THE DEVELOPMENT OF COMPUTER PROGRAM FOR DIANOSIS …

การพฒนาโปรแกรมคอมพวเตอรเพอการวนจฉยและการวางแผนการรกษาในผปวยโรคปรทนต THE DEVELOPMENT OF COMPUTER PROGRAM FOR DIANOSIS AND TREATMENT

PLANNING IN PERIODONTAL PATIENTS

อจฉรยา ตงจตรตรง

บณฑตวทยาลย มหาวทยาลยศรนครนทรวโรฒ 2562

การพฒนาโปรแกรมคอมพวเตอรเพอการวนจฉยและการวางแผนการรกษาในผปวยโรคปรทนต


ปรญญานพนธนเปนสวนหนงของการศกษาตามหลกสตร วทยาศาสตรมหาบณฑต สาขาวชาทนตกรรมทวไปขนสง คณะทนตแพทยศาสตร มหาวทยาลยศรนครนทรวโรฒ

ปการศกษา 2562 ลขสทธของมหาวทยาลยศรนครนทรวโรฒ

THE DEVELOPMENT OF COMPUTER PROGRAM FOR DIANOSIS AND TREATMENT PLANNING IN PERIODONTAL PATIENTS

ATCHARIYA TUNGCHITTRONG

A Thesis Submitted in partial Fulfillment of Requirements for MASTER OF SCIENCE (aster of Science (Advanced General Dentistry))

Faculty of Dentistry Srinakharinwirot University 2019

Copyright of Srinakharinwirot University

ปรญญานพนธ เรอง

การพฒนาโปรแกรมคอมพวเตอรเพอการวนจฉยและการวางแผนการรกษาในผปวยโรคปรทนต ของ


ไดรบอนมตจากบณฑตวทยาลยใหนบเปนสวนหนงของการศกษาตามหลกสตร ปรญญาวทยาศาสตรมหาบณฑต สาขาวชาทนตกรรมทวไปขนสง

ของมหาวทยาลยศรนครนทรวโรฒ

(รองศาสตราจารย นายแพทยฉตรชย เอกปญญาสกล)

คณบดบณฑตวทยาลย

คณะกรรมการสอบปากเปลาปรญญานพนธ

.............................................. ทปรกษาหลก (รองศาสตราจารย ดร.พรสวรรค ธนธรวงศ)

.............................................. ประธาน (ศาสตราจารย ดร.ศรวรรณ สบนการณ)

ง

บทคด ยอภาษาไทย

ชอเรอง การพฒนาโปรแกรมคอมพวเตอรเพอการวนจฉยและการวางแผนการรกษาในผปวยโรคปรทนต

ผวจย อจฉรยา ตงจตรตรง ปรญญา วทยาศาสตรมหาบณฑต ปการศกษา 2562 อาจารยทปรกษา รองศาสตราจารย ดร. พรสวรรค ธนธรวงศ

การศกษานมวตถประสงคเพอพฒนาโปรแกรมคอมพวเตอรโดยน าการเรยนรเชงลก

รวมกบโครงขายประสาทเทยมชนดคอนโวลชน มาพฒนาเปนโปรแกรมเพอการวนจฉยโรคปรทนตจากภาพถายรงสชนดพาโนรามก โดยท าการรวบรวมภาพถายรงสชนดพาโนรามกแบบดจทลในผปวยภาควชาทนตกรรมทวไป คณะทนตแพทยศาสตร มหาวทยาลยศรนครนทรวโรฒ ทไดรบการวนจฉยโรคปรทนตตามเกณฑของ American Academy of Periodontology (AAP) ในป 1999 และยงไมไดรบการรกษาโรคปรทนตใดๆ จ านวน 90 คน มาจดท าเปนฐานขอมล จากนนสรางโปรแกรมวนจฉยทใชโครงสรางของโครงขายประสาทเทยมชนดคอนโวลชน แลวน าเขาชดขอมลทเตรยมไวเขาสโปรแกรมเพอท าใหเกดการเรยนรของโปรแกรม จากนนทดสอบความแมนย าของโปรแกรมทได แลวจงน ามาทดสอบกบขอมลภาพถายรงสใหม เพอหาคาความถกตองและคาความไวของโปรแกรม นอกจากนนยงสามารถหาคาประสทธภาพของโปรแกรมไดจากพนทใตกราฟโดยไดผลคาความจ าเพาะเจาะจงของโปรแกรมอยทรอยละ 65.3 และมคาความไวของโปรแกรมอยทรอยละ 80.5

ค าส าคญ : โปรแกรมคอมพวเตอร การวนจฉยและวางแผนการรกษา โรคปรทนต คอนโวลชน

จ

บทคด ยอภาษาองกฤษ

Title THE DEVELOPMENT OF COMPUTER PROGRAM FOR DIANOSIS AND TREATMENT PLANNING IN PERIODONTAL PATIENTS

Author ATCHARIYA TUNGCHITTRONG Degree MASTER OF SCIENCE Academic Year 2019 Thesis Advisor Associate Professor Dr. Bhornsawan Thanathornwong

The purpose of this study is to develop a computer program by applying a

deep learning and convolutional neural network for the diagnosis of periodontal disease among periodontal patients. The data was collected from the digital panoramic films of ninety patients in the department of General Dentistry in the Faculty of Dentistry at Srinakarinwirot University. The patients had to have been diagnosed the periodontal status following the standards of the American Academy of Periodontology (AAP) in 1999 and did not have any treatment before taking an x-ray. The program was based on the structure of the Convolution Neural Network, used deep learning to develop the precision model and then the diagnostic performance was calculated. The receiver-operating characteristic (ROC) curves were drawn, and the area under curve (AUC) values were obtained. The diagnostic performance of the deep learning system for periodontal disease on the panoramic radiograph had a high sensitivity of 80.5% and an acceptable specificity of 65.3%. In conclusion, the diagnostic performance of the deep learning system for periodontal disease on panoramic radiograph was sufficiently high.

Keyword : Computer Program Diagnosis and Treatment Planning Periodontal Disease Convolution

ฉ

กตตกรรมประ กาศ

กตตกรรมประกาศ

ปรญญานพนธนส าเรจลลวงไดดวยความเมตตากรณาชวยเหลอ และความเอาใจใสอยางดยง ตลอดจนการใหค าแนะน า และขอคดเหนทเปนประโยชนอยางยงส าหรบการแกไขขอบกพรอง จากคณะกรรมการผควบคมปรญญานพนธ ผวจยขอกราบขอบพระคณ รองศาสตราจารย ดร.ทพญ.พรสวรรค ธนธรวงศ และ ศาสตราจารย ดร.ทพญ.ศรวรรณ สบนการณ ทไดใหความเมตตากรณาเปนทปรกษา และใหความชวยเหลอชแนะแนวทางในสงทเปนประโยชนตอการศกษาและการท าปรญญานพนธนมาโดยตลอด รวมทง ดร.กานต อยวรช Software Engineer Manager จาก Pronto Tools ทเปนผใหความชวยเหลอและใหค าแนะน าเกยวกบการใชโปรแกรมคอมพวเตอรซงเปนสวนส าคญอยางมากในการศกษาปรญญานพนธนมาดวยดโดยตลอด

ขอกราบขอบพระคณคณาจารยและกรรมการบรหารหลกสตรสาขาทนตกรรมทวไปขนสง คณะทนตแพทยศาสตร มหาวทยาลยศรนครนทรวโรฒทกทาน ทไดกรณาประสทธประสาทความรตางๆ ใหแกผวจย ตลอดจนใหความชวยเหลอในการท าวจยครงน

ขอขอบคณ ทนอดหนนงานวจย จากคณะทนตแพทยศาสตร มหาวทยาลยศรนครนทรวโรฒ ทท าใหงานวจยส าเรจลลวงไปไดดวยด

ขอขอบคณ เจาหนาททกทานทบณฑตวทยาลยส าหรบการอ านวยความสะดวกตางๆในการตดตอด าเนนการในขนตอนตางๆของการท าวทยานพนธน ใหลลวงเปนไปตามก าหนดการดวยด

ขอขอบพระคณ หวหนาฝายทนตกรรม ส านกงานสาธารณสขจงหวดสระบร ทเปนผผลกดนใหมาศกษาตอในระดบหลงปรญญา และอ านวยความสะดวกในการด าเนนการลาศกษาตอ

ขอขอบคณ เพอนๆ พๆ นองๆ สาขาทนตกรรมทวไปขนสง และสาขาอนๆ ทมสวนในการรวมกนท าการรกษาผปวยและใหค าปรกษาในเรองตางๆ

สดทายน ผวจยขอขอบพระคณบดามารดา ทเปนผอยเบองหลงคอยใหก าลงใจและใหการสนบสนนในทกๆทางแกผวจยดวยดตลอดมา


สารบญ

หนา บทคดยอภาษาไทย ................................................................................................................ ง

บทคดยอภาษาองกฤษ ........................................................................................................... จ

กตตกรรมประกาศ .................................................................................................................. ฉ

สารบญ ................................................................................................................................. ช

สารบญตาราง ....................................................................................................................... ญ

สารบญภาพประกอบ ............................................................................................................. ฎ

บทท 1 บทน า ........................................................................................................................ 1

ความส าคญและทมาของปญหาทท าการวจย ...................................................................... 1

วตถประสงคของการวจย .................................................................................................... 2

ค าถามของการวจย ............................................................................................................ 2

ค าส าคญ ........................................................................................................................... 2

Keywords......................................................................................................................... 2

บทท 2 ทบทวนวรรณกรรม..................................................................................................... 3

โรคเหงอกอกเสบ ............................................................................................................... 4

โรคปรทนตอกเสบ .............................................................................................................. 7

ปจจยเสยงทกอใหเกดโรคปรทนต ..................................................................................... 11

1.ปจจยเสยงทสามารถปรบเปลยนได (Modifiable risk factors) .................................. 11

1.1 เชอจลชพกบโรคปรทนต (Microorganisms and Periodontal Disease) ...... 11

1.2 การสบบหร (Tobacco smoking) ............................................................... 11

1.3 โรคเบาหวาน (Diabetes Mellitus) .............................................................. 11

1.4 โรคหลอดเลอดหวใจ (Cardiovascular disease) ........................................ 11

ซ

1.5 ความผดปกตทเกดจากการเหนยวน าของยา (Drug-Induced Disorders) ..... 12

1.6 ความเครยด (stress) ................................................................................. 12

1.7 ความอวน (obesity) .................................................................................. 12

2. ปจจยทไมสามารถปรบเปลยนได (Non-modifiable risk factors) ............................ 12

2.1 ภาวะโรคกระดกพรน (Osteoporosis) ......................................................... 12

2.2 ความผดปกตของระบบเลอด ...................................................................... 12

2.3 การตอบสนองของระบบภมคมกน .............................................................. 12

ปญญาประดษฐ (Artificial intelligence) .......................................................................... 13

ปญญาประดษฐคออะไร ............................................................................................ 13

การเรยนรของเครองจกร (Machine learning) ............................................................. 15

1.การเรยนรแบบมผสอน (Supervised learning ) ............................................. 15

2.การเรยนรแบบไมมผสอน (Unsupervised learning) ...................................... 15

3.การเรยนรแบบเสรมก าลง (Reinforcement learning) ..................................... 15

การเรยนรเชงลก (Deep learning) ............................................................................. 16

โครงขายประสาทเทยม (Artificial neuron network) ................................................... 18

1.คณสมบตของโครงขายประสาทเทยม ............................................................ 18

2.ประเภทของโครงขายประสาทเทยม ............................................................... 19

3.โครงสรางทางสถาปตยกรรมของโครงขายประสาทเทยม ................................. 20

4.โครงสรางของ Convolutional Neural Network .............................................. 21

การประยกตใชปญญาประดษฐ ................................................................................. 28

1.ปญญาประดษฐในทางการแพทย (Artificial Intelligence in Medicine) .......... 29

2.ปญญาประดษฐในทางทนตกรรม (Artificial Intelligence in Dentistry) ........... 32

บทท3 วธด าเนนการวจย ...................................................................................................... 38

ฌ

1.การออกแบบงานวจย .................................................................................................... 38

2.ประชากรเปาหมาย ....................................................................................................... 38

3.กลมตวอยาง ................................................................................................................ 38

4.การค านวณขนาดกลมตวอยาง ...................................................................................... 38

5.วธการด าเนนการวจย .................................................................................................... 39

5.1ขนวางแผนพฒนาโปรแกรมคอมพวเตอรส าหรบการวนจฉยแยกโรคปรทนต ............. 39

5.2ขนตอนการสรางโปรแกรมเพอการวนจฉยแยกโรคปรทนตโดยการเลอกโมเดลทมความแมนย าสงสด ................................................................................................... 43

5.3ขนตอนการวเคราะหประสทธภาพของโปรแกรม ..................................................... 46

บทท 4 ผลการทดลอง........................................................................................................... 47

ผลการทดสอบโปรแกรม ................................................................................................... 47

บทท 5 การวเคราะหและสรปผลการศกษา ............................................................................ 50

วเคราะหผลการศกษา ...................................................................................................... 50

ขอจ ากดในการศกษา ....................................................................................................... 55

บรรณานกรม ....................................................................................................................... 56

ภาคผนวก ............................................................................................................................ 63

ประวตผเขยน ....................................................................................................................... 70

สารบญตาราง

หนา ตาราง 1แสดงการใชงานทางคลนกของปญญาประดษฐ ......................................................... 32

ตาราง 2แสดงผลการทดสอบโปรแกรมทง 5 แบบ ................................................................... 47

ตาราง 3 แสดงผลการทดสอบขอมลกลมทดลอง .................................................................... 48

สารบญภาพประกอบ

หนา ภาพประกอบ 1 แสดงการเปลยนแปลงของสและรปรางของเหงอกทมการอกเสบ (ซาย) เทยบกบเหงอกในสภาวะ ปกต (ขวา) .................................................................................................. 5

ภาพประกอบ 2 แสดงใหเหนถงรอยโรคเหงอกอกเสบทไมมการสญเสยระดบการยดเกาะของอวยวะปรทนต ไมมการสญเสยกระดกเบาฟน (ขวา) เมอเทยบกบสภาวะเหงอกปกต (ซาย) ........ 6

ภาพประกอบ 3 แสดงภาพรงสของตวฟน รากฟน ชองเอนยดปรทนต (Periodontal ligament space) และกระดกเบาฟน จะมลกษณะปกตเปนสวนใหญ ....................................................... 7

ภาพประกอบ 4 แสดงลกษณะทางคลนกของโรคปรทนตอกเสบ จะพบวามหนน าลายทงใตเหงอกและเหนอเหงอก มการสญเสยระดบการยดเกาะทางคลนกของอวยวะปรทนต ............................ 8

ภาพประกอบ 5 แสดงหนน าลายใตเหงอก การเกดรองลกปรทนต มการสญเสยระดบการยดเกาะของอวยวะปรทนตรวมทงมการท าลายของกระดกเบาฟน ......................................................... 9

ภาพประกอบ 6 แนวของสนกระดกเบาฟนหางจากเสนโยงระหวางรอยตอของชนเคลอบฟนกบชนเคลอบรากฟน (Cemento-enamel junction) ของฟนขางเคยงมากกวา 2 มลลเมตร (ก) และแสดงความวการบรเวณแยกรากฟนและการละลายตามแนวนอนและแนวตงของกระดกผนงกนกระดกเบาฟนครงซก (ข) ................................................................................................................. 10

ภาพประกอบ 7 แสดงความสมพนธของระบบประสาททง 4 สวน ............................................ 17

ภาพประกอบ 8 แสดงโครงสรางทางสถาปตยกรรมของโครงขายประสาทเทยม ........................ 20

ภาพประกอบ 9 แสดงโครงสรางของ Convolutional Neuron Network.................................... 21

ภาพประกอบ 10 แสดงตวอยางลกษณะขอมลน าเขา (Input) (ก) และ ตวกรอง (Filter) (ข) ....... 22

ภาพประกอบ 11 แสดงลกษณะของ receptive field (ก) และ feature map (ข) ....................... 23

ภาพประกอบ 12 แสดงการท างานของฟลเตอร ...................................................................... 24

ภาพประกอบ 13 แสดงลกษณะของอนพตและฟลเตอรทเปน 3 มต และ feature map ทไดจากการใชฟลเตอรแบบท 1 ......................................................................................................... 25

ฏ

ภาพประกอบ 14 แสดงลกษณะของอนพตทใสฟลเตอรลงไป 2 แบบ และแสดง feature map ทไดจากฟลเตอรทง 2 แบบ ......................................................................................................... 26

ภาพประกอบ 15 แสดงการยอขนาดขอมลโดยทคงความลกไวเทาเดม ..................................... 27

ภาพประกอบ 16 แสดงกระบวนการท างานของ CNN ............................................................. 28

ภาพประกอบ 17 แสดงขนตอนในการพฒนาโปรแกรมเพอการวนจฉยแยกโรคปรทนต .............. 40

ภาพประกอบ 18 แสดงตวอยางแบบตรวจสภาวะปรทนตจากแฟมประวตของผปวย ................. 41

ภาพประกอบ 19 แสดงขอมลทท าการจบคค าวนจฉยกบภาพถายรงสพาโนรามก ..................... 41

ภาพประกอบ 20 แสดงภาพถายรงสพาโนรามก ทน ามาท าการเตรยมขอมลดวยการแยกภาพออกเปนซฟนเดยวๆ .............................................................................................................. 42

ภาพประกอบ 21 แสดงภาพเดยวของฟนแตละซ .................................................................... 43

ภาพประกอบ 22 แสดงภาพรวมของการสรางโปรแกรมในการวนจฉยโรคปรทนต ..................... 44

ภาพประกอบ 23 แสดงการจดแบงขอมลส าหรบการเรยนรของโปรแกรม .................................. 46

ภาพประกอบ 24 แสดงภาพตนฉบบ (ภาพ ก) ทน ามาเปนภาพทดสอบโปรแกรม และ ภาพแสดงผลการท านายโรค (ภาพ ข) ........................................................................................... 48

