| ชื่อบทความ |
การสร้างตัวแบบการเรียนรู้เชิงลึกเพื่อการวินิจฉัยโรคมาลาเรียอย่างรวดเร็วและแม่นยำในภาพถ่ายฟิล์มเลือด
|
| ชื่อบทความ(English) |
Development of Deep Learning Models for Rapid and Accurate Malaria Parasite Detection in Blood Smear Image
|
|
|
|
| ประเภทบทความ |
บทความวิจัย
|
| ชื่อผู้แต่ง |
เลอศักดิ์ โพธิ์ทอง(1), ภาคินี เหล่ามูล(1), ภัททิยา โมรา(1) และ อนุพงศ์ สุขประเสริฐ(1*) (Lersak Phothong(1), (Pakinee Laomoon(1), Pattiya Mora(1) and Anupong Sukprasert(1*))
|
| หน่วยงาน |
สาขาคอมพิวเตอร์ธุรกิจ คณะการบัญชีและการจัดการ มหาวิทยาลัยมหาสารคาม(1) (Department of Business Computer, Mahasarakham Business School, Mahasarakham University(1)) * ผู้นิพนธ์ประสานงาน: อนุพงศ์ สุขประเสริฐ อีเมล: anupong.s@acc.msu.ac.th
|
| ชื่อวารสาร |
วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม ปีที่ 11 ฉบับที่ 2 พฤษภาคม – สิงหาคม 2568
|
| บทคัดย่อ |
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาตัวแบบที่มีประสิทธิภาพโดยใช้เทคนิคการเรียนรู้เชิงลึกสำหรับการวินิจฉัยโรคมาลาเรียในภาพถ่ายฟิล์มเลือดอย่างรวดเร็วและแม่นยำ การวิเคราะห์ตามกระบวนการทำเหมืองข้อมูลมาตรฐานอุตสาหกรรม ใช้เทคนิคการคัดเลือกปัจจัยแบบไปข้างหน้าและการลดตัวแปรร่วมกับเทคนิคการจำแนกประเภท 4 แบบ ได้แก่ เทคนิคเพื่อนบ้านใกล้สุด เทคนิคโครงข่ายประสาทเทียม เทคนิคเรียนรู้เชิงลึก และเทคนิคป่าสุ่ม โดยเปรียบเทียบประสิทธิภาพของตัวแบบเหล่านี้ด้วยค่าความแม่นยำ ค่าประสิทธิภาพโดยรวม ค่าความเร็ว และค่าจำเพาะ ผลการวิจัยพบว่า เทคนิคการคัดเลือกปัจจัยที่ใช้เทคนิคการเรียนรู้เชิงลึกให้ค่าความแม่นยำ 97.75% ค่าประสิทธิภาพโดยรวม 97.73% ค่าความเร็ว 97.19% และค่าจำเพาะ 98.31% เทคนิคนี้เหมาะสมสำหรับการพัฒนาตัวแบบการคัดกรองผู้ป่วยโรคมาลาเรีย ลดความล่าช้าในการดูแลผู้ป่วยในพื้นที่ห่างไกลและขาดแคลนแพทย์ สนับสนุนการกำหนดนโยบายการรักษาโดยทีมสหวิชาชีพ และสามารถวินิจฉัยโรคมาลาเรียได้อย่างรวดเร็วและแม่นยำด้วยเทคนิคปัญญาประดิษฐ์ ซึ่งช่วยให้การรักษาผู้ป่วยโรคมาลาเรียเป็นไปอย่างทันท่วงทีและมีประสิทธิภาพ อีกทั้งยังลดอัตราการเสียชีวิตจากโรคมาลาเรียในอนาคต
|
| คำสำคัญ |
การจำแนกประเภทข้อมูลภาพ; การเรียนรู้เชิงลึก; การวินิจฉัยโรค; โรคมาลาเรีย; ภาพถ่ายฟิล์มเลือด
|
| ปี พ.ศ. |
2568
|
| ปีที่ (Vol.) |
11
|
| ฉบับที่ (No.) |
2
|
| เดือนที่พิมพ์ |
พฤษภาคม - สิงหาคม
|
| เลขที่หน้า (Page) |
1-22
|
| ISSN |
ISSN 3027-7280 (Online)
|
| DOI |
|
| ORCID_ID |
0009-0006-7104-9831
|
| ไฟล์บทความ |
https://mitij.mju.ac.th/ARTICLE/R68010.pdf
|
| | |
| เอกสารอ้างอิง | |
| |
โรงพยาบาลศิริราชปิยมหาราชการุณย์. (2022) ไข้มาลาเรีย โรคติดต่อจากยุงก้นปล่อง. Retrieved January 8, 2024, from https://www.siphhospital.com/th/news/article/ share/573
|
| |
ธนานพ จันภักดี และฐิติรัตน์ ศิริบวรรัตนกุล. (2018). การเรียนรู้เชิงลึกสำหรับตรวจจับความผิดปกติจากภาพในวิดีโอการ์ตูนสำหรับเด็ก. วารสารวิทยาศาสตร์ประยุกต์, 21(2), 1-16.
