การพัฒนาตัวแบบการเรียนรู้ของเครื่องเพื่อการแบ่งชั้นความเสี่ยงและการพยากรณ์โรคมะเร็งปอดขั้นสูงในภาพเอกซเรย์คอมพิวเตอร์

บทคัดย่อ

การจำแนกระยะของมะเร็งปอดอย่างแม่นยำมีความสำคัญอย่างยิ่งต่อการตรวจคัดกรองและ การวางแผนการรักษาที่มีประสิทธิภาพเพื่อยืดอายุการรอดชีวิตของผู้ป่วย งานวิจัยนี้มุ่งเน้นการพัฒนา ตัวแบบการเรียนรู้ของเครื่องที่มีความสามารถในการจำแนกผู้ป่วยมะเร็งปอดระยะเริ่มต้นและระยะ ลุกลามโดยใช้ภาพเอกซเรย์คอมพิวเตอร์ (CT) จำนวน 800 ภาพ จากชุดข้อมูล Kaggle.com โดย วิเคราะห์ข้อมูลและพัฒนาแบบจำลอง ตามกระบวนการมาตรฐานในการทำเหมืองข้อมูล (CRISMDM) ด้วยการสกัดคุณลักษณะที่เป็นประโยชน์จากภาพ ซึ่งเป็นสัญญาณบ่งชี้ของเนื้อร้ายมะเร็ง จากนั้นทำการเปรียบเทียบประสิทธิภาพการจำแนกระยะของมะเร็งปอดของตัวแบบการเรียนรู้ของ เครื่อง 3 เทคนิค ได้แก่ การเรียนรู้เชิงลึก (Deep Learning, DL) , โครงข่ายประสาทเทียม (Artificial Neural Networks, ANN) และเพื่อนบ้านที่ใกล้ที่สุด (k-Nearest Neighbors, k-NN) ผลการวิจัย พบว่า โมเดล k-NN มีประสิทธิภาพเหนือกว่า DL และ ANN ในบริบทเฉพาะนี้ โดย สามารถจำแนก ได้อย่างแม่นยำถึง 96% มีความไว 96.25% และความจำเพาะ 95.75% งานวิจัยนี้แสดงให้เห็นถึง ศักยภาพของ k-NN ว่ามีแนวโน้มที่เป็นประโยชน์และมีประสิทธิภาพสำหรับการจำแนกระยะของ มะเร็งปอดโดยใช้ภาพเอกซเรย์คอมพิวเตอร์ โดยเป็นความก้าวหน้า ที่มีศักยภาพในการเพิ่มความ รวดเร็วการวินิจฉัยของทีมแพทย์และการปรับปรุงกลยุทธ์การดูแลผู้ป่วยให้เหมาะสมยิ่งขึ้น