ภาพประกอบ 25 แสดงกราฟความสมพนธของคา Precision – Recall curve .......................... 51

บทท 1 บทน า

ความส าคญและทมาของปญหาทท าการวจย โรคปรทนตเปนโรคทมการอกเสบอยางเรอรงของอวยวะปรทนต อนไดแก เหงอก

(Gingiva) เอนยดปรทนต(Periodontal ligament) และกระดกเบาฟน(Alveolar bone) โดยไดมการแบงชนดของโรคปรทนตออกเปน 2 ชนดหลกๆ คอ โรคเหงอกอกเสบ(Gingivitis) และโรคปรทนตอกเสบ(Periodontitis) โดยทโรคเหงอกอกเสบนนจะเกดขนเฉพาะทบรเวณเหงอกเทานน ไมมการท าลายของเอนยดปรทนตและกระดกเบาฟน สวนโรคปรทนตอกเสบนนจะมความรนแรงมากกวานนคอมการอกเสบ และมการท าลายของเอนยดปรทนตและกระดกเบาฟน เกดเปนรองลกปรทนต(Periodontal pocket) ท าใหเกดลกษณะเหงอกรน และฟนโยก จนในทสดอาจจะตองสญเสยฟนซนนไป(1)

โดยทผานมาไดมการวางแนวทางเพอใชในการวนจฉยแยกโรคปรทนต เพอใหทราบถงสาเหต ระดบความรนแรง และแนวทางการรกษาของผปวยแตละคน โดยระบบทเปนทนยมมากทสดเปนของ American Academy of Periodontology (AAP) ในป 1999 เปนหลกในการวนจฉยโรคปรทนต(2) ซงในการวนจฉยนน จะตองมขอมลจากการตรวจภายในชองปากและภาพรงสรอบปลายรากฟน (Periapical radiography) ประกอบกน จงจะสามารถวนจฉยไดอยางถกตอง ขอมลทส าคญทไดจากการตรวจภายในชองปากคอระดบขอบเหงอก (Gingival margin) และ รองลกปรทนต (Periodontal pocket) ท ไดจากการวดโดยใชเครองมอตรวจปรทนต (Periodontal probe) เพอน ามาค านวณหาคาการสญเสยระดบการยดเกาะทางคลนก (Clinical attachment loss หรอ CAL) กจะสามารถบอกระดบความรนแรงของโรคได สวนภาพรงสรอบปลายรากฟนนนจะดวามการท าลายของกระดกเบาฟนหรอไม ถามการสญเสยกระดกไป เปนแบบใดและมปรมาณกระดกเบาฟนเหลอเทาใดเมอเทยบกบความยาวของรากฟน ซงจะท าใหทนตแพทยสามารถพยากรณแนวโนมของฟนแตละซได สามารถวางแผนการรกษาทเหมาะสมใหแกผปวยแตละรายไดอยางถกตอง

อยางไรกดในการตรวจและวางแผนการรกษาผปวยแบบพรอมมล (Comprehensive diagnosis and treatment planning) ไดมการก าหนดมาตรฐานใหมการถายภาพรงสภายนอกชองปากชนดพาโนรามก (Panoramic radiography) เปนเบองตน จากนนคอยมาท าการวเคราะหขอมลทไดจากภาพรงสดงกลาว เพอพจารณาวาจ าเปนจะตองถายภาพรงสภายในชองปากเพมในต าแหนงใดบาง ทงนเปนเพราะเพอลดการไดรบปรมาณรงสแกผปวย ลดระยะเวลาในการตรวจ

2

ลดความไมสบายจากการทผปวยตองมเครองมอถายภาพรงสในชองปาก (3) แตการถายภาพรงสภายนอกชองปากชนดพาโนรามกกมขอดอยในหลายๆจด เชนบรเวณกงกลางใบหนาจะเกดการซอนทบกนของอวยวะท าใหฟนหนาบนและลางขาดรายละเอยดทด รวมทงพบวามการยดขยายของภาพบรเวณดานขาง จากการศกษาของ Molander(4) ในป 1995 ไดอธบายวา การถายภาพรงสพาโนรามกเพยงอยางเดยว ไมเพยงพอในการตรวจหารอยโรคฟนผ การสญเสยกระดกเบาฟนและรอยโรครอบปลายรากฟนหนาได จ าเปนตองมการถายภาพรงสชนดรอบปลายรากฟนเพมเตม รวมทงการตรวจสอบรอยโรคฟนผดานประชดของฟนหลง กจ าเปนทจะตองถายภาพรงสดานประชดฟน (Bitewing) เพมเตมเสมอ

ในยค ท เทคโน โล ยทางดานคอมพ ว เตอรกาวไกลไปอย างมาก ม การคดคนปญญาประดษฐขนมาเพอตอบสนองตอความตองการของมนษยในหลายแงมม รวมทงในทางการแพทยเอง ไดมการพฒนาโปรแกรมทชวยในการวนจฉย โปรแกรมชวยในการวางแผนรกษา รวมทงโปรแกรมตดตามผลการรกษา ดงนนจงเกดแนวคดในการน าเทคโนโลยทางดานปญญาประดษฐมาชวยในการวเคราะหภาพถายรงสชนดพาโนรามกในการพเคราะหแยกโรคเหงอกอกเสบและโรคปรทนตอกเสบ

วตถประสงคของการวจย เพอพฒนาโปรแกรมคอมพวเตอรในการวนจฉยแยกโรคเหงอกอกเสบและโรคปรทนต

อกเสบจากภาพถายรงสชนดพาโนรามกและประเมนประสทธภาพของโปรแกรม

ค าถามของการวจย โปรแกรมคอมพวเตอรสามารถวนจฉยแยกโรคเหงอกอกเสบและโรคปรทนตอกเสบจาก

ภาพถายรงสชนดพาโนรามกไดหรอไม

ค าส าคญ โรคปรทนต ภาพรงสชนดพาโนรามก การเรยนรเชงลก โครงขายประสาทเทยม คอนโวล

ชน

Keywords Periodontal diseases, Panoramic radiography, deep learning, artificial neuron

network, convolution

3

บทท 2 ทบทวนวรรณกรรม

โรคปรทนตเปนโรคทเกดจากการตดเชอแบคทเรยอยางเรอรงของเนอเยอปรทนต โดยมลกษณะส าคญๆ ดงน คอ มการท าลายของเนอเยอเกยวพนและกระดกเบาฟน (1) โดยทค าวาโรคปรทนตนนหมายรวมถงทงโรคเหงอกอกเสบและโรคปรทนตอกเสบ โดยโรคเหงอกอกเสบนนเปนการอกเสบแบบผนกลบไดของเหงอกอนเนองมาจากการเหนยวน าของคราบจลนทรยเปนหลก เมอก าจดคราบจลนทรยออกไปแลว เหงอกสามารถกลบคนสสภาวะปกตได สวนโรคปรทนตอกเสบนน เปนการอกเสบอยางเรอรงทเกดขนโดยการเหนยวน าของคราบจลนทรยในตอนแรก จากนนจะเกดการท าลายของเนอเยออวยวะปรทนตโดยรอบรวมทงกระดกเบาฟน (alveolar bone)(1)

โดยทวไปแลวนน โรคปรทนตอกเสบนนจะหมายถงสภาวะทเน อเยอปรทนตมการถกท าลาย(5) น าไปสสภาวะเหงอกรน(6) นอกจากนนยงพบวา ทงเนอเยอออนและเนอเยอแขงภายในชองปาก มการเจรญเตบโตของแผนคราบจลนทรยทประกอบไปดวยเซลลอพทเลยลโปรตน(protein epithelial cells) เศษอาหาร เอนไซมตางๆ รวมทงเชอแบคทเรยชนดตางๆ ทกอใหเกดโรคฟนผและเหงอกอกเสบ(7)

การวนจฉยแยกโรคปรทนตนน จ าเปนตองมการตรวจภายในชองปากดวยเครองมอตรวจปรทนต โดยการวดความลกของรองลกปรทนตและระดบการยดเกาะของอวยวะปรทนตนน ยงไมสามารถบอกลกษณะความวการตางๆ ของฟนและอวยวะปรทนตทลอมรอบได จงตองอาศยการตรวจดวยภาพถายรงส ซงจะท าใหทราบถงการเปลยนแปลงของฟนและกระดกเบาฟนตงแตระยะ

เรมตน ซงหลงจากไดขอมลครบทงสองสวนแลวจงจะน ามาวนจฉยแยกโรคตามเกณฑทก าหนดไวเปนสากล

ระบบในการวนจฉยและการแบงประเภทของโรคนนเกดขนเพอใหทนตแพทย สามารถระบโรคใหมความสมพนธกบสาเหต ลกษณะพยาธสภาพและแนวทางการรกษา ซงจะสงผลใหเกดประสทธภาพในการรกษาและท าใหการสอสารระหวางทนตแพทยเกดความเขาใจตรงกน ซงระบบทยงคงเปนทนยมในปจจบนนนยงคงเปนของสมาคมปรทนตวทยาแหงสหรฐอเมรกา (American Academy of Periodontology : AAP) ในป 1999(2) โดยมขอสรปในการแบงประเภทของโรคออกเปน 8 ชนด ดงน

4

Diagnosis and classification 1. Gingival diseases

1.1 Plaque induced 1.2 Non-plaque induced

2. Chronic periodontitis 2.1 Localized 2.2 Generalized

3. Aggressive periodontitis 3.1 Localized 3.2 Generalized

4. Periodontitis as a manifestation of systemic disease 5. Necrotizing periodontal diseases 6. Abscesses of the periodontium 7.Periodontitis associated with endodontic lesions 8. Developmental or acquired deformities and conditions

ซงในงานวจยนจะมงเนนไปยงการวนจฉยแยกโรคของโรคเหงอกอกเสบและโรคปรทนต

อกเสบเปนส าคญ

โรคเหงอกอกเสบ รอยโรคทเกดกบเหงอกจะแบงออกเปน 2 ชนดใหญๆ กคอ ชนดทเกดจากการเหนยวน า

ของคราบจลนทรย กบชนดทไมไดเกดจากการเหนยวน าของคราบจลนทรย ซงชนดทเกดจากการเหนยวน าของคราบจลนทรย อาจจะมหรอไมมปจจยเฉพาะท ปจจยของโรคทางระบบหรอยาบางชนดมารวมกได ลกษณะโดยทวไปกคอจะไมมการสญเสยระดบการยดเกาะของเนอเยอปรทนต (Clinical attachment level) ในกรณทเปนชนดทไมไดเกดจากการเหนยวน าของคราบจลนทรยนนมสาเหตไดหลายประการ เชน เกดจากการตดเชอแบคทเรย เชอรา หรอเชอไวรสทเปนชนดจ าเพาะ เกดจากสาเหตทางพนธกรรม โรคทางระบบ หรอเปนปฏกรยาตอสงแปลกปลอม เปนตน โดยลกษณะของโรคเหงอกอกเสบทเกดจากคราบจลนทรย จะมลกษณะทางคลนกและภายถายรงส ดงตอไปน เชน ตรวจพบแผนคราบจลนทรยทขอบเหงอก มการเปลยนแปลงของสและรปราง

5

ของเหงอก (ภาพประกอบ 1) เหงอกมเลอดออกเมอตรวจดวยเครองมอตรวจปรทนต ไมมการสญเสยระดบการยดเกาะของอวยวะปรทนต ไมมการสญเสยกระดกเบาฟน (ภาพประกอบ 2) เหงอกสามารถกลบคนสสภาพปกต เมอก าจดแผนคราบจลนทรยออก ภาพรงสของตวฟน รากฟน ชองเอนยดปรทนต (Periodontal ligament space) และกระดกเบาฟน จะมลกษณะปกตเปนสวนใหญ (ภาพประกอบ 3) โดยบางบรเวณอาจพบเงาทบรงสของสนกระดกเบาฟนขาดหายหรอชองเอนยดปรทนต มเงาโปรงรงสกวางกวาปกตได

ภาพประกอบ 1 แสดงการเปลยนแปลงของสและรปรางของเหงอกทมการอกเสบ (ซาย) เทยบกบเหงอกในสภาวะ ปกต (ขวา)

ทมา: https://www.dentistcorpuschristitexas.com/periodontal-disease-stages/

https://www.dentistcorpuschristitexas.com/periodontal-disease-stages/

6

ภาพประกอบ 2 แสดงใหเหนถงรอยโรคเหงอกอกเสบทไมมการสญเสยระดบการยดเกาะของอวยวะปรทนต ไมมการสญเสยกระดกเบาฟน (ขวา) เมอเทยบกบสภาวะเหงอกปกต (ซาย)

ทมา: http://www.howardbeachdental.com/blog/gum-disease-gingivitis-vs-

periodontitis

http://www.howardbeachdental.com/blog/gum-disease-gingivitis-vs-periodontitis


7

ภาพประกอบ 3 แสดงภาพรงสของตวฟน รากฟน ชองเอนยดปรทนต (Periodontal ligament space) และกระดกเบาฟน จะมลกษณะปกตเปนสวนใหญ

ทมา: https://www.2thdrmark.com/single-post/2017/05/22/Radiation-and-Dental-

X-Rays

โรคปรทนตอกเสบ โรคปรทนตอกเสบชนดเรอรง สวนมากมกพบในผใหญ แตกสามารถเกดขนในเดกและ

วยรนได โดยทความรนแรงของโรคจะสมพนธกบการทมปจจยเฉพาะท (Local factor) มกพบวามหนน าลายใตเหงอก โดยทวไปการลกลามของโรคอยในระดบชาถงปานกลาง (ภาพประกอบ 4) แตกอาจมชวงทลกลามรวดเรวไดจากปจจยของภาวะทางระบบ เชนโรคเบาหวาน (Diabetes mellitus) การตดเชอเอชไอว (HIV infection) การสบบหรและภาวะเครยดของอารมณ พบวามความเกยวของกบการมปจจยชกน าเฉพาะท (Local contributing factors) เชน ปจจยทเกยวกบฟน (Tooth-related factors) หรอ ปจจยทเกดจากผใหการรกษา (Iatrogenic factors) พบเชอจลชพกอโรคหลายกลม พบวามการเกดรองลกปรทนตและมการสญเสยระดบการยดเกาะทางคลนกของอวยวะปรทนต (ภาพประกอบ 5) ในสวนของภาพรงสนนมลกษณะแตกตางกนไปตามความรนแรงของโรค คอ เงาทบรงสบางๆ ของสนกระดกเบาฟนเลอนหายไป แนวของสนกระดกเบาฟนหางจากเสนโยงระหวางรอยตอของชนเคลอบฟนกบชนเคลอบรากฟน (Cemento-enamel junction) ของฟนขางเคยงมากกวา 2 มลลเมตร สวนเงาทบรงสบางๆ ของผวกระดกเบาฟนไม

https://www.2thdrmark.com/single-post/2017/05/22/Radiation-and-Dental-X-Rays

https://www.2thdrmark.com/single-post/2017/05/22/Radiation-and-Dental-X-Rays

8

ตดตอกน นอกจากนความกวางของชองเอนยดปรทนตจะกวางมากกวาปกต และยงพบความวการของกระดกเบาฟน ไดแกการละลายตามแนวนอนและแนวตงของกระดกผนงกนกระดกเบาฟนครงซก และความวการทจดแยกรากฟนได (ภาพประกอบ 6) ในกรณทมฝปรทนต (Periodontal abscess) จะพบเงาโปรงรงสทดานขางของรากฟน

ภาพประกอบ 4 แสดงลกษณะทางคลนกของโรคปรทนตอกเสบ จะพบวามหนน าลายทงใตเหงอกและเหนอเหงอก มการสญเสยระดบการยดเกาะทางคลนกของอวยวะปรทนต

ทมา: https://www.topdoctors.mx/en/articulos-medicos/periodontitis-causas-y-

tratamiento

https://www.topdoctors.mx/en/articulos-medicos/periodontitis-causas-y-tratamiento

https://www.topdoctors.mx/en/articulos-medicos/periodontitis-causas-y-tratamiento

9

ภาพประกอบ 5 แสดงหนน าลายใตเหงอก การเกดรองลกปรทนต มการสญเสยระดบการยดเกาะของอวยวะปรทนตรวมทงมการท าลายของกระดกเบาฟน

ทมา: http://www.howardbeachdental.com/blog/gum-disease-gingivitis-vs-

periodontitis



10

ภาพประกอบ 6 แนวของสนกระดกเบาฟนหางจากเสนโยงระหวางรอยตอของชนเคลอบฟนกบชนเคลอบรากฟน (Cemento-enamel junction) ของฟนขางเคยงมากกวา 2 มลลเมตร (ก) และแสดงความวการบรเวณแยกรากฟนและการละลายตามแนวนอนและแนวตงของกระดกผนงกนกระดก

เบาฟนครงซก (ข)

ทมา: https://monroectdentist.com/know-gum-disease/

โรคปรทนตอกเสบเรอรง สามารถแบงออกเปน 2 ชนด โดยพจารณาจากจ านวนของต าแหนง (site) ทเปนโรค ไดแก

1.โรคปรทนตอกเสบเรอรงเฉพาะท (Localized chronic periodontitis) มต าแหนงทเปนโรคไมเกนรอยละ 30 ของต าแหนงทตรวจ

2.โรคปรทนตอกเสบเรอรงทวปาก (Generalized chronic periodontitis) มต าแหนงทเปนโรคมากกวารอยละ 30 ของต าแหนงทตรวจ

นอกจากนยงสามารถจ าแนกโรคตามระดบความรนแรงของโรค โดยพจารณาจากการสญเสยระดบการยดเกาะทางคลนก (Clinical attachment loss : CAL) ดงน

1.โรคปรทนตอกเสบเรอรงระดบเลกนอย (Mild chronic periodontitis) มการสญเสยระดบการยดเกาะ 1-2 มลลเมตร

2.โรคปรทนตอกเสบเรอรงระดบปานกลาง (Moderate chronic periodontitis) มการสญเสยระดบการยดเกาะ 3-4 มลลเมตร