|
| |
ธวัชชัย เหล็กดี รัฐพรรณ สันติอโนทัย และเจษฎา อุดมพิทยาสรรพ์. (2023). การเปรียบเทียบประสิทธิภาพของแบบจำลองการทำนายความเสี่ยงโรคมะเร็งปอดด้วยเทคนิคเหมืองข้อมูล. Science and Technology to Community, 2(1), 22-35.
|
| |
ประมัย ชัยวัณณคุปต์ และทรงยศ กิจธรรมเกษร. (2023). การวิเคราะห์ประสิทธิภาพการควบคุมสัญญาณไฟจราจรบริเวณทางแยกรินคำโดยใช้วิธีโครงข่ายประสาทเทียม. การประชุมวิชาการวิศวกรรมโยธาแห่งชาติ ครั้งที่ 28, (47), 1-8.
|
| |
มาเรีย นิน่า จิตะสมบัติ. (2023) มาลาเรีย (Malaria). Retrieved January 8, 2024, from https://www.medparkhospital.com/disease-and-treatment/malaria
|
| |
อนัตต์ชัย ชุติภาสเจริญ และจรัญ แสนราช. (2018). การเปรียบเทียบประสิทธิภาพของอัลกอริทึมและการคัดเลือกคุณลักษณะที่เหมาะสมเพื่อการพยากรณ์โอกาสความสำเร็จในการโอนเงินข้ามประเทศของบุคคลทั่วไป. วารสารวิจัย มหาวิทยาลัยขอนแก่น (ฉบับบัณฑิตศึกษา) สาขามนุษยศาสตร์และสังคมศาสตร์, 6(3), 105-113.
|
| |
อนุพงศ์ สุขประเสริฐ. (2021). คู่มือการทำเหมืองข้อมูล โปรแกรม RAPIDMINER STUDIO พิมพ์ครั้งที่ 4. มหาสารคาม : สาขาคอมพิวเตอร์ธุรกิจ คณะการบัญชีและการจัดการ มหาวิทยาลัยมหาสารคามAn, Q., Rahman, S., Zhou, J., & Kang, J. J. (2023). A comprehensive review on machine learning in healthcare industry: classification, restrictions, opportunities and challenges. Sensors, 23(9), 4178. https://doi.org/10.3390/s23094178
|
| |
Ahmed, S. F., Alam, M. S. B., Hassan, M., Rozbu, M. R., Ishtiak, T., Rafa, N., ... & Gandomi, A. H. (2023). Deep learning modelling techniques: current progress, applications, advantages, and challenges. Artificial Intelligence Review, 56(11), 13521-13617. https://doi.org/10.1007/s10462-023-10466-8
|
| |
Bhatti, U. A., Tang, H., Wu, G., Marjan, S., & Hussain, A. (2023, February 28). Deep Learning with Graph Convolutional Networks: An Overview and Latest Applications in Computational Intelligence. International Journal of Intelligent Systems, 2023, 1–28. https://doi.org/10.1155/2023/8342104
|
| |
Borboudakis, G., & Tsamardinos, I. (2019). Forward-backward selection with early dropping. Journal of Machine Learning Research, 20(8), 1-39.
