การใช้การเรียนรู้ของเครื่องเพื่อตรวจหาโรคลิ่มเลือดอุดกั้นในปอด
- ชื่อนักเรียนผู้จัดทำโครงงานวิทยาศาสตร์
กนธี เนติวงศานนท์, ธีรภัทร ตรงเมธีรัตน์, กัญจนจักก์ สุขประเสริฐ
- อาจารย์ที่ปรึกษาโครงงานวิทยาศาสตร์
ธนวรรณ ลี้บุญงาม, คเณศ สุเมธพิพัธน์
- โรงเรียนที่กำกับดูแลโครงงานวิทยาศาสตร์
- ปีที่จัดทำโครงงานวิทยาศาสตร์
บทคัดย่อโครงงานวิทยาศาสตร์
โรคลิ่มเลือดอุดกั้นในปอด (Pulmonary Embolism) ในปัจจุบันยังคงเป็นโรคที่วินิจฉัยได้ไม่แม่นยำนัก โดยวิธีการวินิจฉัยในปัจจุบันจะใช้ระบบ well scoring system เป็นหลัก โดยหากคะแนนมากกว่าเกณฑ์ที่ตั้งไว้ หมายความว่ามีโอกาสที่จะเป็นโรคนี้สูง จะต้องดำเนินการตรวจในลำดับต่อไปเพื่อให้แพทย์สามารถวินิจฉัยได้แม่นยำขึ้น อย่างไรก็ตามเนื่องด้วยการวินิจฉัยเหล่านี้ถูกวิเคราะห์โดยมนุษย์เท่านั้น ทำให้การอ่านผลตรวจบางอย่างอาจจะล่าช้า และไม่แม่นยำ ยกตัวอย่างเช่น การอ่านผล CTPA ซึ่งเป็นหนึ่งในการตรวจที่สำคัญเพื่อยืนยันการเป็นโรค โดยตามปกติผลจะอยู่ในรูป 3 มิติ ทำให้เกิดความล่าช้าในการอ่านผลโดยมนุษย์ อีกทั้งลิ่มเลือดในปอดนั้นบางครั้งสังเกตได้ยาก และมีหลายรูปแบบ จึงอาจเกิดความผิดพลาดในการอ่านผลได้ง่าย เนื่องด้วยเหตุนี้ ทำให้ผู้ป่วยมักไม่ได้รับการรักษาที่ถูกต้อง หรือทันเวลา ทำให้โรคนี้เป็นโรคที่มีอัตราการเสียชีวิตสูงถึงร้อยละ 30 ดังนั้นคณะผู้จัดทำจึงมีแนวคิดที่จะใช้ Machine Learning ชนิด 2D CNN Model เข้ามาช่วยบุคลากรทางการแพทย์ในการอ่าน และวิเคราะห์ผล CTPA เพื่อเพิ่มความรวดเร็ว และความแม่นยำในผลวินิจฉัย โดยพวกเราคาดหวังความแม่นยำของ Machine Learning ไว้ที่อย่างน้อย 0.86 สำหรับ F1-Score หรือ 0.88 สำหรับ AU-ROC ซึ่งเป็นความแม่นยำสูงสุดของ Machine Learning ในบรรดาผู้วิจัยก่อนหน้า มากไปกว่านั้น พวกเรายังคาดหวังเช่นกันว่า จะสามารถใช้ Machine Learning นี้เป็นว่สนหนึ่งในวงการแพทย์ได้ ได้ช่วยลดการวิยิจฉัยที่ผิดพลาด และลดอัตราการเสียชีวิตได้จริง