การสร้างตัวแบบต้นไม้ตัดสินใจจากผลการตรวจวิเคราะห์ทางห้องปฏิบัติการเพื่อการคัดกรองเซลล์มะเร็งจากน้ำในช่องเยื่อหุ้มปอด
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษาพารามิเตอร์จากการตรวจวิเคราะห์ทางห้องปฏิบัติการในการใช้คัดกรองเซลล์มะเร็งจากน้ำในช่องเยื่อหุ้มปอด ยังคงมีข้อจำกัดเรื่องความไวและจำเพาะ รวมถึงค่า cut off ที่เหมาะสมที่สามารถนำมาใช้ในงานประจำวันได้ อีกทั้งการวินิจฉัยด้วยวิธีมาตรฐานทางเซลล์วิทยาใช้ระยะเวลานานในการวิเคราะห์และรายงานผล การวิเคราะห์ข้อมูลโดยการเรียนรู้ของเครื่อง (machine learning) เป็นเครื่องมือที่นิยมนำมาใช้ในยุคของวิทยาศาสตร์ข้อมูล ในการทำนายเพื่อประยุกต์ใช้เป็นเครื่องมือในการคัดกรองโรค ดังนั้นคณะผู้วิจัยจึงสนใจสร้างตัวแบบต้นไม้ตัดสินใจ โดยอาศัยผลการตรวจวิเคราะห์ทางห้องปฏิบัติการ เพื่อใช้คัดกรองมะเร็งจากน้ำในช่องเยื่อหุ้มปอด โดยเก็บข้อมูลย้อนหลัง (retrospective study) จากกลุ่มตัวอย่าง
ที่ตรวจพบและไม่พบเซลล์มะเร็ง จำนวน 357 ราย ทำการสร้างตัวแบบต้นไม้ตัดสินใจ ด้วยโปรแกรม WEKA โดยอาศัยอัลกอริทึม J48 พบว่า พารามิเตอร์ protein, adenosine deaminase (ADA), carcinoembryonic antigen (CEA), ปริมาณ
high fluorescence- body fluid cells (HFBF#) และ ร้อยละ high fluorescence- body fluid cells (HFBF%) ทั้งสองกลุ่มตัวอย่างมีความแตกต่างกันอย่างมีนัยสำคัญทางสถิติ (p < 0.05) จากนั้นทำการสร้างตัวแบบต้นไม้ตัดสินใจโดยแบ่งข้อมูล ร้อยละ 90 เป็นข้อมูลชุดฝึกหัด (training dataset) และข้อมูลชุดทดสอบประสิทธิภาพ (testing dataset) ส่วนอีกร้อยละ 10 ใช้เป็นข้อมูล ชุดทดสอบแบบอำพราง (blind dataset) ผลการสร้างตัวแบบต้นไม้ตัดสินใจพบว่า ตัวแบบที่มีประสิทธิภาพมากที่สุดประกอบด้วยพารามิเตอร์ CEA, ADA, protein และ HFBF% มีค่าความไวร้อยละ 94.10 ค่าความจำเพาะร้อยละ 72.60 และเมื่อนำตัวแบบดังกล่าวไปทดสอบกับกลุ่มทดสอบแบบอำพราง พบว่าตัวแบบนี้มีค่าความไวร้อยละ 92.31 ค่าความจำเพาะร้อยละ 82.60 ค่าพยากรณ์บวกร้อยละ 75.00 และค่าพยากรณ์ลบร้อยละ 95.00 ซึ่งน่าจะมีประโยชน์ในการนำไปใช้ร่วมคัดกรองเซลล์มะเร็งจากน้ำในช่องเยื่อหุ้มปอดได้
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Thaikerd P, Bhummichitra K, Sanchaisuriya K, Kitcharoen K, Srivorakun H, Khemtonglang N. Serous Fluid Parameters Generated on the Sysmex XN-1000 in Malignant and Non-malignant Samples. J Med Tech Assoc Thailand. 2023;51(1):8422-33 (in thai)
Labaere D, Boeckx N, Geerts I, Moens M, Van den Driessche M. Detection of malignant cells in serous body fluids by counting high-fluorescent cells on the Sysmex XN-2000 hematology analyzer. Int J Lab Hematol. 2015;37(5):715-22.
