การศึกษาประสิทธิภาพของปัญญาประดิษฐ์ (Artificial Intelligence) ในการวินิจฉัยวัณโรคปอดจากภาพรังสีทรวงอกในโรงพยาบาลสำโรงทาบ จังหวัดสุรินทร์
คำสำคัญ:
ปัญญาประดิษฐ์, วัณโรคปอด, ภาพรังสีทรวงอก, การตรวจ Acid fast bacilli (AFB)บทคัดย่อ
วัณโรคปอดยังคงเป็นปัญหาทางสาธารณสุขสำคัญ โดยเฉพาะในกลุ่มประชากรที่เข้าถึงการตรวจวินิจฉัยได้จำกัด การนำระบบปัญญาประดิษฐ์ (AI) เข้ามามีบทบาทในการนำประยุกต์ใช้ในการวิเคราะห์ภาพถ่ายรังสีทรวงอกมีแนวโน้มช่วยเพิ่มประสิทธิภาพการคัดกรองผู้ป่วยวัณโรคปอดได้อย่างรวดเร็วในการวินิจฉัย การศึกษานี้มีวัตถุประสงค์เพื่อประเมินประสิทธิภาพของระบบปัญญาประดิษฐ์ในการวินิจฉัยวัณโรคปอดจากภาพถ่ายรังสีทรวงอกในบริบทของโรงพยาบาลชุมชน โดยใช้ข้อมูลทุติยภูมิจากระบบประมวลผลภาพถ่ายรังสีทรวงอกจากกลุ่มงานรังสีวิทยาที่ระบุคะแนน TB และผลการวินิจฉัยวัณโรคปอดจากเสมหะด้วยการย้อม Acid fast bacilli (AFB) ด้วยวิธี Kinyoun carbol fuchsin ที่ตรวจในงานประจำเป็นผลอ้างอิง โดยกลุ่มตัวอย่างที่ใช้วิธีการเลือกแบบเจาะจง (Purposive sampling) โดยเป็นผู้รับบริการที่ อายุ 18 ปีขึ้นไป ที่ได้รับการถ่ายภาพทรวงอกและตรวจเสมหะด้วยวิธี AFB ซึ่งมีข้อมูลจากทั้งระบบ AI และผลการตรวจทางห้องปฏิบัติการครบถ้วนในช่วงเวลาที่ จำนวน 1,238 ราย ช่วงเดือนตุลาคม พ.ศ. 2567 ถึง เดือน มิถุนายน พ.ศ. 2568 ในโรงพยาบาลสำโรงทาบ แล้วนำผลจากคะแนน TB ที่ได้จากโมเดล AI และผล AFB มาวิเคราะห์ความแม่นยำและความเป็นไปได้ในการนำไปประยุกต์ใช้ด้วย SPSS IBM เวอร์ชัน 25 จากวิเคราะห์ พบว่า AI มีค่า Sensitivity เท่ากับ 71.1% Specificity เท่ากับ 81.3% PPV เท่ากับ 12.5% NPV เท่ากับ 98.7% โดยมีค่า Accuracy เท่ากับ 80.9% และเมื่อวิเคราะห์ ROC curve พบว่าระบบมีค่า AUC เท่ากับ 0.754 ซึ่งอยู่ในระดับดี ผลการศึกษานี้แสดงว่า AI นี้มีความสามารถในการจำแนกผู้ป่วยวัณโรคได้อยู่ที่เกณฑ์ที่ยอมรับได้และมีศักยภาพในการนำไปใช้เป็นเครื่องมือคัดกรองวัณโรคเบื้องต้นในโรงพยาบาลชุมชนที่ขาดแคลนแพทย์เฉพาะทาง จากค่า Accuracy Specificity และ Sensitivity ที่อยู่ในเกณฑ์ที่ยอมรับ ซึ่งเหมาะสำหรับการคัดกรองวัณโรคเบื้องต้นที่มีปริมาณมากซึ่งจะช่วยจำแนกกลุ่มที่ไม่เป็นโรคได้จำนวนมาก ทั้งนี้โมเดล AI นี้ไม่เหมาะที่จะใช้ในการวินิจฉัยเพียงเครื่องมือเดียว ยังต้องมีความจำเป็นในการใช้งานกับการวินิจฉัยจากวิธีอื่นร่วมด้วยพร้อมกับการประเมินอาการทางคลินิก จึงเป็นแนวทางที่เหมาะสมในการพัฒนาแนวทางการคัดกรองวัณโรคที่สนับสนุนโรงพยาบาลชุมชนให้เข้าถึงอย่างมีประสิทธิภาพได้มากขึ้น ทั้งในด้านความครอบคลุม ความรวดเร็ว และการใช้ทรัพยากรอย่างคุ้มค่าในระบบสุขภาพของไทย
Downloads
เอกสารอ้างอิง
World Health Organization. Global tuberculosis report 2023. Geneva: World Health Organization; 2023.
Pai M, Schito M, Kohli M. Tuberculosis diagnostics in 2015: Landscape, priorities, needs, and prospects.