|
| |
Deng, Z. (2023, June 14). Investigation of influence of additional convolutional and max-pooling layers in general adversarial network. Applied and Computational Engineering, 5(1), 390–397. https://doi.org/10.54254/2755-2721/5/20230604
|
| |
Ding, Y., Feng, H., Yang, Y., Holmes, J., Liu, Z., Liu, D., ... & Liu, W. (2023). Deep-learning based fast and accurate 3D CT deformable image registration in lung cancer. Medical physics, 50(11), 6864-6880. https://doi.org/10.1002/mp.16548
|
| |
Farhan, A. M. Q., & Yang, S. (2023). Automatic lung disease classification from the chest X-ray images using hybrid deep learning algorithm. Multimedia Tools and Applications, 82(25), 38561-38587. https://doi.org/10.1007/s11042-023-15047-z
|
| |
Fuhad, K. F., Tuba, J. F., Sarker, M. R. A., Momen, S., Mohammed, N., & Rahman, T. (2020). Deep learning based automatic malaria parasite detection from blood smear and its smartphone based application. Diagnostics, 10(5), 329. https://doi.org/10.3390/diagnostics10050329
|
| |
Hamisu, I. A. (2019). Malaria Prediction using Bayesian and other Machine Learning Techniques (Doctoral dissertation). http://repository.aust.edu.ng/xmlui/bitstream/handle/123456789/4965/Hamisu%20Ismail%20Ahmad.pdf?sequence=1&isAllowed=y
|
| |
Hansson, A., & Andersen, M. (2023). Optimization for Learning and Control. John Wiley & Sons. (pp. 243-296)
|
| |
Julianto, I. T., Kurniadi, D., Fauziah, F. A., & Rohmanto, R. (2023). Improvement of Data Mining Models using Forward Selection and Backward Elimination with Cryptocurrency Datasets. Journal of Applied Intelligent System, 8(1), 100-109. https://www.doi.org/10.33633/jais.v8i1.7568
|
| |
Kozbur, D. (2020). Analysis of testing-based forward model selection. Econometrica, 88(5), 2147-2173. https://www.doi.org/10.3982/ECTA16273
|
| |
Lakshmanaprabu S.K. et al. (2019). Optimal deep learning model for classification of lung cancer on CT images. Future generation computer systems, 374-382.
|
| |
Lippmann, R. (2023, February 17). Understanding and Applying Deep Learning. Neural Computation. https://doi.org/10.1162/neco_a_01518
|
| |
Marcu, D. C., & Grava, C. (2023, June 9). The Importance of Data Quality in Training a Deep Convolutional Neural Network. 2023 17th International Conference on Engineering of Modern Electric Systems (EMES). https://doi.org/10.1109/emes58375.2023.10171785
|
| |
Opeyemi A. Abisoye and Rasheed G. Jimoh (2018). comparative study on the prediction of symptomatic and climatic based malaria parasite counts using machine learning models.I.J. Modern Education and Computer Science, 18-25.
|
| |
Pierdzioch, C. (2023). On the efficiency of growth forecasts for Germany: an application of forward and backward predictor variable selection. Applied Economics Letters, 1-4. https://www.doi.org/10.1080/13504851.2023.2207811
|
| |
QinZeng Song et al. (2017). Using deep learning for classification of lung nodules on computed tomography images. Journal of healthcare engineering, 1-7.
|
| |
Rana, M., & Bhushan, M. (2023). Machine learning and deep learning approach for medical image analysis: diagnosis to detection. Multimedia Tools and Applications, 82(17), 26731-26769.https://doi.org/10.1007/s11042-022-14305-w
|
| |
The Coverage. (2022) สธ.พยากรณ์โรคและภัยรายสัปดาห์ คาดพบผู้ป่วย โรคมาลาเรีย จากยุงก้น ปล่องเพิ่มขึ้น. Retrieved January 8, 2024, from https ://www.thecoverage.info/ news/content/3799.
|
| |
Wang, H., & Zhang, J. (2021). An O(n\logn)-Time Algorithm for the k-Center Problem in Trees. SIAM Journal on Computing, 50(2), 602-635. https://www.doi.org/10.1137/18M1196522
|