การติดตามการติดเชื้อในผู้ป่วยไอซียูโดยใช้ภาพเอกซเรย์ทรวงอก

โครงงานนี้นำเสนอโครงสร้างการทำงานอัตโนมัติในการจำแนกประเภทการติดเชื้อในปอดและตรวจจับการเปลี่ยนแปลงของรอยโรคจากภาพรังสีทรวงอก (Chest X-ray: CXR) สำหรับผู้ป่วยในหอผู้ป่วยวิกฤต (ICU) การวินิจฉัยผู้ป่วยในกลุ่มนี้มีข้อจำกัดด้านคุณภาพของภาพที่ไม่สม่ำเสมอ ความเข้มแสงที่แตกต่างกัน และสิ่งรบกวนในภาพ (Artifacts) โครงงานนี้จึงเสนอแนวทางการประมวลผลแบบหลายขั้นตอน เริ่มต้นด้วยการปรับมาตรฐานความเข้มพิกเซลด้วยวิธี ROI-based Normalization และเทคนิค CLAHE เพื่อลดสัญญาณรบกวน ขั้นตอนที่สองใช้สถาปัตยกรรมโครงข่ายประสาทเทียม U-Net ที่ผ่านการปรับจูน (Fine-tuning) เพื่อการตัดส่วนภาพปอดที่แม่นยำ ซึ่งทำค่า Dice Score ได้สูงถึง 0.9148 สำหรับการวิเคราะห์เชิงเวลา ได้ประยุกต์ใช้อัลกอริทึม findTransformECC ในการจัดเรียงภาพ (Image Registration) เพื่อให้ภาพจากหลายช่วงเวลาซ้อนทับกันในระบบพิกัดเดียวกัน ในส่วนการจำแนกประเภทการติดเชื้อ คณะผู้วิจัยใช้โมเดล YOLOv8n ซึ่งสามารถทำความแม่นยำ (Accuracy) ได้ที่ร้อยละ 93.8 ในการแยกแยะระหว่างกรณีการติดเชื้อ (VAP) และไม่ติดเชื้อ (NoVAP) ท้ายที่สุดได้นำเทคนิคการวิเคราะห์ส่วนประกอบหลัก (Local PCA) มาใช้สร้างแผนที่การเปลี่ยนแปลง (Change Map) เพื่อแสดงพัฒนาการของรอยโรคในรูปแบบแผนที่ความร้อน (Heat Map) ผลลัพธ์จากโครงงานแสดงให้เห็นว่าแนวทางการบูรณาการนี้เป็นเครื่องมือที่มีประสิทธิภาพในการติดตามอาการทางคลินิกและสนับสนุนการตัดสินใจของแพทย์ในสภาวะวิกฤต