Week 01 : Detection and diagnosis of dental caries using a deep learning-based convolutional…

Source: Deep Learning on Medium

Week 01 : Detection and diagnosis of dental caries using a deep learning-based convolutional neural network algorithm

@hikeshaw

สวัสดีผู้อ่านทุกคนครับสัปดาห์นี้เป็นการเริ่มต้นซีรีย์ของบทความแนวบทความวิชาการที่ผมกับพี่ ๆ Challenge กันว่าจะอ่านบทความมาแปลและสรุปเพื่อแลกเปลี่ยนความรู้กันครับ เราตั้งเป้าหมายว่า จะได้อย่างน้อย 40 บทความในปีนี้ครับ โอเคเกริ่นมายาวมากแล้วล่ะครับ เริ่มกันเลยดีกว่าครับ

บทความสัปดาห์นี้ผมยกมาจากเปเปอร์ที่ผมใช้เป็นอ้างอิงในการทำโครงงานวิจัยของผมครับ ชื่อว่า Detection and diagnosis of dental caries using a deep learning-based convolutional neural network algorithm ครับ แต่ว่าผมไม่สามารถให้ลิ้งค์ไปอ่านได้เนื่องจากจะโดนลิขสิทธิ์ครับ เอาเป็นว่าถ้าใครเป็นนักศึกษาสามารถค้นหาได้ใน Journal of dentistry ครับ

บทคัดย่อคราว ๆ

ทุกวันนี้ Deep convolutional neural networks (CNNs) เป็น algorithm ที่เริ่มเข้ามามีบทบาทในการทำวิจัยทางการแพทย์อย่างรวดเร็ว และให้ผลลัพท์ที่ดีในการศึกษาด้านรังสีวิทยาและการวินิฉัย ในการศึกษานี้เป็นการศึกษาการประยุกต์ใช้ Deep convolutional neural networks (CNNs) ในการตรวจหาฟันที่ผุจากภาพถ่ายรังสี 2 มิติ

วัสดุอุปกรณ์และวิธีการวิจัย : งานวิจัยนี้จะใช้ ภาพถ่ายรังสี 3000 ภาพ โดยแบ่งเป็นชุดฝึกสอน และชุดทดสอบ โดยเเบ่งเป็น 2400[80%] 600[20%] โดยงานวิจัยนี้จะใช้ Pre-trainned model ชื่อ GoogLeNet Inception v3 CNN เพื่อใช้ในการเตรียมข้อมูลและการถ่ายโอนความรู้

โดยการวัดผลทำโดยการคำนวนค่า accuracy, sensitivity, specificity, positive predictive value, negative predictive value, receiver operating characteristic (ROC) curve, และ area under the curve (AUC)

ผลลัพท์: ผมทดสอบการวินิฉัย ของ premolar (ฟันกรามน้อย) molar (ฟันกรามใหญ่) และทั้งสองชนิดผสมกัน models ได้คะแนนความแม่นยำ 89.0% (80.4–93.3), 88.0% (79.2–93.1), และ 82.0% (75.5–87.1), algorithm นี้ได้พื้นที่ใต้กราฟ AUC 0.917 (95% CI 0.860–0.975) ของ premolar AUC ของ 0.890 (95% CI 0.819–0.961) ของ molar, และ AUC ของ 0.845 (95% CI 0.790–0.901) ของทั้งสองชนิดผสมกัน โมเดลของ premolar ได้ค่า AUC, สูงสุด มีนัยสำคัญสูงกว่าโมเดลอื่นเท่ากับ (P < 0.001)

งานวิจัยในให้ความสำคัญกับประสิทธิภาพของ Algorithm เป็นส่วนใหญ่ ซึ่ง Algorithm ก็มีประสิทธิภาพดีในการตรวจฟันผุจากภาพถ่ายรังสีครับ

คำศัพท์เทคนิค:

  1. Neural network คือ Algorithm ที่สร้างเพื่อสอนให้เครื่องจักรเรียนรู้ได้แบบมนุษย์โดยเลียนแบบสมองมนุษย์
  2. Convolutional neural network algorithm คือ โครงข่ายประสาทเทียมประเภทหนึ่งที่ถูกพัฒนาเลียนแบบสมองส่วน Cortex ซึ่งจะมีตัวช่วยสกัดส่วนที่น่าสนใจเปรียบเทียบกัน เช่น ขอบภาพ ความเข้มสี และ อื่น ๆ
  3. Sensitivity คือ ความไวของโมเดลในการตัดสินใจว่าใช้ฟันผุหรือไม่ใช่ ถ้าค่านี้น้อยโมเดลจะไม่ยอมทำนายว่าเป็นฟันผุได้ง่าย ๆ ถ้าค่าสูงไปจะทำให้โมเดลทำนายโดยคิดน้อยลง หรือง่าย ๆ คือด่วนสรุปนั่นเองครับ
  4. Specificity คือ ความจำเพาะ หรือความสามารถในการแยกความแตกต่างระหว่าง ฟันผุ และไม่ผุได้ แน่นอนว่าค่านี้ถ้ามีมากคงดีแต่จะส่งผลในค่าความไว้ลดลงด้วยเพราะโมเดลจะคิดเยอะเกินไปครับ
  5. Positive predictive value และ Negative predictive value คือผลบวกลบในการทำนายของโมเดล เช่น ทำนายถูกว่าฟันผุจริง จะได้ True positive predictive value ทำนายถูกว่าฟันไม่ผุจริงจะได้ True negative predictive value แต่ถ้าฟันไม่ผุแต่ทำนายว่าผุ จะได้ False positive predictive และถ้าฟันผุแต่ทำนายว่าไม่ผุ จะได้ False negative predictive value ค่าเหล่านี้นำไปสู่การวัดลความแม่นยำและความน่าเชื่อถือของโมเดลต่อไปครับ

ก็จบไปแล้วนะครับกับบทความในสัปดาห์แรกของผมถ้าสรุปส่วนไหนผิด หรือ สงสัยตรงสามารถถามผมได้ที่เพจ Stand Up Code หรือในกรุ๊ป Botnoi Datascience School ก็ได้ครับ บทความจะเป็นเรื่องอะไรก็ฝากติดตามด้วยนะครับ