การศึกษาประสิทธิภาพของโมเดล transformer ในการวินิจฉัยโรคมะเร็งเต้านม
- ชื่อนักเรียนผู้จัดทำโครงงานวิทยาศาสตร์
กิตติชนม์ ชาวนาวิก, ธีร์ ครุพงศ์, ภวิศ จตุวีรวงศ์
- อาจารย์ที่ปรึกษาโครงงานวิทยาศาสตร์
ธนัชกฤศ แก้วเต็ม, ทศพร แสงจ้า
- โรงเรียนที่กำกับดูแลโครงงานวิทยาศาสตร์
- ปีที่จัดทำโครงงานวิทยาศาสตร์
บทคัดย่อโครงงานวิทยาศาสตร์
โรคมะเร็งเต้านมเป็นประเภทของโรคมะเร็งที่พบมากที่สุดในผู้หญิง มีสาเหตุเกิดจากเซลล์ในเต้านมเติบโตอย่างผิดปกติและไม่สามารถควบคุมได้ การวินิจฉัยและการตรวจคัดกรองผู้ป่วยมะเร็งเต้านมตั้งแต่ระยะต้นนั้นเพิ่มโอกาสในการรักษาให้สำเร็จได้
วัตถุประสงค์ของโครงงานนี้เป็นการนำโมเดลประเภท deep learning ที่มีสถาปัตยกรรมพื้นฐานมาจาก Transformer ได้แก่ Vision Transformer (ViT) และ Swin Transformer (SwinT) มาพัฒนาบนชุดข้อมูลของภาพเนื้อเยื่อมะเร็งเต้านม Breast Cancer Histopathological Database (BreakHis) ซึ่งประกอบด้วยภาพจุลทรรศน์ของเนื้อเยื่อที่เป็นเนื้องอกในเต้านมจำนวน 7,109 ภาพ ในกำลังขยายที่ต่างกัน ชุดข้อมูล BreakHis จะถูกแบ่งออกเป็นสองกลุ่ม โดยที่ข้อมูลจำนวน 80% ใช้สำหรับให้โมเดลเรียนรู้ (train) และข้อมูลจำนวน 20% ใช้สำหรับการทดสอบโมเดล (test)
การประเมินประสิทธิภาพของโมเดล จะพิจารณาจากคะแนนความแม่นยำ (Accuracy) และคะแนน F1 (F1-score) ของข้อมูลการทดสอบ (test data) ที่กำลังขยาย 40X, 100X, 200X และ 400X ผลการศึกษาพบว่าโดยเฉลี่ยโมเดล SwinT สามารถจำแนกภาพแบบ Binary Classification ได้แม่นยำกว่าโมเดล ViT แต่โมเดล ViT สามารถจำแนกภาพแบบ Multi-class Classification ได้แม่นยำกว่า SwinT
คณะผู้วิจัยได้พัฒนาต้นแบบ web application เพื่อใช้เป็นเครื่องมือประกอบการตัดสินใจของแพทย์ในการระบุโอกาสในการเป็นโรคมะเร็งเต้านมของผู้ป่วย รวมถึงความแม่นยำในการระบุชนิดของมะเร็งเต้านมซึ่งประกอบด้วย Ductal carcinoma, Lobular carcinoma, Mucinous carcinoma และ Papillary carcinoma นอกจากนั้นคณะผู้วิจัยคาดว่าต้นแบบ web application ที่สร้างขึ้นอาจช่วยลดปัญหาการวินิจฉัยคลาดเคลื่อนของแพทย์จบใหม่ที่ยังไม่ชำนาญได้