Wong-Arteta J, Gil-Rodriguez E, Cabezon-Vicente R, Bereciartua-Urbieta E, Bujanda L. High fluorescence cell count in pleural fluids for malignant effusion screening. Clin Chim Acta. 2019;499:115-7.
Buoro S, Mecca T, Azzara G, Seghezzi M, Candiago E, Gianatti A, et al. Mindray BC-6800 body fluid mode, performance of nucleated cells, and differential count in ascitic and pleural fluids. Int J Lab Hematol. 2016;38(1):90-101.
Rastogi L, Dass J, Arya V, Kotwal J. Evaluation of high-fluorescence body fluid (HF-BF) parameter as a screening tool of malignancy in body fluids. Indian J Pathol Microbiol. 2019;62(4):572-7.
Xu W, Yu Q, Xie L, Chen B, Zhang L. Evaluation of Sysmex XN-1000 hematology analyzer for cell count and screening of malignant cells of serous cavity effusion. Medicine (Baltimore). 2017;96(27):e7433.
Chian CF, Wu FP, Tsai CL, Peng CK, Shen CH, Perng WC, et al. Echogenic swirling pattern, carcinoembryonic antigen, and lactate dehydrogenase in the diagnosis of malignant pleural effusion. Sci Rep. 2022;12(1):4077.
Ai T, Tabe Y, Takemura H, Kimura K, Takahashi T, Yang H, et al. Novel flowcytometry-based approach of malignant cell detection in body fluids using an automated hematology analyzer. PLoS One. 2018;13(2):e0190886.
Zhang H, Li C, Hu F, Zhang X, Shen Y, Chen Y, et al. Auxiliary diagnostic value of tumor biomarkers in pleural fluid for lung cancer-associated malignant pleural effusion. Respir Res. 2020;21(1):284.
Li H, Huang L, Tang H, Zhong N, He J. Pleural fluid carcinoembryonic antigen as a biomarker for the discrimination of tumor-related pleural effusion. Clin Respir J. 2017;11(6):881-6.
Radjenovic-Petkovic T, Pejcic T, Nastasijević-Borovac D, Rancic M, Radojkovic D, Radojkovic M, et al. Diagnostic value of CEA in pleural fluid for differential diagnosis of benign and malign pleural effusion. Med Arh. 2009;63:141-2.
Palwisut P. Improving decision tree technique in imbalanced data sets using SMOTE for internet addiction disorder data. Information Technology Journal. 2016;12(1):54-63(in thai).
Pongsanguan W, Thinsungnoen T, Thinsungnoen M. Development of model for diabetes mellitus using decision tree technique. Journal of Science and Technology, Rajabhat Maha Sarakham University. 2018;1(1):1-8.
Makond B, Pornsawad P, Thawnashom K. Decision Tree Modeling for Osteoporosis Screening in Postmenopausal Thai Women. Informatics. 2022;9(4):83.
Banluesapy S, Jirapanthong W. Towards machine learning algorithm for screening prediction of COVID-19 patients. JOURNAL OF INFORMATION SCIENCE AND TECHNOLOGY. 2022;12(1):47-60.
Giotta M, Trerotoli P, Palmieri VO, Passerini F, Portincasa P, Dargenio I, et al. Application of a decision tree model to predict the outcome of non-intensive inpatients hospitalized for COVID-19. Int J Environ Res Public Health. 2022;19(20).
Feng M, Zhu J, Liang L, Zeng N, Wu Y, Wan C, et al. Diagnostic value of tumor markers for lung adenocarcinoma-associated malignant pleural effusion: a validation study and meta-analysis. Int J Clin Oncol. 2017;22(2):283-90.
Cho YU, Chi HS, Park SH, Jang S, Kim YJ, Park CJ. Body fluid cellular analysis using the Sysmex XN-2000 automatic hematology analyzer: focusing on malignant samples. Int J Lab Hematol. 2015;37(3):346-56.
Tanwarawutthikul P. Optimum and effectiveness of adenosine deaminase level for pleural tuberculosis screening. Journal of Medical and Public Health Region 4. 2023;13(3):45-58.