3.โรคปรทนตอกเสบเร อรงระดบ รนแรง (Severe chronic periodontitis) มการสญเสยระดบการยดเกาะ 5 มลลเมตรขนไป

https://monroectdentist.com/know-gum-disease/

11

ปจจยเสยงทกอใหเกดโรคปรทนต 1.ปจจยเสยงทสามารถปรบเปลยนได (Modifiable risk factors)

1.1 เชอจลชพกบโรคปรทนต (Microorganisms and Periodontal Disease) แบคทเรยทสามารถพบไดในชองปากมมากถง 700 กวาชนด ซงสามารถพบ

แบคทเรยไดถง 400 ชนดในคราบจลนทรยใตเหงอก(8) แตมเพยงไมกชนดทเกยวของกบการกอโรคและการด าเนนของโรค คราบจลนทรยทอยใตเหงอกบรเวณทลกๆ จะพบวามเชอแบคทเรยรปแทงชนดแกรมลบไมใชออกซเจนเปนหลกรวมกบสไปโรคต ไดแก Porphyromonas gingivalis(9), Aggregatibacter actinomycetemcomitans( 1 0 ) , Bacteroides forsythus, Prevotella intermedia และ Fusoobacterium nucleatum(11)

1.2 การสบบหร (Tobacco smoking) มหลกฐานจากงานวจยหลายชนแสดงใหเหนวามอบตการณการเกดโรคปรทนต

อกเสบในผทสบบหรสง แตอยางไรกตาม ในผทสบบหรทมอาการของโรคปรทนตอกเสบ มกแสดงอาการอกเสบทางคลนกนอยกวาเมอเทยบกบคนทเปนโรคปรทนตทไมไดสบบหร (12)เนองมาจากสารนโคตนท าใหเกดการหดตวของหลอดเลอดและลดการไหลเวยนของเลอดและการบวม ลดอาการแสดงของการอกเสบ(13)

1.3 โรคเบาหวาน (Diabetes Mellitus) ผปวยทเปนโรคเบาหวานแตไมไดรบการวนจฉยวาเปนโรคเบาหวาน หรอเปน

โรคเบาหวานทงชนดทหนงและชนดทสองแตไมสามารถควบคมระดบน าตาลใหอยในเกณฑได เปนกลมทมความเสยงสงตอการเกดโรคปรทนตอกเสบ มหลายการศกษาทพบวามความสมพนธกนระหวางโรคเบาหวานและความเสยงทเพมขนของการตดเชอในชองปากรวมทงโรคปรทนตอกเสบ โรคจะด าเนนไปอยางรวดเรวในผปวยทควบคมระดบน าตาลไดไมด ในทางกลบกนถาผปวยสามารถควบคมระดบน าตาลไดด กจะสามารถรกษาสขภาพของเนอเยอปรทนตไดด และตอบสนองตอการรกษาโรคปรทนตไดด(14)

1.4 โรคหลอดเลอดหวใจ (Cardiovascular disease) โรคปรทนตสามารถเปนปจจยชกน าใหเกดโรคเกยวกบระบบหลอดเลอดได

เนองจากเปนแหลงของเชอจลนทรยชนดทพบใตเหงอกจ านวนมาก (15) โดยทเปนททราบกนดวา เชอแบคทเรยจากโรคเหงอกและโรคฟนผ จดเปนสาเหตปฐมภมของการเกดภาวะตดเชอของเยอหมหวใจ (Infective endocarditis)(16)

12

1.5 ความผดปกตทเกดจากการเหนยวน าของยา (Drug-Induced Disorders) ยาบางชนดสามารถเปนปจจยรวมในการกอใหเกดโรคปรทนตได เชน กลมยากน

ชก กลมยา calcium channel-blocker ยาตานจลชพกลม cyclosporine ซงสงผลเหนยวน าใหเกดการโตเกนของเหงอก (gingival overgrowth)(17, 18)

1.6 ความเครยด (stress) ความเครยดมความสมพนธกบการทมสขภาพชองปากไมด เพมการหล ง

glucocorticoid ซงจะลดการท างานของของระบบภมคมกน เพมการตานทานตออนซลน (Insulin) 1.7 ความอวน (obesity)

มการศกษาพบวา ในกลมวยรน มพฤตกรรมในการบรโภคอาหารกลมผกและผลไมลดลง ลดการบรโภคอาหารทมแคลเซยม จะมอตราการเกดโรคปรทนตสงกวากลมทไดรบการบรโภควตามนซและแคลเซยมอยางพอเพยง(19)

2. ปจจยทไมสามารถปรบเปลยนได (Non-modifiable risk factors) 2.1 ภาวะโรคกระดกพรน (Osteoporosis)

มการศกษาพบวา โรคกระดกพรนมความสมพนธกบการละลายตวของกระดกเบาฟนและความชกของการเกดโรคปรทนตอกเสบในหญงวยหลงหมดประจ าเดอน(20)

2.2 ความผดปกตของระบบเลอด ในผปวยโรคมะเรงเลอดขาวชนดเฉยบพลน จะมอาการแสดงทชดเจนอยางหนง

คอการเกดสภาวะเลอดออกของเนอเยอเหงอกทโตเกน (Hemorrhagic gingival overgrowth) โดยทจะมหรอไมมการตายของเนอเยอรวมดวยกได แตในกรณทเปนชนดเรอรงจะมอาการรนแรงนอยกวา(21)

2.3 การตอบสนองของระบบภมคมกน โรคปรทนตอกเสบชนดเรอรงมความสมพนธกนกบปจจยจากตวเชอจลนทรยและ

จากระบบภมคมกนของรางกาย Marcaccini และคณะ(22) พบวามการเพมขนของระดบ MMP-8 และ MMP-9 ในกระแสเลอดของผทเปนโรคปรทนตอกเสบเรอรง ซงสมพนธกบโรคทางระบบทส าคญคอโรคหลอดเลอดหวใจ

จากการศกษาทางระบาดวทยาในชวงป 1990-2010 พบวา โรคปรทนตอกเสบรนแรง (Severe periodontitis) มความชกของโรคเปนล าดบทหก และนอกจากนนยงพบอกวา อตราการเกดโรคปรทนตเพมขนถง 57.3% จากชวงป 1990 ถงป 2010(23) อกทงยงมการศกษาพบวาโรคปรทนตเปนสาเหตหลกของการสญเสยฟนในวยผใหญ ท าใหมความเสยงทจะเกดภาวะไรฟน (Edentulism) มปญหาตอระบบบดเคยว สงผลตอสภาวะสารอาหารและคณภาพชวต (24) นอกจาก

13

จะสงผลกระทบตอสขภาพชองปากและสขภาพโดยรวมของรางกายแลวยงสงผลในแงของเศรษฐกจและสงคมอกดวย โดยทผปวยทสญเสยฟนจากสภาวะโรคปรทนตจะตองท าการรกษาโรคปรทนตและท าฟนเทยมเพอชดเชยฟนทสญเสยไป(25)

โรคปรทนตอกเสบนนสามารถปองกนได สามารถวนจฉยไดตงแตเรมม อาการ และสามารถรกษาไดผลส าเรจทด หากไดรบการรกษาทถกตองเหมาะสมและสามารถควบคมปจจยเสยงตางๆ ได ในแงของการปองกนโรคปรทนตอกเสบนนเปนหวใจส าคญของการสงเสรมสขภาพ โดยตองมการจดการกบสภาวะเหงอกอกเสบอยางเหมาะสม และสนบสนนใหเกดการด า เนนชวตอยางใสใจสขภาพ ทงในแงของประชากรภาพรวมและในระดบปจเจกบคคล (26) สวนในแงของการรกษานน มเปาหมายเพอควบคมโรคเหงอกอกเสบและโรคปรทนตอกเสบไมใหเกดการลกลามของโรคจนน าไปสการสญเสยฟน คงสภาพการท างานของระบบบดเคยว และสงเสรมใหคณภาพชวตดขน แตการจะใหการรกษาทถกตองเหมาะสมแกผปวยแตละรายนนตองไดรบการวนจฉย และมการพยากรณโรคทถกตองเสยกอน เพราะการรกษาโรคปรทนตอกเสบใหไดผลด มประสทธภาพนน ตองอาศยความช านาญเฉพาะทางของผท าการรกษาดวย

ในการวนจฉยโรคปรทนตอกเสบนน ท าไดงายดวยการตรวจอวยวะปรทนตแบบทงปาก โดยอาศยเครองมอตรวจปรทนตเปนหลก การทสามารถวนจฉยไดอยางรวดเรว ตงแตรอยโรคทยงไมรนแรง กจะสามารถท าใหวางแผนการรกษาและท าการรกษาไดอยางทนทวงท ลดอตราการลกลามของโรคทจะน าไปสการสญเสยฟนในอนาคตได นอกจากนนแลวยงตองท าการประเมนปจจยเสยงทจะสงเสรมใหเกดโรคปรทนต แลวท าการก าจดหรอควบคมปจจยเหลานน ไมใหสงผลกระทบตอประสทธภาพในการรกษา เชนโรคทางระบบตางๆ การสบบหร เปนตน

ปญญาประดษฐ (Artificial intelligence) ปญญาประดษฐคออะไร

ในชวงไมกปทผานมา ความกาวหนาทางวทยาศาสตรในดานอเลกทรอนกสและคอมพวเตอรไดมความรดหนาไปอยางมาก มการพฒนาเครองมอและอปกรณเพอน ามาประยกตใชกบงานในศาสตรสาขาตางๆ อยางกวางขวาง ดงนนเราจะไดยนค าวา AI หรอ Artificial Intelligence หรอปญญาประดษฐ กนจนคนชน AI นนกคอความฉลาดหรอความรทสรางขนมาจากสงทไมมชวต ซงรวบรวมหลายๆ สงไวในนน เพอใหตอบสนองความตองการของมนษย ใหสามารถคดและเปนผชวยในดานตางๆ อาทเชน ระบบน าทางรถยนตไรคนขบ ผชวยอจฉรยะในสมารทโฟน

14

มการใหค านยามของปญญาประดษฐผานมมมอง 2 มม กคอ 1.ระหวางนยามทเนนระบบทเลยนแบบมนษย กบนยามทเนนระบบทมเหตผล

(แตไมจ าเปนตองเหมอนมนษย) 2.ระหวางนยามทเนนความคดเปนหลกกบนยามทเนนการกระท าเปนหลก

ปญญาประดษฐสามารถแบงนยามการเรยนรไดเปน 4 กลม 1.ระบบทคดเหมอนมนษย (Systems that think like humans)

ในป 1985 Haugeland(27) กลาววา ปญญาประดษฐ คอ ความพยายามใหมอนนาตนเตนทจะท าใหคอมพวเตอรคดได เปนเครองจกรกลทมสตปญญาอยางครบถวนและแทจรง ซงตองมการเรยนรกอนวา มนษยมกระบวนการคดอยางไร ซงการวเคราะหลกษณะการคดของมนษยนนเปนศาสตรดานวทยาศาสตรการรบร (Cognitive science) เชน การศกษาโครงสรางสามมตของเซลลสมอง การแลกเปลยนประจไฟฟาระหวางเซลลสมอง การวเคราะหการเปลยนแปลงทางเคมไฟฟาในรางกายระหวางการคด

2.ระบบทกระท าเหมอนมนษย (Systems that act like humans) ในป 1991 Rich และ Knight (28) กลาววา ปญญาประดษฐ คอ การศกษาวธ

ท าใหคอมพวเตอรกระท าในสงทมนษยท าไดดกวาในขณะนน เชน การสอสารไดดวยภาษาท มนษยใช มประสาทรบสมผสคลายมนษย เคลอนไหวไดคลายมนษย มการเรยนรไดเหมอนมนษย

3.ระบบทคดอยางมเหตผล (Systems that think rationally) ในป 1992 Winston(29) กลาววา ปญญาประดษฐ คอ การศกษาวธการ

ค านวณทสามารถรบร ใชเหตผล และน ามากระท าได การคดอยางมเหตผลกคอการใชหลกตรรกศาสตรในการคดหาค าตอบอยางมเหตผล เชน ระบบผเชยวชาญ

4.ระบบทกระท าอยางมเหตผล (Systems that act rationally) ในป 1998 Poole(30) และคณะ กลาววา ปญญาประดษฐ คอ การศกษาเพอ

ออกแบบเอเจนตทมปญญา กคอโปรแกรมทมความสามารถในการกระท าหรอเปนตวแทนในระบบอตโนมตตางๆ สามารถกระท าอยางมเหตผลเพอบรรลเปาหมายทตงไว

ซงในปจจบน งานวจยหลกๆทเกยวของกบปญญาประดษฐ จะมแนวคดในรปแบบทเนนเหตผลเปนหลก (ตามนยามการเรยนรกลมท 3) เนองจากการน าปญญาประดษฐ ไปประยกตใชแกปญหาไมจ าเปนตองอาศยอารมณ หรอความรสกของมนษย ระบบปญญาประดษฐทสามารถคดอยางมเหตผลไดนน จะตองท าใหเกดการเรยนรของเครองจกร (Machine learning) โดยเครองจกรนนคอโปรแกรมคอมพวเตอร

15

การเรยนรของเครองจกร (Machine learning) การเรยนรของเครองจกรเปนการใชชดค าสงในการแยกแยะและวเคราะหขอมล

เรยนรจากขอมลนนเพอสรางโมเดลในการตดสนใจ หรอคาดการณเกยวกบบางสงบางอยาง แทนทจะเขยนโคดเปนชดค าสงใหปฏบตตามขนตอนทก าหนดไว แตจะใชการฝก (Trained) โดยใชชดขอมลขนาดใหญในการเรยนรทจะปฏบตงานนนๆ การทจะสอนใหเครองคอมพวเตอรสามารถเรยนรไดนนมเทคนคตางๆ มากมาย สามารถแบงไดเปน 3 วธหลกคอ(31)

1.การเรยนรแบบมผสอน (Supervised learning )

การเรยนรแบบมผสอนนนตองการชดขอมลอนพตและเอาตพตเปาหมายเปนชดฝกสอนควบค (training pair) โดยปกตการสอนโครงขายนนจะใชชดฝกสอนควบคกนหลายชด ในระหวางการสอนโครงขายจะเกดเอาตพตจรงซงแตกตางจากเอาตพตเปาหมาย ท าใหไดคาความคลาดเคลอนหรอคาความผดพลาด โดยโครงขายจะเรยนรขอมลทงสองโดยการปรบคาน าหนก เพอลดคาความแตกตางหรอคาความผดพลาดระหวางคาตวแปรเอาตพตของโครงขายกบคาของขอมลเอาตพตทถกตองใหนอยทสด การปรบคาน าหนกจะปรบทละนอยๆ โดยกระบวนการท าซ ากบขอมลทละชด จนกระทงคาน าหนกในโครงขายลเขา ซงทงหมดนเรยกวา การเรยนร จากนนเมอเราปอนขอมลอนพตลาสดซงเปนขอมลชดใหมกจะไดคาตวแปรเอาตพตของโครงขาย เมอโครงขายท าการเรยนรแลวกจะปอนขอมลอนพตลาสดใหกบโครงขาย เพอทจะหาคาตวแปรของเอาตพต ซงคอ คาผลการท านายหรอระบค าหรอวลส าคญ

2.การเรยนรแบบไมมผสอน (Unsupervised learning)

การเรยนรแบบไมมผสอนนนไดถกพฒนาเพอใหใกลเคยงกบระบบการเรยนรของสมองมนษยมากยงขน โดยจะมเพยงชดขอมลอนพตเทานน จากนน กระบวนการเรยนรจะใชหลกทางสถต โดยหาคาสถตของชดฝกสอน และท าการจดกลมขอมลออกเปนระดบตางๆ โดยโครงขายประสาทเทยมจะหาคาเอาตพตเองจากความสมพนธระหวางขอมลอนพตและเอาตพต

3.การเรยนรแบบเสรมก าลง (Reinforcement learning)

คอมพวเตอรมปฏสมพนธกบสงแวดลอมทเปลยนไปตลอดเวลา โดยคอมพวเตอรจะตองท างานบางอยาง เชน ขบรถ โดยทไมมผสอนคอยบอกอยางจรงจงวาวธการทท าอยนนเขาใกลเปาหมายแลวหรอไม ตวอยางเชน การเรยนรเพอเลนเกม ลกษณะเหมอนการลองผดลองถกแบบหนง ผลของการลองในแตละครงเรยกวา รางวล (reward) เชน ถาลองแลวถกจะได รางวล

16

เปน 1 แตถาลองแลวผด จะได รางวล เปน 0 ซงคาของ รางวล นจะถกปอนกลบเขาไปเปนอนพตของการเรยนรรอบถดไป และท าซ าเรอยๆ จนไดผลทตองการ

ในการศกษานเปนการศกษาโดยใชภาพถายรงสเปนประชากร เพอท าการวนจฉยแยกโรค หรอ การแยกกลมโรคชนดตางๆออกจากกน ดงนน การทจะแยกหมวดหมของภาพ (Classification) นนจะตองอาศยโปรแกรมทมความสามารถในการวเคราะหภาพทซบซอน การทจะท าใหโปรแกรมคอมพวเตอรมความสามารถเชนนไดจะตองท าใหเกดการเรยนรของเครองทเรยกวา การเรยนรเชงลก (Deep learning)

การเรยนรเชงลก (Deep learning)

การเรยนรเชงลกนนจดเปนสาขาหนงของการเรยนรของเครองจกร (Machine learning) ใชกลไกแบบล าดบชน ดวยกลมอลกอรทมหรอสมการทางคณตศาสตรทน ามาแกไขปญหาดานการประมวลผล สามารถท างานไดทงแบบมผสอนและไมมผสอน คอ การอาศย โครงขายประสาทเทยม (Artificial neuron network) หรอ ANN ซงเปนสวนทเลยนแบบการท างานของสมองมนษย ซงประกอบดวย เซลลประสาท (neuron) และแตละเซลลจะถกเชอมโยงกนเปนโครงขาย ซงในซอฟตแวร จะเรยกนวรอน วา โหนด (node) และแตละโหนดจะถกแบงออกเปนชน (layer)(32)

