Chulalongkorn University Theses and Dissertations (Chula ETD)
Other Title (Parallel Title in Other Language of ETD)
Development of abnormal leukocyte counting system via smartphone using convolutional neural network
Year (A.D.)
2023
Document Type
Thesis
First Advisor
วันเฉลิม โปรา
Second Advisor
เอกพันธ์ ครุพงศ์
Faculty/College
Faculty of Engineering (คณะวิศวกรรมศาสตร์)
Department (if any)
Department of Electrical Engineering (ภาควิชาวิศวกรรมไฟฟ้า)
Degree Name
วิศวกรรมศาสตรดุษฎีบัณฑิต
Degree Level
ปริญญาเอก
Degree Discipline
วิศวกรรมไฟฟ้า
DOI
10.58837/CHULA.THE.2023.1008
Abstract
การวินิจฉัยโรคและการวิเคราะห์ความผิดปกติของผู้ป่วยที่เข้ารับการรักษาที่โรงพยาบาลและคลินิค จะต้องมีการตรวจร่างกาย สังเกตอาการ รวมถึงการซักประวัติผู้ป่วย ในบางครั้งแพทย์มีความจำเป็นต้องส่งตรวจทางห้องปฏิบัติการ เช่น การตรวจความสมบูรณ์ของเม็ดเลือด (CBC) ในอดีตแพทย์จะตรวจด้วยการส่องกล้องจุลทรรศ์ถือเป็นมาตรฐาน เนื่องจากในประเทศไทยผู้เชี่ยวชาญอายุรแพทย์โลหิตวิทยามีจำนวนน้อยเมื่อเทียบกับผู้ป่วยโรคเลือด ส่งผลให้คิวรอการนับเซลล์เม็ดเลือดของผู้ป่วยที่มีเซลล์ผิดปกติยาวนานหลายสัปดาห์ ได้มีการพัฒนาเครื่องนับเซลล์อย่างอัตโนมัติ เพื่อเพิ่มประสิทธิภาพการตรวจความสมบูรณ์ของเลือดได้อย่างรวดเร็วมากยิ่งขึ้น ลดภาระงานของผู้เชี่ยวชาญในการส่องกล้องจุลทรรศน์ลง แต่การนำเครื่องนับอย่างอัตโนมัติมาใช้ในโรงพยาบาลในประเทศไทยยังมีข้อจำกัด เนื่องจากราคาต่อเครื่องสูงจึงมีเฉพาะโรงเรียนแพทย์และโรงพยาบาลขนาดใหญ่ที่สามารถจัดซื้อได้ และมีความบกพร่องที่สำคัญเมื่อเลือดของผู้ป่วยมีเซลล์ที่มีความผิดปกติที่พบได้น้อยในภาวะปกติปะปนมา เครื่องอาจจะไม่สามารถตรวจจับเซลล์ดังกล่าวได้ จึงมีการสร้างเกณฑ์การส่งตรวจซ้ำด้วยการส่องกล้องจุลทรรศน์ เพื่อให้ผลการตรวจที่ได้มีความถูกต้องแม่นยำ จึงเกิดแนวคิดที่จะสร้างระบบอัตโนมัติในการจำแนกชนิดของเซลล์เลือดแบบ AI-Assisted web application ด้วยการให้ผู้ใช้สมาร์ทโฟนประกบกับเลนส์ใกล้ตาของกล้องจุลทรรศน์ถ่ายภาพส่งไปให้ระบบตรวจจับเซลล์เม็ดเลือดที่ผิดปกติได้ ซึ่งสามารถแยกเซลล์เม็ดเลือดได้ 12 ชนิด เมื่อระบบได้รับภาพแล้วจะนับเฉพาะเซลล์ดังกล่าวโดยปัญญาประดิษฐ์ที่มีโครงสร้างตาม YOLOv5x และส่งรายงานการนับให้ผู้ใช้ภายในไม่กี่วินาที หลังจากการปรับแต่งหนึ่งในรุ่นของแบบปัญญาประดิษฐ์ให้ค่า mAP@50 ที่ร้อยละ 90 บนชุดทดสอบ ยังพบว่าระบบที่พัฒนาขึ้นช่วยให้ความสามารถของแพทย์ทั่วไปและนักศึกษาแพทย์ชั้นคลินิค ในการระบุตำแหน่งและชนิดของเซลล์เม็ดเลือด ใกล้เคียงกับอาจารย์อายุรแพทย์โลหิตวิทยา และลดระยะเวลาการนับได้ครึ่งนึง
Other Abstract (Other language abstract of ETD)
Clinicians often require a blood examination as part of their diagnostic process. Manual microscopic examination of a peripheral blood stain (PBS) under a microscope was the gold standard in the past. The shortage of hematologists in Thailand and the limitations of clinicians with experience in rapid PBS examination periods highlight the manual process’s limits. Automated blood cell counters tend to solve this problem. However, due to their exorbitant cost, only a few medical schools and hospitals can afford them. Furthermore, if the PBS contains abnormal blood cells, automated counters may produce very inaccurate results. As a result, the necessity for manual counting persists for PBS re-examination. An AI-assisted web application for uploading PBS images has been developed. The platform produces a counting report in less than a second. It can find different types of abnormal blood cells, such as atypical lymphocytes, band neutrophils, basophils, blasts, eosinophils, lymphocytes, metamyelocytes, monocytes, myelocytes, nucleated red blood cells (NRCs), promyelocytes, and segmented neutrophils. After fine-tuning, one of the models generates a mAP@50 of 90.0 percent on a test dataset. The results confirm that our model produces predictions comparable to those of a hematologist and also demonstrate that the platform can assist clinicians in improving the speed and accuracy of their counting.
Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-No Derivative Works 4.0 International License.
Recommended Citation
เกษมสำราญ, ณัทกร, "การพัฒนาระบบนับเซลล์เม็ดเลือดขาวที่ผิดปกติผ่านสมาร์ทโฟน โดยใช้โครงข่ายประสาทเทียมชนิดคอนโวลูชัน" (2023). Chulalongkorn University Theses and Dissertations (Chula ETD). 11536.
https://digital.car.chula.ac.th/chulaetd/11536