improve the Accuracy Using Novel K Nearest Neighbour in Comparison with Logistic Regression Algorithm. In 2023 International Conference on Artificial Intelligence and Knowledge Discovery in Concurrent Engineering (ICECONF) (pp. 1-5). IEEE. https://doi.org/10.1109/ICECONF57129.2023.10084340
  Kumjit, K., Jaikoomkao, D., Phumirang, W., Sattanako, A., & Sukprasert, A. (2022, September 22). ประสิทธิภาพของเทคนิคเหมืองข้อมูลสำหรับพยากรณ์การเกิดโรคหลอดเลือดในสมอง. ph01.tci-thaijo.org. https://doi.org/10.14456/jait.2022.7
  Maleki, N., Zeinali, Y., & Niaki, S. T. A. (2021). A k-NN method for lung cancer prognosis with the use of a genetic algorithm for feature selection. Expert Systems with Applications, 164, 113981. https://www.sciencedirect.com/science/article/abs/pii/S0957417420307594
  Malik, P., & Singh, S. (2024). Deep Learning Approaches and Biomarkers in Medical Diagnosis. Recent Patents on Engineering, 18(3), 13-26. 10.2174/1872212117666230130100048
  Niyomthong, P. (2018). โรค มะเร็ง ปอด รู้ เท่าทัน ป้องกัน ได้. (PMJCS) Phrae Medical Journal and Clinical Sciences, 26(1), 61-80. https://thaidj.org/index.php/jpph/article/download/7062/6547
  Progga, P. H., Rahman, M. J., Biswas, S., Ahmed, M. S., & Farid, D. M. (2023, April). K-Nearest Neighbour Classifier for Big Data Mining based on Informative Instances. In 2023 IEEE 8th International Conference for Convergence in Technology (I2CT) (pp. 1-7). IEEE. https://doi.org/10.1109/I2CT57861.2023.10126147
  The IQ-OTH/NCCD lung cancer dataset. (2020, May 24). Kaggle. https://www.kaggle.com/datasets/hamdallak/the-iqothnccd-lung-cancer-dataset/data
  Vieira, E., Ferreira, D., Neto, C., Abelha, A., & Machado, J. (2021, March). Data mining approach to classify cases of lung cancer. In World Conference on Information Systems and Technologies (pp. 511-521). Cham: Springer International Publishing. https://link.springer.com/chapter/10.1007/978-3-030-72657-7_49
  Wang, C., Long, Y., Li, W., Dai, W., Xie, S., Liu, Y., ... & Duan, Y. (2020). Exploratory study on classification of lung cancer subtypes through a combined K-nearest neighbor classifier in breathomics. Scientific reports, 10(1), 5880. https://www.nature.com/articles/s41598-020-62803-4
 
กลับสู่ เมนูค้นหา
       
กองบรรณาธิการวารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม มหาวิทยาลัยแม่โจ้
63 หมู่ 4 ต.หนองหาร อ.สันทราย จ.เชียงใหม่ 50290  mitij@mju.ac.th