โดยโครงสรางของการเรยนรเชงลก กจะประกอบไปดวยโครงขายประสาทเทยมทมโหนดหลายๆชน และใชการประมวลผลแบบขนาน (Parallel processing) ท าใหสามารถประมวลผลไดครงละจ านวนมาก ชวยใหการเรยนรของเครองสามารถใหผลลพธในการตดสนใจและคาดการณไดดมากยงขน

การเรยนรเชงลกถกน ามาประยกตใชในงานตางๆมากมาย เชน การแยกแยะใบหนา การแยกวตถทไมใชคน การประมวลผลเสยงพดตามธรรมชาต แปลภาษาหรอใชเปนสวนหนงในระบบรถยนตไรคนขบ เปนตน (33) โดยในสวนของโครงขายประสาทเทยมนน มพนฐานมาจากนวรอนทเปนของจรงในสมองมนษย นวรอนหรอเซลลประสาทในสมองนนจะมหนาทหลก 2 ประการ คอ การค านวณ และท าการสงผลทไดจากการค านวณไปยงอกปลายหนงของเซลลประสาทอยางรวดเรว เพอใหสามารถสงผลดงกลาวไปยงเซลลอนๆ ไดอยางทนทวงท ซงทงหมดนจะท างานโดยอาศยหลกการทางไฟฟา โดยรปรางลกษณะของนวรอนในสมองมนษยนนดงแสดงในภาพประกอบ 7 มลกษณะคลายกบตนไมทปราศจากใบ ทแตละกงและรากทเชอมโยงกนดวยล าตน โดยสวนประกอบการท างานหลกของขายประสาทคอเซลลประสาท และกลมเซลลประสาท

17

นนจะมการรบร โดยมการท างานคอจะรบอนพต (Input) จากแหลงตางๆ น ามารวมเขาดวยกน และมการท างานในแบบไมเปนเสนตรง (Non-Linear) และสงเอาตพต (Output) สดทายออกมา

มนษยนนมความซบซอนในกระบวนการคดซ า ท าใหเซลลประสาทมความหลากหลายเปนอยางมาก อยางไรกดเซลลประสาทตามธรรมชาตทงหมดมสวนประกอบพนฐาน 4 สวนเหมอนๆกน สวนประกอบเหลานเรยกตามชอทางชววทยาวา เดนไดรท (Dendrites) โซมา (Soma) แอคซอน (Axon) และซนแนปส (Synapses)

ภาพประกอบ 7 แสดงความสมพนธของระบบประสาททง 4 สวน

ทมา: http://oerpub.github.io/epubjs-demo-book/content/m46509.xhtml

เดนไดรทเปนสวนขยายหรอสวนตอของโซมา ซงมลกษณะคลายขนซงท าหนาทเหมอนเปนชองทางน าเขาของคาอนพต และเดนไดรทจะท าการรบอนพตผานซนแนปสของเซลลประสาทอน โดยโซมาจะคอยประมวลผลสญญาณไฟฟาทรบเขามาตลอดเวลา แลวสงผลการท างานเปนเอาตพตออกไปใหเซลลประสาทอน โดยสงผานทางแอคซอนและซนแนปส

http://oerpub.github.io/epubjs-demo-book/content/m46509.xhtml

18

การเรยนรและความทรงจ าเปนคณสมบตทส าคญทสดในการน ามาใชงาน การเรยนรของมนษยไมไดเกดจากการเปลยนแปลงทางเคมชวภาพเพยงอยางเดยว แตตองมการเปลยนแปลงทางดานกายวภาค (anatomical alterations) ควบคไปดวย ซงการเปลยนแปลงทางกายวภาคนจะไมเกดกบนวรอนหรอซนแนปสเพยงตวเดยวหรอจดเดยว คอ จะเกดกบหลายๆนวรอนพรอมๆกน เมอถงเวลาหนงนวรอนจะหมดหนาทไป แตการลบเลอนของความทรงจ าจะไมเหมอนกบการสลายไปของนวรอน นวรอนตวหนงจะรวมงานกบนวรอนอกหลายตวเพอกอใหเกดรปแบบของความทรงจ าส าหรบเรองใดเรองหนงขนในสมอง หมายความวาความจ าในเรองหนงๆ มกเกดจากการเปลยนแปลงของนวรอนหลายๆตว และจะเกดในสวนใดสวนหนงของสมอง โดยแตละสวนของสมองจะแบงหนาทและความถนดในเรองทแตกตางกนออกไป

นวรอนเหลานคอ รากฐานระบบประสาทของมนษยรวมทงการท าหนาทในดานการคดค านงตางๆ ดวย โดยจ านวนนวรอนทมอยในสมองมนษยนนมอยเปนจ านวนมาก โดยนวรอนแตละตวจะเชอมโยงกบนวรอนตวอนอกนบพนตว และเชอกนวาความรทงหมดของมนษยนนจะเกบไวในจดเชอมโยง (connections) ตางๆ โดยขนอยกบความเขมขนของการเชอมโยงดวย สงเหลานท าใหมนษยสามารถเรยน คด จดจ า หรอระลกถงสงทจ าไว เพอทจะสามารถน าไปใชประโยชนไดอยางฉบพลน จงเปนความมหศจรรยทคอมพวเตอรไมสามารถท าได

โครงขายประสาทเทยม (Artificial neuron network) 1.คณสมบตของโครงขายประสาทเทยม

โครงขายประสาทเทยมนน มคณสมบตทเทยบเทากบสมองมนษย ในดานของการเรยนและจดจ า เชน สมองมนษย เมอไดรบการเรยนรบางสงหลายๆครงนนจะท าใหเกดการจดจ า และเมอพบเหนสงทไมเคยไดเรยนรมากอนกสามารถทจะอนมานไดวาสงนนคออะไร จากความรทไดรบจากการเรยนรทผานมากอนหนา โดยโครงขายประสาทมคณสมบต 2 ประการ คอ (34)

1.การเรยนร (learning) โครงขายประสาทสามารถเรยนรจากชดฝกสอนทไดท าการปอนใหโครงขาย

ประสาทเทยมไดเรยนร 2.การระลกหรอจดจ าได (recall)

โครงขายประสาทเทยมสามารถระลกไดทงชดฝกสอนและชดทดสอบหรอชดทวไปไดดในระดบทยอมรบได โดยชดทดสอบจะมความแตกตางจากชดฝกสอน ซงความแตกตางนนเรยกวามสงบดเบอนของขอมลนนๆซงเปนลกษณะของสภาพความเปนจรงทเกดขน

19

โครงขายประสาทเทยมในทศนะของคอมพวเตอรนน จะประกอบไปดวยหนวยประมวลผล (processing elements : PE) ทเชอมโยงกนหลายตว ท างานในลกษณะขนานกนไปคลายกบนวรอนในสมองมนษย เพอแปลงขอมลจากรปแบบหนงไปสอกรปแบบหนง การใชโครงขายประสาทเทยมนจะเปนในรปแบบของการสอนใหคอมพวเตอรเรยนรแทนทจะเปนการปอนโปรแกรมใหกบคอมพวเตอร โดยจดมงหมายของการสอนนวรอนหรอการปอนขอมลทตองการใหกบคอมพวเตอรเรยนร คอ การท าใหระบบคอมพวเตอรนสามารถแสดงค าตอบในรปแบบทตองการได ซงจะเปนการปอนขอมลทถอวารอยแลวเขาไปใหโครงขายประสาทเทยม พรอมดวยคาเอาตพตทตองการใหโครงขายประสาทเทยมนนแสดงออกมา จากนนโครงขายประสาทเทยมจะท าการค านวณและปรบคาตวเลขน าหนกเองโดยใชกฏเกณฑตางๆเขาชวย จนกระทงเอาตพตทไดออกมานนถกตองแมนย าอยในเกณฑทนาพอใจ สวนตวเลขทเปนกลไกทท าใหโครงขายประสาทเทยมสามารถเรยนรและจดจ าไดนนจะอยในรปทเรยกวา “เมตรกซน าหนก” ลกษณะการท างานแบบนจะท าใหผใชโครงขายประสาทเทยม สามารถทจะปอนขอมลใหมๆ เขาไป แลวปลอยใหเปนหนาทของโครงขายประสาทเทยมชนดนนๆ ทจะหาทางทจะจดการปรบตวเพอทจะหาค าตอบนนเอาเอง ความกาวหนาของโครงขายประสาทเทยมในปจจบนเปนไปอยางรวดเรว ท าใหสามารถแกปญหาใหกบงานบางประเภททไมสามารถท างานไดจนสมฤทธผลและใหค าตอบในแบบทผใชงานพงพอใจ

2.ประเภทของโครงขายประสาทเทยม

ในป 1992 Dave Anderson และ George McNeill(35) กลาววา แนวคดของเซลลประสาทเทยมทตองมการเชอมตอและมการค านวณคาแอคตเวชน ฟงกชน โดยมากจะเปนตวบงบอกโครงสรางทางสถาปตยกรรม ซงจะมกฏก าหนดวธการของโครงขาย โดยแบงออกเปนประเภทได 5 ประเภทดงน

1.ประเภทการคาดเดา (Prediction) 2.ประเภทการจดล าดบหมวดหม (Classification) 3.ประเภทการเชอมโยงขอมล (Data association) 4.ประเภทกระบวนการสรางความคด (Data conceptualization) 5.ประเภทการกลนกรองขอมล (Data filtering)

20

3.โครงสรางทางสถาปตยกรรมของโครงขายประสาทเทยม ประกอบดวยชนของนวรอน 3 ชนหลก ไดแก ชนอนพต (Input layer) ชนซอน (

Hidden layer) และชนเอาตพต (Output layer) ในแตละชนจะประกอบไปดวยหนวยยอยทเรยกวา นวรอน ซงจะมการเชอมโยงกนของนวรอนในแตละชนตางๆ ดงภาพประกอบ 8

ภาพประกอบ 8 แสดงโครงสรางทางสถาปตยกรรมของโครงขายประสาทเทยม

ทมา: https://msatechnosoft.in/blog/tech-blogs/artificial-neural-network-types-feed-forward-feedback-structure-perceptron-machine-learning-applications

ในการว เคราะหภาพ ( Image analysis) หรอการแบงกลมภาพ ( Image classification) จะนยมใชโครงขายประสาทเทยมชนดคอนโวลชน (Convolution Neural Network : CNN) โดยทจะจ าลองการมองเหนของมนษยทมองพนทเปนทยอยๆ และน ากลมของพนทยอยๆ มาผสานกน เพอดวาสงท เหนอยเปนอะไร (36) การมองพ นทยอยของมนษยจะมการแยกคณลกษณะ (feature) ของพนทยอยนน เชน ลายเสน และการตดกนของส การทมนษยรวาพนทตรงนเปนเสนตรงหรอสตดกนเพราะมนษยดทงจดทสนใจและบรเวณรอบๆ ประกอบกน

การจ าแนกภาพวาสงทก าลงมองเหนนนคออะไร เปนความสามารถทเกดขนทนทตงแตเกดมา เปนไปโดยธรรมชาต มนษยเราสามารถบอกไดวาสภาพแวดลอมทเราอยเปนอยางไร มอะไรอยรอบๆตวเราบาง ตางจากการมองเหนของคอมพวเตอร ซงเมอเราใสภาพเปนอนพตเขาไปในคอมพวเตอร สงทคอมพวเตอรมองเหนจะเปนแถวของพกเซล (pixel) โดยขนอยกบความ

https://msatechnosoft.in/blog/tech-blogs/artificial-neural-network-types-feed-forward-feedback-structure-perceptron-machine-learning-applications

https://msatechnosoft.in/blog/tech-blogs/artificial-neural-network-types-feed-forward-feedback-structure-perceptron-machine-learning-applications

21

ละเอยด (resolution) และขนาดของภาพ ยกตวอยางเชน มภาพซงเปนภาพชนด JPG ขนาด 480x480 คอมพวเตอรจะมองภาพนออกเปนลกษณะแถวตารางขนาด 480x480x3 (โดยท 3 คอคา RGB values) โดยตารางแตละชองจะมคาตงแต 0-255 ตามระดบความเขมของจดๆนน สงทเราตองการใหคอมพวเตอรแสดงผลลพธออกมาให กคอการระบวาภาพทเราปอนขอมลเขาไปนนเปนภาพของอะไร โดยสงเกตจากลกษณะเฉพาะของภาพแตละภาพ เชนเวลาเรามองภาพสนข เรากจะดวา มองเทาหรอไม มสขาหรอไม เปนตน ในทางคลายคลงกน คอมพวเตอรกจะสงเกตจากเสนขอบ หรอความโคงของเสน แลวน ามาวเคราะหเพอระบวาเปนภาพของอะไร เพอใหไดผลลพธทตองการออกมา

ภาพประกอบ 9 แสดงโครงสรางของ Convolutional Neuron Network

ทมา: https://towardsdatascience.com/applied-deep-learning-part-4-convolutional-neural-networks-584bc134c1e2

4.โครงสรางของ Convolutional Neural Network 1. Convolution

องคประกอบหลกของ CNN คอ ชนของ convolution เปนกระบวนการทางคณตศาสตรในการรวมขอมล 2 ชดเขาดวยกน ในกรณน เราใช convolution filter ใสลงบนอนพต เพอท าใหเกด feature map

https://towardsdatascience.com/applied-deep-learning-part-4-convolutional-neural-networks-584bc134c1e2


22

ก ข

ภาพประกอบ 10 แสดงตวอยางลกษณะขอมลน าเขา (Input) (ก) และ ตวกรอง (Filter) (ข)


จากภาพจะเหนวาขนาดของตวกรองเปนลกษณะตาราง สามคณสาม จงเรยกไดอกอยางวา 3x3 คอนโวลชน จากนนเราจะท าการเคลอนฟลเตอรลงไปบนอนพตทกๆต าแหนง กจะเกดการค านวณคาเมตรกซ ไดผลลพธออกมาเปน feature map บรเวณทเปนสเขยวกคอต าแหนงทฟลเตอรอยบนขอมลน าเขา เรยกวา receptive field ตามขนาดของตวกรองทก าหนดมา



23

ก ข

ภาพประกอบ 11 แสดงลกษณะของ receptive field (ก) และ feature map (ข)

ทมา : https://towardsdatascience.com/applied-deep-learning-part-4-convolutional-neural-networks-584bc134c1e2

จากภาพประกอบ 11 ในดานซายมอจะเหนบรเวณทเปนสเขยวซงกคอบรเวณทเกดการค านวณคาเมตรกซ ปรากฏบนภาพดานขวาในชองสเหลยมสชมพ



24

ภาพประกอบ 12 แสดงการท างานของฟลเตอร


จากภาพประกอบ 12 บรเวณทเปนฟลเตอรสเขยวขยบมาทางขวา 1 แถว เกดการค านวณคาเมตรกซเพมขนอก 1 คา ซงฟลเตอรกจะขยบในลกษณะแบบนไปเรองๆจนครบทงอนพต กจะได feature map ซงจากการยกตวอยางเปนเพยงภาพ 2 มต แตในความเปนจรงแลวจะเกดการค านวณทง 3 มต ซงกคอ ความสง ความกวาง และความลกของภาพ โดยความลกนนกคอคา RGB values นนเอง

อกประการหนง ในการวเคราะหจรงนน มการใชฟลเตอรหลายอนตอขอมล 1 ชด ซงกจะไดคา feature map ทแตกตางกนไปดวย จากนนกจะรวม feature map ทงหมดเขาดวยกนแลววเคราะหออกมาเปนผลลพธ



25

ภาพประกอบ 13 แสดงลกษณะของอนพตและฟลเตอรทเปน 3 มต และ feature map ทไดจากการใชฟลเตอรแบบท 1

ทมา: https://towardsdatascience.com/applied-deep-learning-part-4-

convolutional-neural-networks-584bc134c1e2



26

ภาพประกอบ 14 แสดงลกษณะของอนพตทใสฟลเตอรลงไป 2 แบบ และแสดง feature map ทไดจากฟลเตอรทง 2 แบบ

ทมา : https://towardsdatascience.com/applied-deep-learning-part-4-

convolutional-neural-networks-584bc134c1e2

2. Non-Linearity ถาตองการใหโครงขายประสาทเทยมมประสทธภาพมากในการวเคราะห ก

จ าเปนทจะตองมคณสมบต non- linearity กคอการก าหนดคาน าหนกใหแกอนพตโดย activation function โดยการเอาผลลพธทไดจากการค านวณของ convolution ผานไปยง relu activation function

3. Stride and Padding Stride กคอการก าหนดคาใหฟลเตอรขยบบนอนพต เชน ก าหนดคาเทากบ 1

ฟลเตอรกจะขยบไปทละ 1 ชอง ถาเราตองการใหขอมลซอนทบกนนอยลงกก าหนดคาใหมากขน แตกจะท าใหได feature map ทมขนาดเลกลงตามไปดวย ถาตองการให feature map มขนาดเทากบ อนพต กจะตองตงคา padding ใหเทากบศนย ซงใน CNN เรามกจะตงคา padding ดวยเสมอเพอรกษาขนาดของ feature map



27

4. Pooling

คอการลดมตของขอมลทได โดยการคงความลกของขอมลไวเทาเดม เปลยนแปลงเพยงความกวางและความสง เพอลดระยะเวลาในการเทรน

ภาพประกอบ 15 แสดงการยอขนาดขอมลโดยทคงความลกไวเทาเดม


5. Hyperparameters Filter size โดยท วไปนยมขนาด 3x3 ,5x5 หรอ 7x7 กได ตามความ

เหมาะสม Filter count จะเรมจากจ านวนนอยๆกอน คอ 32 ไปจนถงมากทสดคอ 1024

แตการใชจ านวนทมากเกนไปกอาจท าใหเกด overfitting ได Stride มกตงคาไวท 1 Padding มกตองใช padding เสมอ

