Application of deep convolutional neural networks to detect diabetic retinopathy and arrhythmia

การประยุกต์ใช้โครงข่ายประสาทเทียมแบบสังวัตนาการสำหรับตรวจหาโรคเบาหวานที่จอประสาทตาและหัวใจเต้นผิดจังหวะ

Name: Chaichana Suedumrong

LCSH: Diabetes -- Diagnosis

LCSH: Heart -- Diseases -- Diagnosis

LCSH: Artificial intelligence -- Medical applications

Abstract: This research explores the application of Convolutional Neural Networks (CNNs) in diagnosing diabetic retinopathy and arrhythmias, utilizing data from EyePACS, PhysioNet.org, Nakornping Hospital, and the University of Freiburg. Our comprehensive evaluation of various CNN architectures, including VGG16, VGG19, InceptionV3, and ResNet50, highlights the superior diagnostic capability of VGG19 for diabetic retinopathy and ResNet50 for arrhythmias. While VGG19 showed promising results with up to 92% accuracy during training phases, its diagnostic performance on Nakornping Hospital data was limited to 75% accuracy, this is data that comes from different sources. The data from Nakornping Hospital is data only for Thai people in Chiang Mai province, which has a small amount of data compared to the data from EyePACS, and the model has never learned the data before. This causes the accuracy of the model to decrease. In the domain of arrhythmia detection, the ResNet50 model achieved notable success, with accuracy rates reaching 99.96% in identifying arrhythmias across diverse datasets. However, the study also recognized the occurrence of false positives, which necessitates further refinement in model specificity and the development of more sophisticated validation techniques to minimize erroneous diagnoses. Additionally, this research introduces an innovative 24-hour atrial fibrillation (AFIB), atrial flutter (AFL), left bundle branch block (LBBB), and right bundle branchblock (RBBB). detection approach using a fine-tuned ResNet50 model to analyzelong term electrocardiogram (ECG) data, providing a continuous, real-time monitoring capability that extends beyond traditional diagnostic methods. This application underscores CNNs ' potential to revolutionize medical diagnostics, offering insights into AI’s transformative role in healthcare. The findings advocate for continued advancements in CNN architectures, enhanced model robustness, expanded dataset diversity, and rigorous ethical considerations to bolster AI 's efficacy in medical diagnostics and patient care.

Abstract: งานวิจัยนี้ทำการประยุกต์ใช้ Convolutional Neural Networks (CNNs) ในการวินิจฉัยภาวะเบาหวานขึ้นจอประสาทตาและภาวะหัวใจเต้นผิดจังหวะ โดยใช้ข้อมูลจาก EyePACS, PhysioNet.org, โรงพยาบาลนครพิงค์ และมหาวิทยาลัยไฟรบูร์กในการประยุกต์ใช้ CNN ด้วยสถาปัตยกรรม VGG16, VGG19, Inception V3 และ ResNet50 ในการวินิจฉัยโรคเบาหวานขึ้นจอประสาทตาและภาวะหัวใจเต้นผิดจังหวะ ซึ่ง VGG19 เป็นโมเดลที่เหมาะสมที่สุดสำหรับภาวะเบาหวานขึ้นจอประสาทตา และ ResNet50 สำหรับภาวะหัวใจเต้นผิดจังหวะ แม้ว่า VGG19 จะแสดงผลลัพธ์ที่น่าพอใจด้วยความ แม่นยำสูงสุด 92% สำหรับการวินิจฉัยข้อมูลจาก EyePACS แต่ประสิทธิภาพในการวินิจฉัยข้อมูลของ โรงพยาบาลนครพิงค์นั้นมีความแม่นยำอยู่ที่ 75% ซึ่งเป็นข้อมูลที่มาจากคนละแหล่งข้อมูลโดยข้อมูล ของโรงพยาบาลนครพิงค์นั้นเป็นข้อมูลของเฉพาะคนไทยในจังหวัดเชียงใหม่ซึ่งมีข้อมูลจำนวนน้อย เมื่อเทียบกับข้อมูลจาก EyePACS และ โมเดลไม่เคยเรียนรู้ข้อมูลมาก่อนทำให้ความแม่นยำของโมเดล ลดลง ส่วนในด้านการตรวจจับภาวะหัวใจเต้นผิดจังหวะ โมเดล ResNet50 เป็นโมเดลที่ดีที่สุด โดยมี อัตราความแม่นยำถึง 99.96% ในการระบุภาวะหัวใจเต้นผิดจังหวะในชุดข้อมูลที่ไม่เคยเห็นมาก่อน จากมหาวิทยาลัยไฟรบูร์ก นอกจากนี้ งานวิจัยนี้ยังได้แนะนำนวัตกรรมการตรวจภาวะหัวใจห้องบน เต้นพลิ้วไหวตลอด 24 ชั่วโมง (AFIB) ภาวะหัวใจห้องบนเต้นรัว (AFL) ภาวะหัวใจเต้นผิดจังหวะมัด ซ้าย (LBBB) และภาวะหัวใจเต้นผิดจังหวะมัดขวา (RBBB) ใช้วิธีการตรวจจับโดยใช้โมเดล ResNet50 ที่ได้รับการปรับแต่งอย่างละเอียดเพื่อวิเคราะห์ข้อมูลคลื่นไฟฟ้าหัวใจ (ECG) ในระยะยาว (24 ชั่วโมง) โดยมีความสามารถในการตรวจสอบแบบต่อเนื่อง ซึ่งแสดงผลการวินิจฉัยได้ดีกว่าวิธีการวินิจฉัย แบบเดิม ๆ ด้วยแอปพลิเคชันนี้แสดงให้เห็นถึงศักยภาพของ CNN ในการพัฒนาการวินิจฉัยทาง การแพทย์ การค้นพบนี้สนับสนุนให้ AI มีความก้าวหน้าในการวินิจฉัยทางการแพทย์และการดูแลผู้ป่วย

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Komgrit Leksakul

Role: Advisor

Name: Nivit Charoenchai

Role: Advisor

Name: Wimalin Sukthomya Laosiritaworn

Role: Advisor

Name: Nirand Pisutha-Arnond

Role: Advisor

Created: 2024

Modified: 2025-09-10

Issued: 2025-09-10

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Doctor of Philosophy

Level: Doctoral Degree

Descipline: Industrial Engineering

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	610651017.pdf	6.21 MB

ใช้เวลา

0.043527 วินาที