การพัฒนาโปรแกรมคอมพิวเตอร์เพื่อการวินิจฉัยและการวางแผนการรักษาในผู้ป่วยโรคปริทันต์

Abstract

วัตถุประสงค์: เพื่อพัฒนาโปรแกรมคอมพิวเตอร์ในการวินิจฉัยโรคปริทันต์อักเสบจากภาพถ่ายรังสีชนิดพาโนรามิก (Panoramic film) และประเมินผลโปรแกรมวัสดุอุปกรณ์และวิธีการ: เตรียมจัดทำฐานข้อมูลผู้ป่วยโดยใช้ข้อมูลจากแฟ้มประวัติผู้ป่วยภาควิชาทันตกรรมทั่วไป คณะทันตแพทยศาสตร์ มหาวิทยาลัยศรีนคริทรวิโรฒ ที่ได้รับการวินิจฉัยโรคปริทันต์ตามเกณฑ์ของ American Academy of Periodontology (AAP) ในปี 1999 และยังไม่ได้รับการรักษาโรคปริทันต์ใดๆ จำนวน 90 คน รวมทั้งภาพถ่ายรังสีชนิดพาโนรามิกแบบดิจิทัล นำข้อมูลที่จัดเตรียมเข้าโปรแกรมวิเคราะห์ฟาสเตอร์อาร์ซีเอ็นเอ็น (Faster R-CNN) โดยมีเส้นทางหลักของระบบเน็ตเวิร์ก (Backbone Network) เป็น ResNeXt-101 with Feature Pyramid Network ทำการทดสอบโปรแกรมด้วยการวัดค่าความจำเพาะเจาะจง ความไวของโปรแกรม และวัดค่าประสิทธิภาพจากพื้นที่ใต้กราฟผลการศึกษา: โปรแกรมสามารถวินิจฉัยโรคปริทันต์อักเสบได้ ผลค่าความจำเพาะเจาะจงของโปรแกรมอยู่ที่ร้อยละ 65.3 และมีค่าความไวของโปรแกรมอยู่ที่ร้อยละ 80.5สรุป: ค่าความไวในการตรวจจับของโปรแกรมมีค่าสูงในระดับที่น่าพอใจ แต่จากข้อจำกัดในการศึกษาทำให้ค่าความจำเพาะเจาะจงไม่สูงมากนัก โดยมีปัจจัยที่เกี่ยวข้อง คือ ขนาดของจำนวนกลุ่มตัวอย่างและค่าตัวแปรอื่นๆ ซึ่งต้องมีการศึกษาเพิ่มเติมเพื่อพัฒนาประสิทธิภาพของโปรแกรมให้ดีขึ้นต่อไปคำสำคัญ: โปรแกรมคอมพิวเตอร์ การวินิจฉัยโรคปริทันต์อักเสบ คอนโวลูชัน การเรียนรู้เชิงลึก The Development of Computer Program for Diagnosis inPeriodontal PatientsAbstractsObjective: 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.Materials and Methods: The data was collected from the digital panoramic films of ninety patients in the department of General Dentistry, Faculty of Dentistry, 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 Faster R-CNN which has a ResNeXt-101 with Feature Pyramid Network as a Backbone network, used deep learning to develop the precision model. Calculated the specificity and sensitivity value and area under curve (AUC) were drawn.Results: 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%Conclusions: The diagnostic performance of the deep learning system for periodontal disease on panoramic radiograph was sufficiently high.Keywords: Computer Program, Periodontal Diagnosis, Convolution, Deep learning ว.ทันต.มศว ปีที่ 13 ฉบับที่ 1 พ.ศ. 2563 หน้า 44-59.SWU Dent J. 2020;13(1):44-59.