6. Fully connect



28

หลงจากทผานการ convolution และ pooling แลว กจะท าการรวมขอมล 3 มต ใหออกมาในรปของ 1D vector

7. Training

ภาพประกอบ 16 แสดงกระบวนการท างานของ CNN


การประยกตใชปญญาประดษฐ ปญญาประดษฐเปนระบบคอมพวเตอรทท าการลอกเลยนแบบการท างานของสมอง

มนษย ทสามารถเรยนร วเคราะห รวมทงท าการตดสนใจไดแบบทสมองมนษยท า ในปจจบน การน ามาปญญาประดษฐมาใชงานนนมความกวางขวางครอบคลมในหลายสาขาวชาตางๆ ไดแก

- หนยนต (Robotic) - ระบบผเชยวชาญ (Expert systems) - ระบบแปลภาษาอตโนมต (Automatic translation programs) - ระบบวเคราะหความหมาย (Meaning analyzers for natural languages)



29

- Natural language sentence production เ ช น abstract poetry writing, story writing, making computer art/music

- การวเคราะหเสยง (Audio analyzers) เชน จดจ าชดค าสงเสยง - โปรแกรมเกมส เชน หมากรก หรอ บรดจ (Bridge) - การแกไขปญหาตางๆ (Theorems proving/problem solvers) (37)

1.ปญญาประดษฐในทางการแพทย (Artificial Intelligence in Medicine)

1.1 ระบบผเชยวชาญ (Expert systems) เปนสวนทส าคญ ทสดในการน าปญญาประดษฐมาประยกตใช โดยม

วตถประสงคเพอการลอกเลยนความสามารถของผเชยวชาญเฉพาะทางใหแกคอมพวเตอร ไดแกความสามารถดานการออกแบบ การวางแผน การวนจฉย การแปลผล การสรปรวบรวมผล การควบคม และการใหค าแนะน าตางๆ โดยทระบบฐานขอมลและระบบการอนมานเปนสวนประกอบส าคญทท าใหระบบผเชยวชาญแตกตางจากระบบชวยการตดสนใจอนๆ

Conventional programs Algorithms + Data base Expert systems Inference Mechanism + Data

base ฐานขอมล (Data base) เปนสวน ทส าคญ ทสดของระบบผเชยวชาญ

ประกอบดวยขอมล รายละเอยด กฎเกณฑ ความสมพนธ ค าจ ากดความของปญหา วธแกไข และขอมลทจะน าไปสการแกไข ทงหมดนจะถกจดการดวยความรทางวศวกรรม(38)

ระบบผเชยวชาญในทางการแพทยมจดประสงคเพอชวยใหค าแนะน าแกแพทยในการตดสนใจวนจฉย รกษา โดยมพนฐานจากขอมลตางๆของผปวย

1.1.1 Rule-based systems

ไดแก MYCIN เปนระบบผเชยวชาญทรจกกนอยางกวางขวาง เพราะเปนตวแรกทคดคนขนมา เพอการวนจฉยและรกษา โรคทเกดจากการตดเชอแบคทเรย ทมหาวทยาลย Stanford นอกจากนน ยงมวตถประสงคเพอลดการใชยาปฏชวนะ โดยใชขอมลของผปวย ผลการตรวจทางหองปฏบตการ อาการและอาการแสดงของผปวย มาใชในการวนจฉย ส งยา และวางแผนการรกษา(39)

1.1.2 Causal models

30

ไดแก CASNET เพอน ามาใชชวยในการวนจฉยโรคตอของดวงตาชนดตางๆ ซงระบบนสามารถใหการวนจฉยทถกตองแมนย าไดเทยบเคยงกบความสามารถของผเชยวชาญเฉพาะดาน(40)

1.1.3 Hypothesis-based systems ไดแก PIP เปนระบบทพฒนาขนมาเพอใชในการวนจฉยโรค edema

รวมทง ABEL (acid-based and electrolyte balance)(40) 1.2 โครงขายประสาทเทยม (Artificial Neural Networks)

ประกอบดวย โมเดลแบบตรง (direct) แบบซบซอน (complex) และ แบบไมเปนเสนตรง (nonlinear) ทซงขอมลน าเขาทเปนตวแปรอสระนนมความสมพนธกบขอมลน าออกหรอตวแปรตาม (41) โครงขายประสาทเทยม มระดบขดความสามารถทสงมาก ยงเมอไดรบขดความสามารถจากโครงสรางคขนาน อกทงมความสามารถในการเรยนรและมความสามารถในการประยกตใช ซงความสามารถในการประยกตใช คอการทเกดการตอบสนองอยางเหมาะสมตอชดขอมลน าเขาทตวระบบยงไมเคยผานการเรยนรลกษณะขอมลแบบนนมากอน แสดงใหเหนวาโครงขายประสาทเทยม มความสามารถในการแกไขปญหาทมความซบซอน และนอกจากนนแลว หนวยโครงสรางของโครงขายประสาทเทยม เกดจากการเชอมตอกนของหนวยยอยในลกษณะไมเปนเสนตรง ดงนนจงสามารถแกไขปญหาทมความซบซอนแบบไมเปนเสนตรงได สามารถใหการตดสนใจทมความเทยงตรงแมนย าไดมากกวาผเชยวชาญเฉพาะทาง แตเมอเทยบกบระบบผเชยวชาญแลว ระบบจะใหการตอบสนองทชดเจนกวาโครงขายประสาทเทยม

โครงขายประสาทเทยม น ามาประยกตใชในทางการแพทยอยางกวางขวาง เพราะตวระบบมความสามารถในการแยกประเภท และจดจ ารปแบบของชดขอมลตางๆ อยางททราบกนดวา การจะวนจฉย วางแผนการรกษา หรอคาดเดาผลลพธของการรกษาจ าเปนตองอาศยขอมลหลายสวนมาประกอบเชอมโยงกน ซง โครงขายประสาทเทยม มความสามมารถในการเชอมโยงขอมลเหลานเขาดวยกนแลวประมวลผลออกมาได

1.2.1 โครงขายประสาทเทยมกบการวนจฉยโรค โครงขายประสาทเทยมถกน ามาใชในการวนจฉยโรค วเคราะหภาพถาย

รงสและภาพถายทางจลพยาธวทยา แปลผลขอมล และสามารถน ามาใชในการวเคราะหรปคลน จากการศกษาของ Stamey และคณะ(42) ทไดพฒนาโครงขายประสาทเทยมชอวา ProstAsure Index ทน ามาใชในการแยกประเภทของโรคตอมลกหมาก วาเปนชนดรายแรงหรอชนดไมรายแรง โดยจากการศกษาพบวา โปรแกรมใหความถกตองในการวนจฉยสงถงรอยละ 90 โดยมคาความไว

31

ของโปรแกรมอยทรอยละ 81 และมความจ าเพาะเจาะจงถงรอยละ 92 นอกจากนนแลวยงมโปรแกรมทใชโครงขายประสาทเทยมน ามาชวยในการตดสนใจรกษาดวยการผาตด ในโรคทเกยวของกบอาการปวดทองและไสตงอกเสบ (43) โรคนวในถงน าด (44) โรคตอหน (Glaucoma) (45)อาการปวดหลง(46)

โครงขายประสาทเทยมยงสามารถน ามาใชในการวนจฉยดานมะเรงวทยาและการวเคราะหทางจลพยาธวทยาได ยกตวอยางเชนโปรแกรม PAPNET ซงเปนระบบทจะชวยตรวจสอบเบองตนโดยใชหลกการท างานของโครงขายประสาทเทยม สามารถน ามาใชในการคดกรองมะเรงเตานม กระเพาะอาหาร ตอมไทรอยด มะเรงเยอบชองปาก เปนตน(47-49)

ในทางรงสวทยา น าเอาโครงขายประสาทเทยม มาใชในการแปลผลภาพถายรงสธรรมดา ภาพจากการอลตราซาวน ภาพถายรงสสามมต (CT scan) หรอ เอมอารไอ (MRI) รวมทงภาพถายรงสไอโซโทป นอกจากนนยงสามารถใชวเคราะหลกษณะคลน ECG เพอวนจฉยอาการของกลามเนอหวใจขาดเลอดหรอไม (Myocardial infarction) (50)

ในป 2017 การศกษาของ Pranav R และคณะ(51) ไดใชหลกการท างานของโครงขายประสาทเทยม น ามาเขยนเปนโปรแกรมชอวา CheXNet ซงประกอบไปดวยชนของคอนโวลชนจ านวน 121 ชน ขอมลน าเขาคอภาพถายรงสทรวงอกแบบธรรมดา เพอศกษาความสามารถของการวเคราะหของโปรแกรมในการตรวจจบความผดปกตของรอยโรค Pneumonia เปรยบเทยบกบความสามารถของผเชยวชาญแพทยรงสวทยา ในการศกษานไดมการออกแบบใหโปรแกรมมการเรยนรดวยตวเองจากการปอนชดขอมลจ านวน 14 ชด แลวจงทดสอบโปรแกรมกบชดขอมลทดสอบเพอเอามาเปรยบเทยบความถกตอง แมนย า กบผลการทดสอบจากกลมผเชยวชาญ ไดขอสรปจากการศกษานวา โปรแกรมมความถกตองแมนย า และมความไวในการตรวจจบความผดปกตทสงกวาผเชยวชาญ อยางมนยส าคญทางสถต ซงในการศกษานเปนสวนสนบสนนความสามารถของ โครงขายประสาทเทยม ในการน ามาวเคราะหภาพถายตางๆ

1.2.2 โครงขายประสาทเทยมกบการพยากรณโรค

การพยากรณโรคเปนสวนทส าคญมากในการวางแผนการรกษา และตดตามผล ถาสามารถระบไดวาผปวยมความเสยงสง กจะชวยใหสามารถวางแผนการรกษาไดด สงผลใหเกดผลลพธการรกษาทด และมอตราการรอดชวตมากขน จากการศกษาของ Burke และคณะ(52, 53)ในป 1997-1998 ไดน าโครงขายประสาทเทยมมาใชในโปรแกรมพยากรณโรคในผปวยโรคมะเรงเตานมและมะเรงล าไสใหญได

32

2.ปญญาประดษฐในทางทนตกรรม (Artificial Intelligence in Dentistry) 2.1 ดานรงสวทยา

ในทางทนตแพทย การน าปญญาประดษฐมาใช เรมตนอยางชาๆในงานดานรงสวทยา ซงเนนไปในดานการบนทกการวนจฉยในรปแบบดจตล (Digital IOPAS/RVGS) ขอมลจ านวนมากสามารถเกบรวบรวมและสรางขนไดอยางรวดเรวเพอการวนจฉยและวางแผนการรกษา การน าปญญาประดษฐมาประยกตใชในงานดานรงสวทยา สามารถแบงออกไดเปน 3 กลมใหญ ดงน (54)

1. แบงตามลกษณะการท างานในคลนก (Clinical workflow) 2. แบงตามชนดของโปรแกรม (Types of applications) 3. แบงตามจดประสงคการท างาน (Classes of use cases)

ตาราง 1แสดงการใชงานทางคลนกของปญญาประดษฐ

Clinical workflow Types of applications Classes of use cases Triage scenario Detection For workflow optimization

and quality assurance Replacement

scenario Segmentation Separate normal from

abnormal Add on scenario Classification Grading and classification

of images Computer aided detection Radiomics Natural language

processing, computer-assisted reporting,

knowledge management

33

1. แบงตามลกษณะการท างานในคลนก (Clinical workflow) แบงวตถประสงคการใชงานเปน 3 แบบ คอ 1.1 เพอการคดแยก (Triage scenario) เครองมอจะมจดประสงคในการ

ตรวจคดกรองโรค โดยจะแสดงผลในลกษณะของความนาจะเปนทจะเกดโรค 1.2 เพอการแทนท (Replacement scenario) มจดประสงคเพอน าเอา

ปญญาประดษฐมาแทนทมนษย ถาปญญาประดษฐนนมความถกตองแมนย า รวดเรว สามารถท าซ าได มากกวาความสามารถของมนษย เชน โปรแกรมทใชค านวณอายกระดก ซงโปรแกรมมความสามารถสงกวานกรงสวทยาในการประเมนอายกระดกจากภาพถายรงส

1.3 เพอตรวจสอบเพมเตม (Add on scenario) ในกรณทความก ากงของผลการอานโดยนกรงสวทยา การน าปญญาประดษฐมาใชชวยท าใหไดผลลพธทแมนย าขน

2. แบงตามชนดของโปรแกรม (Types of applications)

สามารถแบงออกเปน 3 แบบคอ 2.1 เพอการตรวจจบ (Detection) เพอระบความผดปกตทเกดขนใน

ภาพ เชน การตรวจหากอนเนอตางๆ 2.2 เพอการแยกสวน (Segmentation) เพอแยกโครงสรางสวนทตองการ

ศกษาออกจากโครงสรางสวนอนๆ เชน บอกขอบเขตของอวยวะทซอนทบกน 2.3 เพอการแบงกลม (Classification) เพอระบวามส ง ทตองการ

ตรวจสอบในภาพนนๆ หรอไมเชน การตรวจวาม pulmonary embolism ในภาพถายรงสสามมต หรอไม

3. แบงตามจดประสงคการท างาน (Classes of use cases) 3.1 เพอแยกสงทปกตออกจากสงทผดปกต 3.2 เพอชวยเพมประสทธภาพในการท างาน เพราะ ปญญาประดษฐ

สามารถตรวจพบความเปลยนแปลงขนาดเลกๆ ได และสามารถตรวจสอบหาความผดปกตทคลายคลงกนได

3.3 เพอแบงระดบและจดกลม 3.4 เพอใชในเทคนคการดงภาพขนสง จากขอมลภาพถายรงส ทง

ภาพถายรงสสามมต เอมอารไอ (MRI) หรอ เพทสแกน (PET scan) เพอน ามาผานโปรแกรม ในการสรางภาพมตเพอการวนจฉยโรคมะเรง(55)

34

3.5 Natural language processing กระบวนการเปลยนโครงสรางทไมเปนระเบยบใหเปนโครงสรางทมระเบยบ เพอใหเกดการดงขอมลอยางรวดเรว(56)

โครงขายประสาทเทยมยงมความสามารถในการวเคราะหภาพตางๆ จงมหลายการศกษาทไดน าความสามารถในการวเคราะหภาพมาใช ในป 2019 การศกษาของ Motoki F และคณะ(57) กลาวถงการใชภาพถายรงสชนดพาโนรามกในการตรวจหาความผดปกตเบองตนของขากรรไกรและโครงสรางใกลเคยง ซงใหความนาเชอถอและเปนเทคนคทสามารถท าไดงาย แตอยางไรกตาม เนองจากภาพถายรงสพาโนรามกจะเกดการซอนทบของโครงสรางตางๆ ท าใหยากตอการแปลผล หากผทอานผลขาดประสบการณ ดงนนเพอหาวธแกไขปญหาทจะเกดจากความผดพลาดของมนษย จงไดมการคดคนโปรแกรมชวยตรวจจบและวนจฉย (Computer assisted detection/diagnosis (CAD) systems) มาชวยในการวเคราะหแยกโรค เชน โรคโพรงอากาศในกระดกโหนกแกมอกเสบ (Maxillary sinusitis) โรคกระดกพรน (Osteoporosis) ภาวะอดตนในหลอดเลอดคาโรตด (Carotid artery calcification) ตอมาน าระบบการเรยนรเชงลกและ โครงขายประสาทเทยมชนดคอนโวลชน มาใช ซงคอมพวเตอรจะสามารถเกดการเรยนรดวยตนเองไดจากการปอนชดขอมลเทรนนง

ในการศกษาน Fukuda M และคณะ (57) ไดใชโมเดลชอ DetectNet ซงมโครงสรางของโมเดลเปน CNN-based DL system ในการตรวจจบวตถ ซงตวผลลพธทได จะแสดงผลเปนกรอบส (colored box) ในภาพถายรงสพาโนรามกทใชทดสอบ ในการศกษาจะเปนการใชโมเดลเพอตรวจหา รอยแตกแนวดงของรากฟน (Vertical root fracture) ถงแมวาจะมหลายๆการศกษาพบวา การตรวจหารอยแตกแนวดงของรากฟน นนจะไดผลแมนย าทสดดวยการใชภาพถายรงสชนด cone beam computed tomography (CBCT) (58) แตดวยความท CBCT ตองใชปรมาณรงสทคอนขางสง และ ไมเหมาะสมตอวตถประสงคเพอการคดกรองความผดปกตเบองตน จงไดน าภาพถายรงสชนดพาโนรามกมาท าการศกษาแทน

ในป 2018 การศกษาของ Murata M. และคณะ(59) ไดน าการเรยนรเชงลก รวมกบ โครงขายประสาทเทยมคอนโวลชน มาศกษาโรคโพรงอากาศในกระดกโหนกแกมอกเสบ (Maxillary sinusitis) จากภาพรงสชนดพาโนรามก ลกษณะทางภาพรงสทพบในโรคนคอ มการหนาตวขนของเยอบโพรงอากาศเกน 4 มลลเมตร พบการคงของของเหลว พบลกษณะคลายถงน า ซงในทนตแพทยทยงขาดประสบการณในการแปลฟลมอาจจะไมสามารถวนจฉยไดอยางถกตอง เนองจากการซอนทบกนของโครงสรางบรเวณกะโหลกศรษะและขากรรไกร นอกจากนนแลวการเปลยนแปลงเพยงเลกนอยบรเวณผนงโพรงอากาศดานหลง กไมสามารถตรวจเจอไดดวยภาพถาย

35

รงสพาโนรามกเพยงอยางเดยว จงไดน าเอา CAD มาชวยในการแปลผล อยางไรกด CAD ชวยไดเพยงขอมลแบบทางเดยว (Unilateral) คอการเปรยบเทยบความทบรงสของโพรงอากาศดานซายและขวาเทานน จงพฒนาไปสการใชโครงขายประสาทเทยมคอนโวลชน ซงมกระบวนการแปลผลหลายชน และมความสามารถในการเรยนร มาใชในการศกษาน

