การจำแนกระยะของภาวะเบาหวานขึ้นจอประสาทตาโดยใช้การเรียนรู้เชิงลึกDiabetic Retinopathy Stage Classification Using Deep Learning Techniques

Abstract

การวิจัยนี้ได้นำเสนอการพัฒนาตัวจำแนกเพื่อตรวจจับระยะของภาวะเบาหวานขึ้นจอประสาทตาโดยใช้โครงข่ายประสาทเทียมแบบสังวัตนาการ (Convolutional Neural Network) ซึ่งเป็นเทคนิคการจำแนกของการเรียนรู้เชิงลึก (Deep Learning) จำนวน 5 สถาปัตยกรรม ได้แก่ DenseNet121, EfficientNetB0, EfficientNetB1, MobileNetV2 และ NasNetMobile โดยใช้ข้อมูลภาพถ่ายจอประสาทตาจำนวน 5,000 ภาพจากฐานข้อมูล Kaggle ซึ่งชุดข้อมูลมีการจัดกลุ่มระยะของภาวะเบาหวานขึ้นจอประประสาทตาออกเป็น 5 ระยะ โดยมีขั้นตอนในการวิจัยดังนี้ ขั้นตอนที่ 1 การเตรียมความพร้อมของข้อมูล (Data Preparation) และขั้นตอนที่ 2 การพัฒนาตัวจำแนกสำหรับตรวจจับระยะของภาวะเบาหวานขึ้นจอประสาทตา (Model Generation) ซึ่งขั้นตอนการพัฒนาตัวจำแนกได้กำหนดรอบในการเรียนรู้ (Epochs) จำนวน 100 รอบของแต่ละสถาปัตยกรรมของโครงข่ายประสาทเทียมแบบสังวัตนาการ ผลการทดสอบพบว่าสถาปัตยกรรม EfficientNetB0 มีประสิทธิภาพสูงสุด โดยให้ค่าความแม่นยำในการจำแนกรูปภาพสูงถึงร้อยละ 99.25 ของชุดข้อมูลการเรียนรู้ และเมื่อนำแบบจำลองที่ได้มาทดสอบกับชุดข้อมูลทดสอบพบว่าแบบจำลองให้ค่าความแม่นยำอยู่ที่ร้อยละ 81.30 และค่า F1-score เฉลี่ยอยู่ที่ร้อยละ 81.15 นอกจากนี้แบบจำลองยังแสดงประสิทธิภาพที่ในระยะที่เป็นอันตราย โดยให้ค่าความแม่นยำ (Precision) สูงถึงร้อยละ 92.82 ในระยะที่รุนแรงที่สุด และค่าการเรียกคืน (Recall) สูงถึงร้อยละ 89.00 ในระยะรุนแรง ผลการวิจัยนี้ชี้ให้เห็นว่าตัวจำแนกที่พัฒนาขึ้นมีศักยภาพในการสนับสนุนการคัดกรองทางการแพทย์ เพื่อลดความเสี่ยงต่อการสูญเสียการมองเห็นของผู้ป่วยได้อย่างมีประสิทธิภาพ

This research presents the development of a classifier for detecting the stages of Diabetic Retinopathy (DR) using Convolutional Neural Networks (CNNs), a deep learning–based classification technique. Five architectures, including DenseNet121, EfficientNetB0, EfficientNetB1, MobileNetV2, and NASNetMobile, were explored. A dataset of 5,000 retinal fundus images obtained from Kaggle was categorized into five stages of Diabetic Retinopathy. The research methodology consisted of two main steps: 1) data preparation and 2) model generation. Each CNN architecture was trained for 100 epochs. The experimental results indicated that EfficientNetB0 achieved the highest performance, reaching an accuracy of 99.25% on the training dataset. When evaluated on the test dataset, the model achieved an accuracy of 81.30% and a macro-average F1-score of 81.15%. Furthermore, the model demonstrated exceptional effectiveness in identifying high-risk stages, achieving a precision of 92.82% for the most severe stage of Diabetic Retinopathy and a recall of 89.00% for the severe stage. These findings suggest that the developed classifier has significant potential to support medical screening processes and effectively reduce the risk of vision loss in diabetic patients.