Deep Learning Classification of Urine Crystal Images  using Convolutional Neural Networks

รณรงค์ แก้วประเสริฐ

ผู้แต่ง

รณรงค์ แก้วประเสริฐ โรงพยาบาลศรีสังวรสุโขทัย

คำสำคัญ:

การเรียนรู้เชิงลึก, โครงข่ายประสาทเทียมแบบคอนโวลูชัน, การจำแนกชนิดผลึกในปัสสาวะ, การตรวจปัสสาวะ

บทคัดย่อ

ความเป็นมา: การวิเคราะห์ปัสสาวะเป็นการตรวจพื้นฐานที่สำคัญของการคัดกรองทางห้องปฏิบัติการทางการแพทย์ แม้ปัจจุบันจะมีเครื่องวิเคราะห์อัตโนมัติถูกนำมาใช้อย่างแพร่หลาย แต่การจำแนกประเภทตะกอนปัสสาวะด้วยกล้องจุลทรรศน์โดยผู้เชี่ยวชาญยังคงเป็นวิธีมาตรฐานหลัก อย่างไรก็ตาม กระบวนการดังกล่าวต้องใช้เวลามากและอาจเกิดความผิดพลาดระหว่างผู้ปฏิบัติงาน (Inter-observer variability) งานวิจัยนี้จึงมุ่งแก้ไขข้อจำกัดดังกล่าวโดยการพัฒนาระบบจำแนกผลึกในตะกอนปัสสาวะแบบอัตโนมัติด้วยเทคนิคการเรียนรู้เชิงลึก (Deep Learning)

วัตถุประสงค์: วัตถุประสงค์หลักคือเพื่อพัฒนาระบบจำแนกประเภทผลึกในตะกอนปัสสาวะอัตโนมัติที่มีความแม่นยำสูงด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชัน (Convolutional Neural Network: CNN) และวัตถุประสงค์รองคือการประยุกต์ใช้โมเดลบนแบบเว็บแอปพลิเคชันแบบเรียลไทม์ เพื่อช่วยลดความผิดพลาดในการรายงานผลและเพิ่มประสิทธิภาพในการปฏิบัติงานของบุคลากรในห้องปฏิบัติการ

วิธีการศึกษา: การศึกษานี้ใช้ชุดข้อมูลภาพรวม 4,539 ภาพ แบ่งเป็นผลึก 13 ชนิด ได้แก่ อะไซโคลเวียร์ (Acyclovir), บิลิรูบิน (Bilirubin), แคลเซียมคาร์บอเนต (Calcium Carbonate), ลิวซีน (Leucine), แคลเซียมฟอสเฟต (Calcium Phosphate), กรดยูริก (Uric Acid), ทริปเปิลฟอสเฟต (Triple Phosphate), แคลเซียมออกซาเลต (Calcium Oxalate), แอมโมเนียมไบยูเรต (Ammonium Biurate), กรดฮิปปูริก (Hippuric Acid), ไทโรซีน (Tyrosine), ซิสทีน (Cystine) และคอเลสเตอรอล (Cholesterol) โดยแบ่งข้อมูลสำหรับฝึกสอนและทดสอบโมเดล พัฒนาด้วยภาษา Python บน Google Colab ใช้สถาปัตยกรรม Sequential CNN ขนาด 3 เลเยอร์ และพัฒนาเว็บแอปพลิเคชันด้วยเฟรมเวิร์ก FastAPI เพื่อใช้งานในรูปแบบเรียลไทม์