2.2 ดานการวนจฉยและวางแผนการรกษาสาขาตางๆ

มการน าระบบปญญาประดษฐมาใชในการรกษาดานการจดฟน (60) โดยทตวระบบสามารถใหการวนจฉยดานการจดฟน การวางแผนการรกษา และการตดตามผลการรกษา และดวยความแมนย าถกตองของระบบการสแกน 3 มต และการสรางแบบจ าลองเสมอนจรง ยงท าใหการผลตเครองมอจดฟนทมความเฉพาะเจาะจงสงเปนไปไดอยางงายดาย จากปรมาณขอมลจ านวนมากทม ระบบจะท าการค านวณและออกแบบวางแผน ถงทศทางในการเคลอนฟน ขนาดแรงทใช รวมถงสามารถระบต าแหนงในการกดแรงบนซฟนไดอยางแมนย า และยงสามารถตดตามผลการรกษาไดอกดวย

อกดานหนงกคอการน าปญญาประดษฐ มาใชในงานดานทนตกรรมบรณะและทนตกรรมประดษฐ กคอระบบ Computer-aided design computer-aided manufacturing หรอ CAD/CAM ซงระบบนจะชวยในการออกแบบและผลตชนงานทมความแมนย าสง และมความสวยงามเหมอนธรรมชาต สามารถตอบสนองตอความตองการของผปวยในปจจบนไดดยงขน(61) อกทงยงสามารถน าไปใชในงานดานทนตกรรมประดษฐขากรรไกรและใบหนา ในการสรางชนสวนอวยวะเทยมตางๆ บนกะโหลกศรษะและขากรรไกร

ดานทนตวสดมการศกษาคณสมบตของวสดเซรามคในการปลอยไอออนเมอแชในสารละลายกรดไฮโดรคลอรคในป 2007 โดยการใช feedforward backpropagation neural

network โดย Živko-babić และคณะ(62) พบวา โมเดลสามารถวเคราะหคณสมบตของวสดทางทนตกรรมได เมอเปลยนคาพารามเตอรกสามารถทจะวเคราะหคณสมบตอนๆเชน ความตานทานตอการสก ความแขงแรงตอการโคงงอ (flexural strength) ได ดงนนจากการศกษานจงชใหเหนวา การน าโมเดลโครงขายประสาทเทยมมาใชนน สามารถใชไดอยางหลากหลายขนอยกบการออกแบบการเลอกใชคาตวแปรทตองการ ยงขอมลมปรมาณมาก กยงท าใหเกดความถกตองแมนย า และนาเชอถอมากขน

ในงานดานการรกษาคลองรากฟน ปญญาประดษฐสามารถน ามาใชในการระบหาต าแหนงของปลายรากฟน ในป 2012 การศกษาของ Kositbowornchai(63) และคณะ ได

36

ท าการศกษาเพอพฒนาโมเดลทจะใชในการตรวจหาการเกดรอยแตกในแนวดงในรากฟนปกต โดยใชภาพถายรงสของรากฟนปกต จ านวน 50 ภาพ และภาพถายรงสของรากฟนทเกดรอยแตก จ านวน 150 ภาพ เปนชดขอมลน าเขา เมอท าการเทรนนงและทดสอบโมเดลแลว พบวา โมเดลมคาความแมนย าและคาความไวในการตรวจวามรอยแตกแนวดงของรากฟน ทมากเพยงพออยางมนยส าคญทางสถต หรอในการฝงรากฟนเทยม กน ามาใชในการวางแผนการผาตดใหไดต าแหนงทเหมาะสมและสามารถชวยระบชนดของกระดกในบรเวณทจะท าการรกษาไดดวย

โรค ท ม สา เหตแบบหลาย ปจจย รวม (multifactorial) เชน Recurrent apthous ulceration พบวาสาเหตของการเกดโรคทแนชดยงไมสามารถระบได ดงนนในการวนจฉยโรคทางคลนกจงอาศยจากการเกดขนซ าของรอยโรคและอาศยการตดปจจยทไมเกยวของออกทละขอ ไดมการศกษาของ Dar-Odeh NSและคณะในป 2010(64) โดยท าการเกบขอมลจากผปวยจ านวน 86 คน น าชดขอมลเหลานนมาใชเทรนโครงขายประสาทเทยมเพอหาวาปจจยใดมผลตอการเกดโรค แลวท าการทดสอบโมเดลกบชดขอมลทแยกไว ไดขอสรปวา เพศ ฮโมโกลบน วตามนบ 12 เฟอรตน โฟเลท จ านวนตอมน าลาย ความถในการแปรงฟน และปรมาณของผกผลไมทรบประทานเปนปจจยทมสวนเกยวของตอการเกดโรค

นอกจากนนโรคทเกยวของกบขอตอขากรรไกร มกเปนอกโรคหนงทมสาเหตหลายประการ ในป 2012 จากการศกษาของ Bas B และคณะ(65) เมอท าการน าขอมลตางๆมาเทรนดวยโปรแกรมโครงขายประสาทเทยม เปรยบเทยบผลการวนจฉยจากการผาตดรกษา พบวา โมเดลใหความแมนย าถกตองในการวนจฉยทสงกวา การวนจฉยโดยอาศยขอมลจากการตรวจทางคลนกและภาพถายรงส

ในดานการรกษาโรคปรทนต พบวา ไดมการน าโครงขายประสาทเทยม มาใชในดานของการวนจฉยโรค และพยากรณโรค โดยในการศกษาของ Bragger และคณะ(66) ไดใชโปรแกรม Computer-Assisted Densitometric Image Analysis System (CADIA) ซงโปรแกรมจะใชภาพถายรงสดจตลน ามาวเคราะหการสองผานของแสงของฟลม เพอเปลยนใหกลายเปนภาพโทนสเทา (grey-scale image) จากนนขอมลจะถกสงผานเขาไปยงสวนประมวลผลของโปรแกรม เพอท าการอานคาและแปลผล ซงจากการศกษานพบวา โปรแกรมใหคาความถกตองแมนย าทสงกวา เมอเทยบกบเทคนคการถายภาพรงสแบบ subtraction อกทงวธนยงสามารถท าซ าได โปรแกรม CADIA เปนทนยมในการศกษาแบบระยะยาว ( longitudinal study) เพอตดตามการด าเนนไปของการสญเสยกระดกเบาฟนและการสญเสยการยดเกาะของอวยวะปรทนต ซงใหความนาเชอถอมากกวาการถายภาพรงสดวยวธการดงเดม

37

ในป 2012 การศกษาของ Shankarapillai และคณะ (67) ไดน าโครงขายประสาทเทยม ทถกสอนดวย Levenberg-Marquardet algorithm มาใชในการวนจฉยความเสยงของโรคปรทนต ไดอยางมประสทธภาพ โดยท าการเกบขอมลจากผปวยจ านวน 230 คน โดยคาตวแปรทน ามาใชในการศกษานไดแก อาย เพศ ประวตการเปนโรคปรทนตในครอบครว ประวตการรกษาดวยการผาตดเกยวกบอวยวะปรทนต อาหารทรบประทานประวตการสบบหร ลกษณะการบดเคยว ประวตสขภาพเรองโรคเบาหวาน โรคความดนโลหต การมวสดบรณะใตเหงอก การมเลอดออกเมอวดดวยเครองวดรองลกปรทนต ดชนคราบจลนทรย (OHI-S) คาเฉลยรองลกปรทนต การมหนน าลายทผวรากฟน การเกดความวการบรเวณงามรากฟน และการสญเสยกระดกเบาฟนแนวดง ขอมลทงหมดจะถกปอนเขาสโปรแกรมเพอใหเกดการเรยนรแลวจากนนน ามาทดสอบกบชดขอมลทดสอบเพอวดผลประสทธภาพของโปรแกรมอกครง

ในป 2018 ในการศกษาของ Farzad(68) มจดประสงคเพอใหเกดการวนจฉยตงแตในระยะเรมแรก (early diagnosis) โดยไดใชโครงขายประสาทเทยม แบบทม Propagation algorithm แบบ Levenberg-Marquardet training function โดยเกบขอมลของ อาย เพศ ความลกของรองลกปรทนต การสญเสยการยดเกาะของอวยวะปรทนต และดชนคราบจลนทรย มาใชเปนขอมลน าเขา แตในโมเดลนจะมชนซอน (hidden layer) เพยง 2 ชน

ในดานของการท านายโรค ในป 2018 ไดมการศกษาของ Martinez และคณะ(69) คดคนโมเดลในการท านายการสญเสยฟนในผปวยโรคปรทนตทอยในระยะการคงสภาพปรทนต (Following maintenance) และสามารถพยากรณระยะเวลาในการอยรอดของซฟนนนๆ โดยทโมเดลจะท าการค านวณความนาจะเปนในการสญเสยฟนแตละซ โดยมการพจารณาปจจยเสยงตางๆ รวมดวย ไดแก ปจจยเรองการสบบหร ปจจยเรองของการนอนกดฟน อาย การสญเสยระยะการยดเกาะของอวยวะปรทนต ระดบการโยกของฟน ชนดของฟน (ฟนกรามหรอฟนซอนๆ ทไมใชฟนกราม) ฟนซทมคาความนาจะเปนสงเขาใกล 1 กจะหมายความวามแนวโนมในการทจะสญเสยไปกอนซอนๆ

38

บทท3 วธด าเนนการวจย

1.การออกแบบงานวจย เปนการวจยเชงวเคราะหแบบยอนหลง (Retrospective analytic studies)

2.ประชากรเปาหมาย แฟมประวตผปวยภาควชาทนตกรรมทวไป คณะทนตแพทยศาสตร มศว พรอมภาพถาย

รงสชนดพาโนรามก จ านวน 90 แฟม

3.กลมตวอยาง แฟมประวตผปวยภาควชาทนตกรรมทวไป คณะทนตแพทยศาสตร มหาวทยาลยศรนคร

นทรวโรฒ พรอมภาพถายรงสชนดพาโนรามก โดยมเกณฑในการคดเลอกดงน เกณฑในการคดเขา

1. เปนแฟมประวตทมขอมลการตรวจสขภาพชองปากและวางแผนการรกษาแบบทนตกรรมพรอมมล

2.ไดรบการถายภาพรงสชนดพาโนรามกเพอประกอบการตรวจและการวางแผนการรกษา

3.ไดรบการวนจฉยโรคปรทนตตามหลกเกณฑของ AAP 1999 เกณฑในการคดออก

1. แฟมประวตทมขอมลไมครบถวน 2. ไมมภาพถายรงสชนดพาโนรามกประกอบการตรวจและการวางแผนการ

รกษา

4.การค านวณขนาดกลมตวอยาง เนองจากทราบขนาดของประชากรทแนชด จงใชสตรการค านวณหาขนาดตวอยางของ

Taro Yamane ดงน

39

n0 = N/ (1+Nd2)

n = ขนาดตวอยาง

N = ขนาดของประชากรทจะท าการศกษา

D = คาความผดพลาด

ในการศกษานก าหนดใหมคาความผดพลาดไดไมเกน 0.05 ดงนนจะค านวณไดขนาดตวอยางดงน n 0 = 90/ (2(0.05)(90) +1)

= 73.47 ~ 75 แฟม

จากนน สมรอยละ 80 ของกลมตวอยางมาท าเปนฐานขอมลการเรยนรของโปรแกรม และอกรอยละ 20 ของกลมตวอยางน ามาเปนกลมทดสอบความแมนย าของโปรแกรม

5.วธการด าเนนการวจย 5.1ขนวางแผนพฒนาโปรแกรมคอมพวเตอรส าหรบการวนจฉยแยกโรคปรทนต

40

ภาพประกอบ 17 แสดงขนตอนในการพฒนาโปรแกรมเพอการวนจฉยแยกโรคปรทนต

กระบวนการศกษาวจยเรมดวยการทบทวนวรรณกรรมทเกยวของกบการวนจฉยโรคปรทนต พบวา หลกเกณฑในการวนจฉยโรคปรทนตทเปนทนยมใชและไดรบการยอมรบอยางกวางขวางเปนไปตามหลกการของ AAP 1999 ซงไดใชคาตวแปร 3 คาหลก ในการวนจฉยแยกโรคปรทนต ไดแก คาระยะขอบเหงอก (Gingival margin) คาระยะรองลกปรทนต ( Periodontal pocket depth) และคาการสญ เสยการยด เกาะทางคลน คของอวยวะปรทนต (Clinical attachment level) ซงในการเกบขอมลเพอน ามาท าฐานขอมลนน จะเกบจากแบบตรวจสภาวะปรทนตจากแฟมประวตของผปวยภาควชาทนตกรรมทวไป มหาวทยาลยศรนครทรวโรฒ

41

ภาพประกอบ 18 แสดงตวอยางแบบตรวจสภาวะปรทนตจากแฟมประวตของผปวย และท าการใสรหสเพอจบคระหวางแบบตรวจกบภาพถายรงสพาโนรามกของผปวย

รายเดยวกน (ภาคผนวก 1)

ภาพประกอบ 19 แสดงขอมลทท าการจบคค าวนจฉยกบภาพถายรงสพาโนรามก

42

จากการทบทวนวรรณกรรมทเกยวของในการใชโปรแกรมคอมพวเตอรมาชวยในทางการแพทย พบวา มทงโปรแกรมทชวยในการวนจฉย โปรแกรมทชวยวางแผนการรกษา และโปรแกรมทชวยตดตามผลการรกษา ส าหรบโปรแกรมทน ามาใชชวยในการวนจฉยมกเปนการวเคราะหภาพถายรงส ซงระบบการท างานพนฐานจะใชโครงขายประสาทเทยมชนดคอนโวลชน เปนพนฐานในการวเคราะห เมอท าการสรางโมเดลไดแลว ขอมลทไดเตรยมไวจะถกสม 80% เพอเปนขอมลใหโปรแกรมไดเกดการเรยนร สวนอก 20% จะเปนขอมลทใชทดสอบคาความถกตองแมนย าของโปรแกรม เมอเทยบกบการวนจฉยดวยทนตแพทยเฉพาะทางโรคเหงอก

ภาพประกอบ 20 แสดงภาพถายรงสพาโนรามก ทน ามาท าการเตรยมขอมลดวยการแยกภาพออกเปนซฟนเดยวๆ

43

ภาพประกอบ 21 แสดงภาพเดยวของฟนแตละซ

จากภาพประกอบ 20 และ 21 แสดงการเตรยมขอมลจากภาพถายรงส เพอท าฐานขอมลใหคอมพวเตอรเรยนร จากนนจะไดโมเดลตนแบบขนมา น าโมเดลนนมาทดสอบการใชงานโดยการใสขอมลทไมไดอยในชดฐานขอมล จากนนคอมพวเตอรจะท าการวนจฉยออกมาวาเปนโรคปรทนตชนดใด โดยในการท าโมเดลแตละแบบนน จะมการใสคาพารามเตอรทเกยวของเขาไปทแตกตางกน เพอใหไดโมเดลทมความแมนย าและความไวมากขน

5.2ขนตอนการสรางโปรแกรมเพอการวนจฉยแยกโรคปรทนตโดยการเลอกโมเดลทม

ความแมนย าสงสด ภาพรวมของการสรางโมเดลส าหรบการท านายฟนซทเปนโรคปรทนต โดยน า

ภาพรงสพาโนรามก มาท าการตกรอบ (Labels) ซฟนทมการละลายตวของกระดกรอบปลายรากฟน แลวแยกเกบเปนสองชด ชดแรกคอชดภาพรงสดงเดม กบชดภาพรง สทมการตกรอบซฟน ดงภาพประกอบ 22

44

ภาพประกอบ 22 แสดงภาพรวมของการสรางโปรแกรมในการวนจฉยโรคปรทนต

จากภาพ การสรางโปรแกรม เรมตนทกรอบดานซาย ประกอบไปดวยขอมลน าเขา 2 อยาง คอ รปภาพน าเขาดงเดม (Input images) และชดของภาพทท าการตกรอบซฟนทมลกษณะการละลายตวของกระดกรอบปลายรากฟน (Labels) สวนขอมลของ Labels จะเกบในรปแบบกลองสเหลยม (bounding box) x, y, w และ h, x, y

โครงสรางหลกของโปรแกรมคอ Faster R-CNN โดยม Backbone Network เปน ResNeXt-101 with Feature Pyramid Network ซ ง Backbone Network เ ป น ส ว น แ รก ข อ งโปรแกรมทจะหา Low-level Features ของวตถทจะระบใน Labels ตว Model ทใชถกตงคา Parameters เรมตนจาก ImageNet เพอใหการเรยนรบนชดขอมลขนาดเลกมความแมนย าทสงขน

Region Proposal Network เปนสวน ทท า Localization คอการหาวาวตถ ท เรา Label อยทต าแหนงไหนของภาพโดยท านายต าแหนงทนาจะเปนโรคปรทนตของซฟนในภาพนนๆ

Network Head คอสวนสดทายของโมเดล โดยม Error Functions เพอวดผลตวเลขทโมเดลท านายต าแหนงของ Periodontitis โดยต าแหนงของกลองทท านายใช Huber Loss ความถกตองของการระบกลองทท านายวาเปน Periodontitis ใช Sigmoid Cross-Entropy Loss สวนของ Softmax Cross-Entropy ในกรณ น ไม ไดใช เน องจากไม ไดตองการท า Image Segmentation คา Loss ทมากจะสะทอน Accuracy ทต า ตวโมเดลกจะปรบ Parameters ใน Network แตละ Layers เพอใหคา Loss ต าลง คา Accuracy สงขน

45

Hyperparameters คอคาตางๆ ทไมไดถกปรบโดยการเทรนโมเดล แตจะตองปรบแตงคานเองตามผลการทดลอง

1.Learning Rates 1.1 Iteration 1 - 1040: 0.0025 1.2 Iteration 1041 - 1160: 0.00125 1.3 Iteration 1161 - 1200: 0.000625

