การคัดกรองมะเร็งปากมดลูกด้วยเทคนิคเหมืองข้อมูล
คำสำคัญ:
มะเร็งปากมดลูก, ความสัมพันธ์ของข้อมูล, เหมืองข้อมูลบทคัดย่อ
มะเร็งปากมดลูกเป็นโรคมะเร็งที่สำคัญชนิดหนึ่งในมะเร็งชนิดอื่นๆ ของสุภาพสตรีวันนี้ การตรวจคัดกรองมะเร็งปากมดลูกในอดีตมีวิธีการหลายชนิด เช่นประวัติทางการแพทย์ การตรวจหาไวรัสเอชพีวี (Human Papilloma Virus : HPV) ชนิดความเสี่ยงสูง สารคัดหลั่งของร่างกาย การตรวจแป๊ปเสมียร์ (PAP Smear) และการตัดชิ้นเนื้อเล็กๆ ในการวิจัยครั้งนี้ ผู้วิจัยขอเสนอวิธีการตรวจคัดกรองมะเร็งปากมดลูกโดยใช้วิธีการทำเหมืองข้อมูลด้วยแอนท์ไมเนอร์อัลกอริทึม (Ant-Miner Algorithm) มีวัตถุประสงค์เพื่อค้นหาเทคนิคการทำเหมืองข้อมูลเพื่อสร้างแบบจำลองการตรวจคัดกรองมะเร็งปากมดลูกที่มีประสิทธิภาพในการจำแนก และการคัดเลือกคุณลักษณะด้วยค่าสหสัมพันธ์ของคุณลักษณะ (Correlation-based Feature Selection : CFS- เซตของคุณลักษณะที่ดีจะบรรจุคุณลักษณะที่มีความสัมพันธ์อย่างสูงกับคำตอบ) สำหรับการทำเหมืองข้อมูลการวิจัยนี้ใช้ชุดข้อมูลทางการแพทย์ (มีคุณลักษณะ 32 ค่า 4 คำตอบ จำนวน 858 ตัวอย่าง) พบว่าค่าสหสัมพันธ์คุณลักษณะ (CFS) มีความผลต่อการเลือกคุณลักษณะ ทำให้ระบุคุณลักษณะได้อย่างรวดเร็ว กรองคุณลักษณะที่ไม่เกี่ยวข้อง คุณลักษณะที่ซ้ำซ้อนและคุณลักษณะที่ไม่สมบูรณ์ และความสัมพันธ์ของแต่ละคุณลักษณะไม่ขึ้นอยู่กับคุณลักษณะอื่นๆ วิธีการคัดเลือกคุณลักษณะแบบ CFS ช่วยให้มีรายการคุณลักษณะมีขนาดเล็กลง แต่มีประสิทธิภาพในการคัดกรองมะเร็งปากมดลูกด้านความถูกต้องและความแม่นยําผลการวิจัย พบว่า อายุ (Age) จำนวนของคู่ทางเพศสัมพันธ์ (Number of Sexual Partners) อายุที่มีเพศสัมพันธ์ครั้งแรก (Age at 1st Sexual Coitus) จำนวนการตั้งครรภ์ (Number of Parturition) จำนวนปีการคุมกำเนิดด้วยฮอร์โมน (Hormonal Contraception) และจำนวนปีการใส่ห่วงคุมกำเนิด (IUDS) เป็นรายการคุณลักษณะหลักของแบบจำลองการทำนายผลการคัดกรองมะเร็งปากมดลูกด้วยแอนท์ไมเนอร์อัลกอริทึม มีความถูกต้องรวมทุกวิธีเฉลี่ยร้อยละ 94.68 และความแม่นยำเฉลี่ยร้อยละ 93.78 เมื่อพิจารณาเป็นรายวิธี พบว่า วิธี Hinselmann มีความถูกต้องร้อยละ 93.26 ความแม่นยำร้อยละ 90.00 วิธี Schiller มีความถูกต้องร้อยละ 90.86 ความแม่นยำร้อยละ 95.24 วิธี Cytology มีความถูกต้องร้อยละ 96.26 ความแม่นยำร้อยละ 92.10 และวิธี Biopsy มีความถูกต้องร้อยละ 98.35 ความแม่นยำร้อยละ 97.78 การทำเหมืองข้อมูลสำหรับการคัดกรองมะเร็งปากมดลูกด้วยแอนท์ไมเนอร์อัลกอริทึมเป็นเครื่องมือวินิจฉัยโรคชนิดหนึ่งที่มีประสิทธิภาพ
คำสำคัญ : มะเร็งปากมดลูก, ความสัมพันธ์ของข้อมูล, เหมืองข้อมูล
