การพัฒนาระบบโครงข่ายประสาทเทียมแบบ Convolution เพื่อระบุเอกลักษณ์เม็ดยาสามัญประจำบ้าน

งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบโครงข่ายประสาทเทียมแบบคอนโวลูชัน (Deep Convolutional Neural Networks - CNNs) สำหรับการระบุเม็ดยาอย่างแม่นยำ เพื่อแก้ไขข้อจำกัดของการพิสูจน์เอกลักษณ์เม็ดยาด้วยทรัพยากรมนุษย์ โดยใช้ข้อมูลรูปภาพจำนวน 1,250 ภาพ จากยาสามัญประจำบ้าน 10 ชนิด นำมาทดสอบกับโมเดล YOLO ที่แตกต่างกันภายใต้เงื่อนไขต่างๆ ผลการทดลองพบว่า การใช้แสงธรรมชาติให้ผลดีกว่าเมื่อทดสอบด้วยระบบโครงข่ายประสาทเทียมแบบคอนโวลูชัน เมื่อเปรียบเทียบกับแสงจากกล่องสตูดิโอ นอกจากนี้ โมเดล YOLOv5-tiny แสดงความแม่นยำสูงสุดในการตรวจจับเม็ดยา ขณะที่โมเดล EfficientNet_b0 ให้ผลลัพธ์ดีที่สุดในการจำแนกเม็ดยา แม้ว่าระบบโครงข่ายประสาทเทียมแบบคอนโวลูชันที่พัฒนาขึ้นนี้จะให้ผลลัพธ์ที่น่าพึงพอใจ แต่ยังมีข้อจำกัดในเรื่องชนิดของเม็ดยาและจำนวนภาพที่ใช้ในการศึกษา อย่างไรก็ตาม งานวิจัยนี้มีศักยภาพในการส่งเสริมความปลอดภัยในการใช้ยาทั้งในระบบสาธารณสุขและผู้ป่วยนอก รวมถึงลดปัญหาที่อาจเกิดขึ้นจากการใช้ยาผิดพลาด

The increasing complexity of pharmaceutical treatments requires precise pill identification to ensure patient safety. Traditional methods for pill reconciliation rely on human experts, which are time-consuming and prone to errors. Deep Convolutional Neural Networks (CNNs), particularly effective in image processing, offer a promising solution for automating and enhancing these processes.