2.Weight Decay: 0.001 3.Momentum: 0.9 E4.poch: 20 (1200 Iterations)

การเรยนรของโปรแกรม การแบงชดขอมลส าหรบน าไปฝกใหเกดการเรยนรของโปรแกรม และเพอการปรบ

คาพารามเตอรใหเกดความแมนย า จะใชวธแบงแบบ 5- Fold Cross – Validation โดยแบงขอมลดงภาพประกอบ 23

46

ภาพประกอบ 23 แสดงการจดแบงขอมลส าหรบการเรยนรของโปรแกรม

รปภาพและ Labels จะถกแบงออกเปน 5 ชด ส าหรบการเรยนร (ขอมลส าหรบการเรยนรคอ กลองสเขยว) และอกชดคอขอมลส าหรบการทดสอบ (ขอมลส าหรบการทดสอบคอ กลองสฟารมขวาสด) ในแตละรอบของการเทรนแตละ fold (split) กจะม Validation set (กลองสฟา Fold1, Fold2, Fold3,…) การแบงขอมลแตละ fold จะสามารถบอกไดวาขอมลทเราเอาไปเทรนมการกระจายของขอมลเพยงพอทจะน าไปทดสอบกบรปภาพสวนทเปนขอมลทดสอบ ซงจะได โปรแกรมทแมนย าทสดไปใชเรยนรกบชดขอมลส าหรบการเรยนรทงหมด

5.3ขนตอนการวเคราะหประสทธภาพของโปรแกรม

โดยคาตววด (metric) ทน ามาใชในการวเคราะห ไดแก คาเฉลยความแมนย า (mean average precison) คาการท าซ า (Recall) และพนทใตกราฟระหวางคา precision และ คา recall เรยกวา Precision – Recall curve

47

บทท 4 ผลการทดลอง

ผลการทดสอบโปรแกรม จากการออกแบบโปรแกรมการทดลองทงหมด 5 แบบ ไดผลการทดลองดงตาราง

ตาราง 2แสดงผลการทดสอบโปรแกรมทง 5 แบบ

จากตาราง 2 แสดงผลการทดสอบโปรแกรมทง 5 แบบ โดยทโปรแกรมแบบท 1 ใหคาเฉลยความแมนย า ( mean average precision หรอ mAP) ของการเทรนนง (Validation mAP) อยท รอยละ 80.5 และไดผลคาเฉลยความแมนย าของชดทดสอบ (Test mAP) อยท รอยละ 64 จากนนน าโปรแกรมแบบท 1 มาท าการทดสอบชดขอมลทท าการแยกเอาไวตงแตแรกเพอทดสอบความแมนย าของโปรแกรม ไดผลดงตารางท 3

48

ตาราง 3 แสดงผลการทดสอบขอมลกลมทดลอง

จากตาราง 3 แสดงผลการทดสอบความแมนย าของโปรแกรมกบชดขอมลทดสอบ ไดผลคาเฉลยความแมนย าของชดทดสอบท รอยละ 65.3 โดยท ขอมลชดทดสอบ มจ านวนภาพทมคาความแมนย า (Validation precision) ทมากกวา รอยละ 50 จ านวน 10 ภาพ จากจ านวนขอมล 14 ภาพ สวนอก 4 ภาพ จะไดคาความแมนย านอยกวารอยละ 50 โดยแตละภาพใชเวลาในการตรวจสอบ 0.6462 วนาท

การแสดงผลของการท านายโรคจะแสดงออกมาดงภาพท 24 โดยน าภาพตนฉบบ กบภาพแสดงผลมาเปรยบเทยบกนไดดงน

ก ข

ภาพประกอบ 24 แสดงภาพตนฉบบ (ภาพ ก) ทน ามาเปนภาพทดสอบโปรแกรม และ ภาพแสดงผลการท านายโรค (ภาพ ข)

49

จากภาพประกอบ 24 โปรแกรมจะแสดงผลการท านายโรค โดยการตกรอบซฟนทม

ลกษณะของโรคปรทนต พรอมระบตวเลขความนาจะเปนโรค ยงคาเขาใกล 1 แปลวามความนาจะเปนโรคสง

50

บทท 5 การวเคราะหและสรปผลการศกษา

วเคราะหผลการศกษา ในการศกษานไดท าการแยกกลมขอมลออกเปน 2 กลม คอกลมทเปนโรคปรทนตกบกลม

ทไมไดเปนโรคปรทนต เรยกวา Binary classifers โดยการแยกขอมลลกษณะนนยมน ามาใชอยางแพรหลายกบการศกษาในดานชววทยาและการแพทย โดยทวไปแลวการประเมนความสามารถในการท านายของโมเดลทใชหลกการจ าแนกกลม มกนยมใช คาความแมนย า (accuracy rate) คาค ว า ม ผ ด พ ล า ด ( error rate) พ น ท ใ ต ก ร า ฟ (area under the Receiver Operating Characteristics (ROC) curve) หรอ AUC ในชวงทเปนขนตอนของการเทรนนงโมเดล เมอไดโมเดลสดทายแลวน ามาทดสอบกบชดขอมลทแยกไว จะใช Precision-Recall (PRC) plots หรอ ROC plots

ในการศกษาทใชโมเดลแบบ binary classifiers นน กลมตวอยางจะถกจดแยกออกเปน 2 กลม คอ กลมเปนโรค (positive) และ กลมไมเปนโรค (negative) โดยทจะแสดงผลออกมาในรปแบบของ confusion matrix หรอ contingency table แบงออกไดเปน 4 ชนดยอย คอ

True positives (TP) คอทกตวอยางทเปนโรค สามารถตรวจไดผลวาเปนโรคอยางแทจรง False positives (FP) คอตวอยางทไมเปนโรค แตตรวจไดผลวาเปนโรค True negatives (TN) คอทกตวอยางทไมเปนโรค สามารถตรวจไดผลวาไมเปนโรคอยาง

แทจรง False negatives (FN) คอตวอยางทเปนโรค แตตรวจไดผลวาไมเปนโรค ดงนน ตวอยางทเปนโรคทงหมด = TP + FN ตวอยางทไมเปนโรคทงหมด = FP + TN Sensitivity = TP/ (TP + FN) Specificity = TN/ (TN+ FP) Precision-Recall curve จ ะ แสด งค วาม ส ม พ น ธ ระห ว า ง precision (= positive

predictive value) แล ะ recall (= sensitivity) โด ย ท แกน x จะแสดงค า recall ( ห รอค า sensitivity = TP/ (TP + FN)) และแกน y แสดงคา precision (= positive predictive value = TP/ (TP +FP))

51

จากผลการทดลอง ตววด (Metric) ทน ามาใชในการประเมนผลคอ คาเฉลยความแมนย า (mean average precision หรอ mAP) เปนตววดทนยมมากในการวดความเทยงตรงแมนย าของเครองมอทใชในการตรวจจบวตถใดๆ เชน โปรแกรม Faster R-CNN, SSD เปนตน ซงในการตรวจจบวตถใดๆ จะนยมใช Precision – Recall curve มากกวา ROC curve โดยผลจากการศกษาพบวา คา Average Precision(AP) กคอคาทใชวดความเฉพาะเจาะจง (Specificity) และคา Average Recall (AR) กคอคาทใชวดความไวในการตรวจจบวตถของโปรแกรม

โดยในการศกษานไดผล Average Precision (Specificity) = รอยละ 65.3 Average Recall (Sensitivity) = รอยละ 80.5

ภาพประกอบ 25 แสดงกราฟความสมพนธของคา Precision – Recall curve

ในอดตทผานมาไดมการศกษาทน าเอาภาพถายรงสชนดพาโนรามกมาใชอยาง

กวางขวางและหลากหลาย ทงในดานการวนจฉยโรค การพยากรณโรคและการวางแผนการรกษา อยางไรกด เนองจากภาพถายรงสชนดพาโนรามกมขอจ ากดบางประการทส าคญคอ มการซอนทบกนของโครงสรางในบรเวณใกลเคยง รวมทงมการหดขยายของภาพในบางต าแหนงซงสงผลตอ

52

ความคมชดของภาพ ในระดบทสายตามนษยรบรไดและสวนทไมสามารถแยกได ดงนนเทคโนโลยปญญาประดษฐจงกาวเขามามบทบาทส าคญในการแกไขปญหาในสวนน

ในแงของการวนจฉยและวางแผนการรกษาโรคปรทนต ตงแตในอดตมา การวนจฉยจะอาศยการตรวจทางคลนกรวมกบการถายภาพรงสชนดรอบปลายรากฟน( Periapical radiography) ดวยเชอวา เทคนคการถายภาพดงกลาว จะเกดการยดขยายของภาพนอยทสด ซงจะตองท าการถายภาพรงสของฟนทกซในชองปาก จงจะสามารถไดขอมลทครบถวนในการวนจฉย มขอมลการศกษาทแสดงใหเหนวา การถายภาพรงสชนดรอบปลายรากฟน ไมใชเพยงวธการเดยวทจะสามารถตรวจหาการละลายตวของกระดกเบาฟนได

ในป 2014 การศกษาของ Takeshita และคณะ(69) ไดท าการศกษาเกยวกบเทคนคการถายภาพรงสชนดตางๆในการตรวจประเมนการสญเสยกระดกเบาฟน โดยท าการหาคาเฉลยการสญเสยกระดกเบาฟนจากภาพถายรงสเทคนคตางๆ มาเปรยบเทยบกน ไดขอสรปวาเทคนคการถายภาพรงสแบบ CBCT ใหคาเฉลยทใกลเคยงกบคาเฉลยของกลมควบคมมากทสด โดยทคาเฉลยของภาพถายรงสชนดพาโนรามกนน มคาต ากวากลมควบคม แตเมอน ามาวเคราะหทางสถตพบวา ไมมความแตกตางกนอยางมนยส าคญ จงสรปผลจากการศกษานไดวา ภาพถายรงสชนดพาโนรามกสามารถน ามาใชประเมนการสญเสยกระดกเบาฟนในเบองตนได นอกจากนนแลว การศกษาของ Tugnait A และคณะ(70, 71) กใหผลการศกษาเปรยบเทยบระหวางการถายภาพรงสเทคนครอบปลายรากฟนแบบขนาน กบเทคนคพาโนรามก ในการตรวจจบลกษณะตางๆของภาพทส าคญ เชน ระดบกระดกเบาฟน ลกษณะการละลายตวของกระดกเบาฟน การเกดรอยโรคบรเวณงามรากฟน ตางๆ ไดขอสรปวา ทงภาพถายรงสชนดรอบปลายรากฟนและภาพถายรงสพาโนรามก สามารถตรวจพบลกษณะดงกลาวไดเหมอนๆกน ดงนนแลว ภาพถายรงสชนดพาโนรามกจงสามารถน ามาใชในการวนจฉยโรคปรทนตไดอยางนาเชอถอ

การพฒนาของเทคโนโลยปญญาประดษฐ ท าใหเกดการพฒนาเทคนคในการวนจฉยโรค การวางแผนการรกษาและการพยากรณโรค ทมความแมนย าถกตอง รวดเรว ประหยดทรพยากร ลดขอผดพลาดทเกดจากมนษย และสามารถสงตอขอมลไดอยางสะดวกมากขน ในทางการแพทยไดน าการวเคราะหภาพถายรงสดวยเทคนคคอนโวลชนมาใชในการวนจฉยโรค เชน การวเคราะหภ าพ พ ถ าย รง ส ท รวงอก เพ อ วน จ ฉ ย แยก โรคต า งๆ เช น Pneumonia, Cardiomegaly, Emphysema เปนตน โดยทมการศกษาของ Pranav R และคณะ(72)ในป 2017 ไดน าโปรแกรมวเคราะหภาพเทคนคคอนโวลชน มาท าการวนจฉยภาพรงสทรวงอกดจทล แลวเปรยบเทยบคาความแมนย าเทยบกบการวนจฉยจากนกรงสวทยา จ านวน 4 คน ไดขอสรปวา โปรแกรมวเคราะห

53

ภาพคอนโวลชนมความแมนย ากวาผลการวเคราะหภาพจากนกรงสวทยา อยางมนยส าคญทางสถต แสดงใหเหนวา โปรแกรมมความสามารถในการวเคราะหภาพทสงมาก สามารถจบรายละเอยดภาพขนาดเลกทดวงตามนษยไมสามารถแยกความแตกตางได เชนรอยโรคในระยะแรก อาจไมแสดงความแตกตางในภาพรงสในระดบทดวงตามนษยสามารถสงเกตเหน แตคอมพวเตอรทวเคราะหภาพจากการวเคราะหความแตกตางของส สามารถตรวจเจอได ดงนนกจะเกดประโยชนอยางมากในการวนจฉยรอยโรคในระยะเรมตน เมอวนจฉยไดเรว การรกษากจะมประสทธภาพและผลลพธในการรกษากจะสงตามไปดวย

การศกษานไดน าเอาความสามารถของปญญาประดษฐมาใชในการวนจฉยโรคปรทนตจากภาพถายรงสชนดพาโนรามก ซงไดมการศกษาในลกษณะทคลายคลงกนในการน าเอาภาพถายรงสพาโนรามกมาวเคราะหดวยการเรยนรเชงลกรวมกบโครงขายประสาทเทยมชนดคอนโวลชน โดยในป 2018 ในการศกษาของ Makoto M และคณะ(58) ไดน าภาพถายรงสพาโนรามกมาท าการวเคราะหดวยโปรแกรม AlexNet CNN ซงประกอบไปดวยชนคอนโวลชนจ านวน 5 ชน และมชนเชอมตอ (fully-connected layers) จ านวน 3 ชน โปรแกรมท าการวเคราะหหาความผดปกตของโพรงอากาศในกระดกโหนกแกม ทงฝงซายและขวา เพอตรวจหาการอกเสบของโพรงอากาศ โดยมการเปรยบเทยบกบการอานภาพดวยกลมนกรงสวทยา และกลม นกศกษา (Residents) ผลการศกษานพบวา โปรแกรมแสดงผลคาความแมนย า (Accuracy) คาความไว (Sensitivity) และคาความจ าเพาะเจาะจง (Specificity) สงถง รอยละ 87.5 รอยละ 86.7 และรอยละ 88.3ตามล าดบ ซงเมอเปรยบเทยบกบผลในกลมนกรงสวทยา ซงไดผล รอยละ 89.6 รอยละ 90.0 และรอยละ 89.2 ในขณะทกลมนกศกษา ใหผลรอยละ 76.7 รอยละ 78.3 และรอยละ 75.0 ตามล าดบ ซงสรปผลไดวาโปรแกรมวเคราะหมความสามารถเทยบเคยงกบกลมนกรงสวทยา แตอยางไรกตาม เมอน าผลการศกษาของเราทไดจากการศกษาน ซงไดผลคาความไว รอยละ 80.5 และคาความจ าเพาะเจาะจง รอยละ 65.3 มาวเคราะหเทยบเคยง กพบวามความแตกตางกนในเรองของคาความจ าเพาะเจาะจง ซงในจดนอาจเกดจากความแตกตางในดานของโครงสรางของตวโปรแกรมทใช ซงถงแมวาจะเปนการใช การเรยนรเชงลกรวมกบโครงขายประสาทเทยมชนดคอนโวลชน เหมอนกน แตจากพนฐานการท างานแลว โปรแกรมทมจ านวนชนคอนโวลชน เยอะ จะสามารตรวจจบรายละเอยดตางๆไดมากขน แตทงนทงนนกจะตองเปนไปตามลกษณะของขอมลทตองการจะศกษา ซงในการศกษาของ Motoki นน ตวโปรแกรมมโครงสรางคอนโวลชน จ านวน 5 ชน นอกจากนนแลวกยงมขอแตกตางในเรองของจ านวนตวอยางทน ามาศกษาซงในทนกคอจ านวนภาพถายรงสพาโนรามก เพราะหวใจหลกของการน าปญญาประดษฐมาใชนนคอปรมาณ

54

ขอมลทจะใสเขาไปใหโปรแกรมไดท าการเรยนร ยงมจ านวนมาก ความสามารถในการเรยนรและวเคราะหของโปรแกรมกจะสงและมความแมนย าถกตองมากขน

การศกษาของ Motoki F และคณะในป 2019 ไดศกษาเกยวกบรอยแตกแนวดงของรากฟน ในภาพถายรงสชนดพาโนรามก โดยใชโปรแกรมการเรยนรเชงลกรวมกบโครงขายประสาทเทยมชนดคอนโวลชน ชอวา DetectNet ซงในการศกษาของ Motoki นน ใชกระบวนการ fivefold cross-validation ในการทจะเทรนนงและทดสอบโปรแกรมซงสอดคลองกบการศกษาน ทใชกระบวนการแบบเดยวกน กคอชดขอมลจะถกแบงออกเปน 5 ชด ซงมจ านวนภาพเทาๆกน จากนนขอมลชดท 1-4 จะถกน ามาใชเทรนโปรแกรม เมอเทรนนงเสรจแลวกจะน ามาทดสอบกบขอมลชดท 5 กระบวนการนจะท าซ าทงหมด 5 ครง แตละครงจะเปลยนชดขอมลทใชในการทดสอบทกครง เมอเสรจสนกระบวนการกจะได โมเดลทงหมด 5 แบบ น าโมเดลทมคาความจ าเพาะเจาะจง และ ความไว ทสงทสด มาใชเปนโมเดลส าหรบทดสอบขอมลชด ทไดท าการแยกออกไวแตแรก เปนขอมลทโปรแกรมไมเคยเหนมากอน จากนนเมอโปรแกรมวเคราะหชดขอมลแลวกจะไดผลคาความจ าเพาะเจาะจง และคาความไว ของโปรแกรมนนออกมา การศกษาของ Motoki F ไดผลคา ความไว รอยละ 75 สวนคาความจ าเพาะเจาะจง คอ รอยละ93 แสดงใหเหนถงประสทธภาพของโปรแกรมทมความถกตองแมนย าสง แตผลจากการศกนพบวา เมอน ามาเทยบแลว ในสวนของคาความจ าเพาะเจาะจงนนต ากวา แมวา ในขนตอนการท างานของโปรแกรมจะมกระบวนการ fivefold cross-validation เพ อ เพ มประสท ธภาพ ในการเรยน ร ให ม ความแมนย า ท ดข น นอกจากนนแลวกลมขนาดตวอยางทแตกตางกนอาจท าใหไมเกดการกระจายตวแบบปกตของกลมตวอยางได แตเมอพจารณาในสวนของคาความไว แลวกพบวา ทงสองการศกษาน มคาความไวทใกลเคยงกน