เอกสารอ้างอิง
World Health Organization. Cervix uteri [Internet]. 2019 [cited 2020 February 10]. Available from: https://gco.iarc.fr/today/data/factsheets/cancers/23-Cervix-uteri-fact-sheet.pdf
โพสต์ทูเดย์. คณะแพทยศาสตร์ 4 สถาบันเสนอนโยบายสู้มะเร็งที่ถูกต้องลดการเสียชีวิต [อินเทอร์เน็ต]. 2562 [เข้าถึงเมื่อ2 มีนาคม 2563]. เข้าถึงได้จาก: https://www.posttoday.com/pr/597295
กองบรรณาธิการ. มะเร็งปากมดลูก : สาเหตุ อาการ การวินิจฉัย การรักษา และ วัคซีนป้องกัน [อินเทอร์เน็ต]. 2561 [เข้าถึงเมื่อ 19 กุมภภาพันธ์ 2563]. เข้าถึงได้จาก: https://www.honestdocs.co/
cervical-cancer-symptoms-treatment-prevention
UCI Machine Learning Repository. Cervical cancer (Risk Factors) Data Set [Internet]. 2017
[cited 2020 March 3]. Available from: https://archive.ics.uci.edu/ml/datasets/ Cervical+cancer+%28Risk+Factors%29
Fernandes K, Cardoso SJ, Fenandes J. Transfer Learning with Partial Observability Applied to Cervical Cancer Screening. IbPRIA 2017;243-50.
Akyol K. A Study on Test Variable Selection and Balanced Data for Cervical Cancer Disease. Int J of Information Engineering and Electronic Business 2018;(10):1-7.
Hall MA. Correlaton-based feature selection for discrete and numeric class machine learning. In Proceeding of the 17th International Conference on Machine Learning 2000;359-66.
Parpinelli R, Lopes H, Freitas A. Data Mining With an Ant Colony Optimization Algorithm. Evaolutionary Computation, IEEE Transaction on 2002 Sep;(6):321-32.
Raschka S. Model Evaluation, Model Selection, and Algorithm Selection in Machine Learning Wisconsin : University of Wisconsin–Madison ; 2018.
เอกสิทธิ์ พัชรวงศ์ศักดา. การวิเคราะห์ข้อมูลด้วยเทคนิคดาต้าไมน์นิง เบื้องต้น. กรุงเทพมหานคร : บริษัท เอเชีย ดิจิตอลการพิมพ์ จำกัด ; 2557.
Al-Wesabi YMS, Choudhury A, Won D. Classification of Cervical Cancer Dataset. In Proceedings of the 2018 IISE Annual Conference 2018;1456-61.
Unlersen MF, Sabanci K, Ozcan M. Dertemining Cervical Cancer Possibility by Using Machine Learning Methods. International Journal of Latest Research in Engineering and Technology 2017 December; 03(12):65-71.
ดาวน์โหลด
เผยแพร่แล้ว
เวอร์ชัน
- 2026-02-12 (2)
- 2021-01-16 (1)
ฉบับ
บท
การอนุญาต
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพิ์เป็นลิขสิทธิ์ของวารสารโรงพยาบาลชลบุรี