J Infect Dis 2016;213(Suppl 2):S21–8.
World Health Organization. WHO consolidated guidelines on tuberculosis: module 3: diagnosis – rapid diagnostics
for tuberculosis detection. 3rd ed. Geneva: World Health Organization; 2023.
Lakhani P, Sundaram B. Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using
convolutional neural networks. Radiology 2017;284(2):574–82.
Kaewwilai L, Yoshioka H, Choppin A, Prueksaritanond T, Ayuthaya TPN, Brukesawan C, et al. Development
and evaluation of an artificial intelligence (AI)-assisted chest x-ray diagnostic system for detecting, diagnosing,
and monitoring tuberculosis. Global Transitions 2025;7:87-93.
Esteva A, Robicquet A, Ramsundar B, Kuleshov V, DePristo M, Chou K, et al. A guide to deep learning in
healthcare. Nat Med 2019;25(1):24–9.
Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med 2019;
(1):44–56.
World Health Organization. WHO consolidated guidelines on tuberculosis: module 4: treatment and care. Geneva:
World Health Organization; 2025.
สิรินธร ศรีทับทิม, นุชรี ศักดิ์วาปี, น้ำทิพย์ หมั่นพลศรี, สิรินญา นันทนางกูล. ประสิทธิภาพการคัดกรองวัณโรคของนวัตกรรม “
AI Chest 4All (DMS-TU) for Thai People” ที่โรงพยาบาลมะเร็งอุดรธานี. วารสารรังสีเทคนิค 2568;50(1):1-7.
Xue Z, Yang F, Rajaraman S, Zamzmi G, Antani S. Cross dataset analysis of domain shift in CXR lung region
detection. Diagnostics 2023;13(6):1068.
ราชวิทยาลัยรังสีแพทย์แห่งประเทศไทย. รายงานผลการทดสอบปัญญาประดิษฐ์ในภาพถ่ายรังสีทรวงอก: รายงานผลการทดสอบ
RadiSen AXIR [เอกสารรับรองการทดสอบ]. กรุงเทพมหานคร: ไทยจีแอล; 2567.
เศรษฐวิชช์ ศิริวัฒน์, ทวีศักดิ์ ศิริพรำพบูลย์, นิรมล พิมน้ำเย็น, พายัพ แสงทอง, ราตรี คงเมือง, หนึ่งฤดี นิ่มนุช, และคณะ.
การพัฒนาระบบคัดกรองวัณโรคด้วยนวัตกรรมปัญญาประดิษฐ์ ในโรงพยาบาลชาติตระการ. วารสารแพทย์นาวี 2564;48(2):249–61.
World Health Organization. Target product profiles for tuberculosis screening tests. Geneva: World Health
Organization; 2025.
Sabella-Jiménez V, Sabella-Jiménez VL, Restrepo-Espinosa V, Eljadue-Flórez J, Gallardo-Castro CV, Silvera A, et al.
Performance of Xpert MTB/RIF and acid-fast bacilli smear microscopy for pulmonary TB diagnosis in sputum-scarce
adults. BMC Infect Dis 2025;25:491.
Chen CF, Hsu CH, Jiang YC, Lin WR, Hong WC, Chen IY, et al. A deep learning-based algorithm for pulmonary
tuberculosis detection in chest radiography. Scientific Reports 2024;14(1):14917.
Han ZL, Zhang YY, Li J, Gao S, Liu W, Yang WJ, et al. A systematic review and meta-analysis of artificial
intelligence software for tuberculosis diagnosis using chest X-ray imaging. J Thorac Dis 2025;17(5):3223-37.
Wu JT, Wong KCL, Gur Y, Ansari N, Karargyris A, Sharma A, et al. Comparison of Chest Radiograph Interpretations
by Artificial Intelligence Algorithm vs Radiology Residents. JAMA Netw Open 2020;3(10):e2022779.
White N, Parsons R, Collins G, Barnett A. Evidence of questionable research practices in clinical prediction models.
BMC Med 2023;21:339.
Mbulayi O, Djungu SJ, Aketi L, Koulali MA, Azzaoui H, Koulali R, et al. Tuberculosis diagnosis using artificial
intelligence: current trends and future prospects. Frontiers in Medicine 2025;12:1569615.
de Camargo TFO, Ribeiro GAS, da Silva MCB, da Silva LO, Torres PPTES, Rodrigues DDSDS, et al.
Clinical validation of an artificial intelligence algorithmfor classifying tuberculosis and pulmonary findings
in chest radiographs. Front Artif Intell 2025;8:1512910.
World Health Organization. Chest radiography in tuberculosis detection: summary of current WHO recommendations
and guidance on programmatic approaches. Geneva: World Health Organization; 2017.
ดาวน์โหลด
เผยแพร่แล้ว
วิธีการอ้างอิง
ฉบับ
บท
การอนุญาต
ลิขสิทธิ์ (c) 2026 กระทรวงสาธารณสุข
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