ในป 2019 การศกษาของ Joachim K และคณะ (73) ไดใชโครงขายประสาทเทยมคอนโวลชน น ามาวเคราะหภาพถายรงสพาโนรามก ในการตรวจหาการเกดการสญเสยของกระดกเบาฟน (Periodontal bone loss(PBL)) โดยใชกลมตวอยางขนาด 1,750 ภาพ แบงเปนชดทดสอบ 350 ภาพ และชดเทรนนง 1,400 ภาพ โดยมกระบวนการเทรนนงเปน tenfold cross-validation และโมเดลสดทายทจะน ามาทดสอบเปนโครงขายประสาทเทยมแบบลก 7 ชน (seven layer deep neural network) ไดผลคาความไว เทากบ 0.81 และคาความจ าเพาะเจาะจง เทากบ 0.81 น าผลทไดจากโปรแกรมมาเปรยบเทยบกบผลการทดสอบโดยกลมทนตแพทยเชยวชาญ พบวา ผลทไดไมแตกตางกนอยางมนยส าคญทางสถต แตอยางไรกด ผลทไดจากโปรแกรม สามารถสรปไดวา โปรแกรมมความถกตองแมนย าในระดบเดยวกนกบผเชยวชาญ แตมขอไดเปรยบในเรองของการ

55

ใชเวลาในการประมวลผลนอย เมอเทยบกบผลการศกษาน กพบมคาความไว ทใกลเคยงกน สวนคาความจ าเพาะเจาะจงนนต ากวา

เมอเปรยบเทยบจากผลการศกษาทผานมานน พบวา ปจจยส าคญทจะสงผลใหโปรแกรมมความแมนย าทงในดานความจ าเพาะเจาะจงและความไว จ าเปนตองอาศยจ านวนตวอยางทมากเพยงพอ และการท า cross validation เพอเพมขดความสามารถในการเรยนรของโปรแกรม จะเหนวา ในการศกษาน เนองจากจ านวนตวอยางนอย ท าใหคาความจ าเพาะเจาะจงทไดไมสงมากนก แตอยางไรกดส าหรบคาความไวในการตรวจจบมคาสงในระดบทนาพอใจ

ขอจ ากดในการศกษา ในการศกษานมขอจ ากดในแงของจ านวนกลมตวอยาง และการออกแบบการศกษาทไม

มกลมศกษาเปรยบเทยบ

บรรณาน กรม

บรรณานกรม

1.Kobayashi R, Kono T, Bolerjack BA, Fukuyama Y, Gilbert RS, Fujihashi K, et al. Induction of IL-10-producing CD4+ T-cells in chronic periodontitis. Journal of dental research. 2011;90(5):653-8. 2.Suvan J, D'Aiuto F, Moles DR, Petrie A, Donos N. Association between overweight/obesity and periodontitis in adults. A systematic review. Obesity reviews : an official journal of the International Association for the Study of Obesity. 2011;12(5):e381-404. 3.Gibbs SJ, Pujol A, Jr., Chen TS, James A, Jr. Patient risk from intraoral dental radiography. Dento maxillo facial radiology. 1988;17(1):15-23. 4.Molander B, Ahlqwist M, Grondahl HG. Panoramic and restrictive intraoral radiography in comprehensive oral radiographic diagnosis. European journal of oral sciences. 1995;103(4):191-8. 5.Reeves AF, Rees JM, Schiff M, Hujoel P. Total body weight and waist circumference associated with chronic periodontitis among adolescents in the United States. Archives of pediatrics & adolescent medicine. 2006;160(9):894-9. 6.Saini R, Saini S, Saini S. Periodontal diseases: A risk factor to cardiovascular disease. Annals of Cardiac Anaesthesia. 2010;13(2):159-61. 7.Bonifait L, Grenier D. Cranberry polyphenols: potential benefits for dental caries and periodontal disease. Journal (Canadian Dental Association). 2010;76:a130. 8.Armitage GC. Development of a classification system for periodontal diseases and conditions. Annals of periodontology. 1999;4(1):1-6. 9.Paster BJ, Olsen I, Aas JA, Dewhirst FE. The breadth of bacterial diversity in the human periodontal pocket and other oral sites. Periodontology 2000. 2006;42:80-7. 10.Moore WE, Moore LV. The bacteria of periodontal diseases. Periodontology 2000. 1994;5:66-77. 11.Dogan B, Kipalev AS, Okte E, Sultan N, Asikainen SE. Consistent intrafamilial transmission of Actinobacillus actinomycetemcomitans despite clonal diversity. Journal of

57

periodontology. 2008;79(2):307-15. 12.Saito Y, Fujii R, Nakagawa KI, Kuramitsu HK, Okuda K, Ishihara K. Stimulation of Fusobacterium nucleatum biofilm formation by Porphyromonas gingivalis. Oral microbiology and immunology. 2008;23(1):1-6. 13.Bergstrom J. Oral hygiene compliance and gingivitis expression in cigarette smokers. Scandinavian journal of dental research. 1990;98(6):497-503. 14.Jensen JA, Goodson WH, Hopf HW, Hunt TK. Cigarette smoking decreases tissue oxygen. Archives of surgery (Chicago, Ill : 1960). 1991;126(9):1131-4.

15.Negrato CA, Tarzia O, Jovanovič L, Chinellato LEM. Periodontal disease and diabetes mellitus. Journal of applied oral science : revista FOB. 2013;21(1):1-12. 16.Kinane DF, Lowe GD. How periodontal disease may contribute to cardiovascular disease. Periodontology 2000. 2000;23:121-6. 17.Nakamura Y, Tagusari O, Seike Y, Ito Y, Saito K, Miyamoto R, et al. Prevalence of periodontitis and optimal timing of dental treatment in patients undergoing heart valve surgery. Interactive cardiovascular and thoracic surgery. 2011;12(5):696-700. 18.Rees TD, Levine RA. Systematic drugs as a risk factor for periodontal disease initiation and progression. Compendium (Newtown, Pa). 1995;16(1):20, 2, 6 passim; quiz 42. 19.Neiva RF, Steigenga J, Al-Shammari KF, Wang HL. Effects of specific nutrients on periodontal disease onset, progression and treatment. J Clin Periodontol. 2003;30(7):579-89. 20.Al Habashneh R, Alchalabi H, Khader YS, Hazza'a AM, Odat Z, Johnson GK. Association between periodontal disease and osteoporosis in postmenopausal women in jordan. Journal of periodontology. 2010;81(11):1613-21. 21.Tiemann P, Toelg M, Ramos FM. Administration of Ratanhia-based herbal oral care products for the prophylaxis of oral mucositis in cancer chemotherapy patients: a clinical trial. Evidence-based complementary and alternative medicine : eCAM. 2007;4(3):361-6. 22.Marcaccini AM, Novaes AB, Jr., Meschiari CA, Souza SL, Palioto DB, Sorgi CA, et al. Circulating matrix metalloproteinase-8 (MMP-8) and MMP-9 are increased in chronic periodontal disease and decrease after non-surgical periodontal therapy. Clinica chimica

58

acta; international journal of clinical chemistry. 2009;409(1-2):117-22. 23.Jin LJ, Lamster IB, Greenspan JS, Pitts NB, Scully C, Warnakulasuriya S. Global burden of oral diseases: emerging concepts, management and interplay with systemic health. Oral diseases. 2016;22(7):609-19. 24.Chapple IL, Van der Weijden F, Doerfer C, Herrera D, Shapira L, Polak D, et al. Primary prevention of periodontitis: managing gingivitis. J Clin Periodontol. 2015;42 Suppl 16:S71-6. 25.Petersen PE, Ogawa H. The global burden of periodontal disease: towards integration with chronic disease prevention and control. Periodontology 2000. 2012;60(1):15-39. 26.Jepsen S, Blanco J, Buchalla W, Carvalho JC, Dietrich T, Dorfer C, et al. Prevention and control of dental caries and periodontal diseases at individual and population level: consensus report of group 3 of joint EFP/ORCA workshop on the boundaries between caries and periodontal diseases. J Clin Periodontol. 2017;44 Suppl 18:S85-s93. 27.Vellino A. Artificial intelligence: The very idea: J. Haugeland, (MIT Press, Cambridge, MA, 1985); 287 pp. Artificial Intelligence. 1986;29(3):349-53. 28.Rich E, Knight K. Artificial Intelligence: McGraw-Hill; 1991. 29.Winston PH. Artificial Intelligence: Addison-Wesley Publishing Company; 1992. 30.Poole DI, Poole DL, Poole D, GOEBEL RA, Mackworth AK, Mackworth A, et al. Computational Intelligence: A Logical Approach: Oxford University Press; 1998. 31.McCorduck P. Machines who think: a personal inquiry into the history and prospects of artificial intelligence: A.K. Peters; 2004. 32.Schmidhuber J. Deep learning in neural networks: An overview. Neural Networks. 2015;61:85-117. 33.Marblestone AH, Wayne G, Kording KP. Toward an Integration of Deep Learning and Neuroscience. Frontiers in computational neuroscience. 2016;10:94-. 34.Wassermann EM. Risk and safety of repetitive transcranial magnetic stimulation: report and suggested guidelines from the International Workshop on the Safety of Repetitive Transcranial Magnetic Stimulation, June 5-7, 1996. Electroencephalography and clinical neurophysiology. 1998;108(1):1-16.

59

35.Dave Anderson GM. Artificial neuron network technology. 1992. 36.Schmidhuber J, Eldracher M, Foltin B. Semilinear Predictability Minimization Produces Well-Known Feature Detectors1996. 37.Cakir S, Otunctemur A. Artificial Intelligence in Medicine. European Archives of Medical Research. 2018;34:1-3. 38.Ignizio JP. A brief introduction to expert systems. Computers & Operations Research. 1990;17(6):523-33. 39.Meena A, Kumar S. Study and Analysis of MYCIN expert system. International Journal Of Engineering And Computer Science. 2015. 40.Nath P. AI & Expert System in Medical Field: A study by survey method. AITHUN. 2015;Volume-I:100. 41.Haykin S. Neural Networks: A Comprehensive Foundation: Prentice Hall PTR; 1998. 842 p. 42.Steimann F. On the use and usefulness of fuzzy sets in medical AI. Artificial Intelligence in Medicine. 2001;21(1):131-7. 43.Pesonen E OC, Eskelinen M, Juhola M. Diagnosis of acute appendicitis in two databases. Evaluation of different neighborhoods with an LVQ neural network. Methods Inf Med. 1998;37:59-63. 44.Golub R CJ, Tan M. The prediction of common bile duct stones using a neural network. J Am Coll Surg 1998;187:594-0. 45.Henson DB SS, Bull DR. Artificial neural network analysis of noisy visual field data in glaucoma. Artif Intell Med 1997;10:99-113. 46.Bounds DG LP, Mathew BG. A comparison of neural network and other pattern recognition approaches to the diagnosis of low back disorders. Neural Networks 1990;3:583-91. 47.Cochand-Priollet B, Koutroumbas K, Megalopoulou T, Pouliakis A, Sivolapenko G, Karakitsos P. Discriminating benign from malignant thyroid lesions using artificial intelligence and statistical selection of morphometric features. Oncology reports. 2006;15 Spec no.:1023-6.

60

48.Downs J, Harrison R, Kennedy RL, Cross S. Application of the Fuzzy ARTMAP Neural Network Model to Medical Pattern Classification Tasks. Artificial intelligence in medicine. 1996;8:403-28. 49.Karakitsos P SE, Pouliakis A, Tzivras M, Archimandritis A, Liossi AI et al. Potential of the back propagation neural network in the discrimination of benign from malignant gastric cells. Anal Quant Cytol Histol 1996;18:245-50. 50.Hedén B, Edenbrandt L, Haisty WK, Jr., Pahlm O. Artificial neural networks for the electrocardiographic diagnosis of healed myocardial infarction. American Journal of Cardiology. 1994;74(1):5-8. 51.Rajpurkar P, Irvin J, Zhu K, Yang B, Mehta H, Duan T, et al. CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning. 2017. 52.Burke HB, Hoang A, Iglehart JD, Marks JR. Predicting response to adjuvant and radiation therapy in patients with early stage breast carcinoma. Cancer. 1998;82(5):874-7. 53.M.D PD, M.D MS, M.D D, M.D PD, M.D D, M.D D, et al. Artificial neural networks improve the accuracy of cancer survival prediction. Cancer. 1997;79:857-62. 54.Tang A, Tam R, Cadrin-Chênevert A, Guest W, Chong J, Barfett J, et al. Canadian Association of Radiologists White Paper on Artificial Intelligence in Radiology. Canadian Association of Radiologists Journal. 2018;69(2):120-35. 55.Castiglioni I, Gilardi M. Radiomics: is it time to compose the puzzle? Clinical and Translational Imaging. 2018;6. 56.Zalis M, Harris M. Advanced Search of the Electronic Medical Record: Augmenting Safety and Efficiency in Radiology. Journal of the American College of Radiology : JACR. 2010;7:625-33. 57.Fukuda M, Inamoto K, Shibata N, Ariji Y, Yanashita Y, Kutsuna S, et al. Evaluation of an artificial intelligence system for detecting vertical root fracture on panoramic radiography. Oral Radiology. 2019. 58.Llena C, Forner L, Barbero-Navarro I. Vertical root fracture in endodontically treated teeth: A review of 25 cases. Oral surgery, oral medicine, oral pathology, oral radiology, and endodontics. 2001;92:553-5.

61

59.Murata M, Ariji Y, Ohashi Y, Kawai T, Fukuda M, Funakoshi T, et al. Deep-learning classification using convolutional neural network for evaluation of maxillary sinusitis on panoramic radiography. Oral Radiology. 2018;35. 60.Deshmukh S. Artificial intelligence in dentistry. Journal of the International Clinical Dental Research Organization. 2018;10:47. 61.Hwang J-J, Azernikov S, Efros A, Yu S. Learning Beyond Human Expertise with Generative Models for Dental Restorations. 2018.

62.Živko-babić J, Lisjak D, Ćurković L, Jakovac M. Estimation of Chemical Resistance of Dental Ceramics by Neural Network. Dental materials : official publication of the Academy of Dental Materials. 2008;24:18-27. 63.Kositbowornchai S, Plermkamon S, Tangkosol T. Performance of an artificial neural network for vertical root fracture detection: An ex vivo study. Dental traumatology : official publication of International Association for Dental Traumatology. 2012;29. 64.Dar-Odeh N, Alsmadi P-O, Bakri F, et a. Predicting recurrent aphthous ulceration using genetic algorithms-optimized neural networks. Advances and Applications in Bioinformatics and Chemistry. 2010;2010.

65.Baş B, Ozgonenel O, Özden B, Bekcioglu B, Bulut E. Use of Artificial Neural Network in Differentiation of Subgroups of Temporomandibular Internal Derangements: A Preliminary Study. Journal of oral and maxillofacial surgery : official journal of the American Association of Oral and Maxillofacial Surgeons. 2011;70:51-9. 66.Brägger U, Pasquali L, Rylander H, Carnes D, Kornman KS. Computer-assisted densitometric image analysis in periodontal radiography. Journal of Clinical Periodontology. 1988;15(1):27-37. 67.Shankarapillai R, Mathur L, Ananthakrishnan Nair M, Rai N, Mathur A. Periodontitis risk assessment using two artificial neural networks-A pilot study. International Journal of Dental Clinics. 2010;2:36-40. 68.Arbabi S. The use of artificial intelligence techniques for the diagnosis of periodontal disease by clinical indices. 2018.

69.Martinez Canut P, Alcaraz J, Alvarez‐Novoa P, Alvarez‐Novoa C, Marcos A, Noguerol

62

B, et al. Introduction of a prediction model to assigning periodontal prognosis based on survival time. Journal of Clinical Periodontology. 2017;45. 70.Takeshita W, Iwaki L, Silva M, Tonin R. Evaluation of diagnostic accuracy of conventional and digital periapical radiography, panoramic radiography, and cone-beam computed tomography in the assessment of alveolar bone loss. Contemporary clinical dentistry. 2014;5:318-23. 71.Tugnait A, Clerehugh V, Hirschmann PN. The usefulness of radiographs in diagnosis and management of periodontal diseases: A review. Journal of dentistry. 2000;28:219-26. 72.Tugnait A, Carmichael F. Use of Radiographs in the Diagnosis of Periodontal Disease. Dental update. 2005;32:536-8, 41. 73.Krois J, Ekert T, Meinhold L, Golla T, Kharbot B, Wittemeier A, et al. Deep Learning for the Radiographic Detection of Periodontal Bone Loss. Scientific Reports. 2019;9.

ภาคผนวก

64

ภาคผนวก 1 ขอมลการวนจฉยโรคปรทนตของกลมประชากรและภาพถายรงสพาโนรามก

65

66

67

68

69

ประวตผ เขยน

ประวตผเขยน

ชอ-สกล ทพญ.อจฉรยา ตงจตรตรง วน เดอน ป เกด 27 กรกฎาคม 2529 สถานทเกด รพ.สระบร จ.สระบร วฒการศกษา ปรญญาตร ทนตแพทยศาสตรบณฑต มหาวทยาลยศรนครนทรวโรฒ ทอยปจจบน 8/170 ม.เพฟรามอนทราวงแหวน ซ.กาญจนาภเษก 4 แขวงออเงน เขต

สายไหม กทม.

THE DEVELOPMENT OF COMPUTER PROGRAM FOR DIANOSIS …

Documents