การออกแบบและพัฒนาหุ่นยนต์ต้นแบบตรวจจับต้อกระจกโดยใช้เครือข่ายประสาทคอนโวลูชันเชิงลึก

โรคต้อกระจก เป็นโรคตาที่เป็นสาเหตุของการตาบอดมากที่สุดในประเทศไทยและหลายประเทศทั่วโลก สำหรับประเทศไทยร้อยละ 80 ของผู้ป่วยภาวะโรคตาทั้งหมดสามารถป้องกันหรือรักษาให้หายได้ และให้ผลสำเร็จสูงหากทำการรักษาตั้งแต่เนิ่น ๆ แต่จะเห็นว่าต้อกระจกเป็นภาวะที่มักจะค่อย ๆ เกิดและมีอาการรุนแรงขึ้นเรื่อย ๆ ตามระยะเวลา แต่จะไม่สร้างความเจ็บปวดต่อผู้ที่เป็น จึงทำให้ผู้ป่วยส่วนใหญ่ที่เป็นหลายคนชะล่าใจ จนทำให้ส่งผลกระทบรุนแรงตามมาในภายหลัง ผู้วิจัยได้เห็นถึงปัญหาและความสำคัญของการเข้ารับการรักษาโรคต้อกระจกของผู้ป่วย จึงมีความประสงค์ที่จะศึกษากระบวนการในการคัดแยกความผิดปกติต่าง ๆ ในการคัดแยกโรคต้อกระจก นำมาใช้ในการประเมินกระจกตาเบื้องต้น และประยุกต์ใช้กับ Machine Learning ในการฝึกสอนชุดข้อมูล โดยใช้ LeNet-Convolutional Neural Network (LeNet-CNN) และ Support Vector Machine (SVM) มาทำการฝึกสอนชุดข้อมูล และนำผลที่ได้จากทั้งสองโมเดลมาเปรียบเทียบค่าประสิทธิภาพและความแม่นยำในการคัดแยก

ผลการประเมินกระบวนการคัดแยกความผิดปกติโรคต้อกระจกโดยใช้เครือข่ายประสาทคอนโวลูชันเชิงลึกโดยเปรียบเทียบระหว่าง LeNet-CNN และ SVM พบว่า LeNet-CNN ให้ค่า Accuracy ร้อยละ 96 ค่า Sensitivity ร้อยละ 95 และค่า Specificity ร้อยละ 96 ขณะที่ SVM มีค่า Accuracy ร้อยละ 92 ค่า Sensitivity ร้อยละ 91 และค่า Specificity ร้อยละ 94 แสดงให้เห็นว่าทั้ง 2 กระบวนการมีค่าความแม่นยำที่ค่อนข้างสูง โดยเฉพาะ LeNet-CNN ที่ให้ค่าความแม่นยำสูงกว่า SVM สรุปได้ว่า หุ่นยนต์ต้นแบบตรวจจับต้อกระจกโดยใช้เครือข่ายประสาทคอนโวลูชันเชิงลึกสามารถคัดแยกความผิดปกติของต้อกระจกได้อย่างถูกต้องแม่นยำและมีประสิทธิภาพ สามารถนำมาใช้ในการตรวจโรคต้อกระจกจากภาพถ่ายด้วยตัวเองก่อนได้จริง เพื่อให้ผู้ป่วยสามารถนำมาใช้ในการประเมินกระจกตาเบื้องต้นกรณีพบความผิดปกติสามารถเข้ารับการรักษาได้ทันท่วงที