ผลการศึกษา: โมเดลมีความแม่นยำรวม (Overall Accuracy) สูงถึง 92% โดยเฉพาะในคลาส Acyclovir, Hippuric Acid และ Leucine ที่มีค่า F1-score สูงสุดที่ 1.00 นอกจากนี้ Ammonium Biurate และ Cystine มีค่า F1-score อยู่ที่ 0.98 และ 0.92 ตามลำดับ ผลการฝึกฝน 10 รอบ (Epochs) พบว่าค่าความแม่นยำทั้งชุดฝึกสอน (Training) และชุดตรวจสอบ (Validation) สูงกว่า 90% โดยมีค่าการสูญเสีย (Loss) ลดลงอย่างสอดคล้องกัน บ่งชี้ว่าโมเดลมีความสามารถในการเรียนรู้ที่ดีและไม่เกิดปัญหาการเรียนรู้จำเพาะเกินไป (Overfitting)

สรุป: งานวิจัยนี้พิสูจน์ให้เห็นถึงประสิทธิภาพของโมเดล CNN ที่พัฒนาขึ้นในการจำแนกผลึกปัสสาวะได้อย่างแม่นยำ การนำไปใช้งานผ่าน FastAPI เป็นเครื่องมือที่ใช้ได้จริงในห้องปฏิบัติการทางการแพทย์ ช่วย ลดภาระงาน ลดเวลา และลดความผิดพลาดจากดุลยพินิจส่วนบุคคล อีกทั้งยังเป็นเครื่องมือคัดกรองที่รวดเร็วเพื่อเพิ่มมาตรฐานการตรวจวิเคราะห์ปัสสาวะในภาพรวม

เอกสารอ้างอิง

European Confederation of Laboratory Medicine. European urinalysis guidelines. Scand J Clin Lab Invest Suppl. 2000;60(231):1-96.

Becker KS, Marani S, Batra S, Chaker A. Urinalysis: guide for prescribers. Hosp Med Clin. 2016;5(4):554-571.

Li X, Shang J, Li Y, Xu J, Sun J, Zhang S. Deep learning based clinical urine sediment analysis: a pilot study. Biomed Signal Process Control. 2019;52:281-291.

Zhou Z, Xu J, Jiao X, Jin L, Zhao J, Tang Y. Automated identification of urine crystals based on shape features and SVM. J Med Syst. 2017;41(1):12.

Liang Y, Kong G, Pu J, He B, Jin L, Xu J, et al. Urine sediment particle detection using stacked denoising autoencoder and ResNet. IEEE Access. 2018;6:40148-40159.

Zhang M, Li L, Jiao X, Jin L, Zhao J, Tang Y. A multi-scale feature fusion CNN for urine sediment particle classification. Comput Biol Med. 2021;130:104214.

Salehinejad H, Colak E, Dowdell T, Barfett J, Valaee S. Generalization of deep neural networks for medical imaging with overlapping classes. In: Proc IEEE Eng Med Biol Soc (EMBC); 2019.

Smith J, Thomas K, Miller L. Texture and shape-based feature extraction for urinary crystal detection. Pattern Recognit Lett. 2018;105:112-121.

Zhang Y, Zhang L, Qin L, Qin Z, Guo Y, Liu H, et al. Small dataset challenges in automated microscopic diagnosis. J Med Syst. 2020;44(8):143.

Li Y, Zhang L, Qin L, Qin Z, Guo Y, Liu H, et al. Automated throughput enhancement in clinical laboratories via machine learning. J Clin Pathol. 2020;73(5):260-268.

Chen H, Jiao X, Jin L, Zhao J, Tang Y. Limitations of handcrafted features in urine sediment morphology. Biomed Signal Process Control. 2020;58:101845.

Garcia R, Lopez M. High-precision classification of uric acid crystals using Inception-V3. IEEE Trans Med Imaging. 2022;41(8):2105-2118.

Kumar P, Rawat SS, Jain S. Application of ResNet architectures in renal sediment analysis. Comput Biol Med. 2021;135:104612.

Tan L, Wang J, Song Z, Ye C, Feng L, Zhang Y. Ensemble learning for the detection of rare pathological crystals. Artif Intell Med. 2022;124:102231.

Zhao X, Li L, Jiao X, Jin L, Zhao J, Tang Y. Attention-based neural networks for discriminating benign and pathological urine particles. Med Image Anal. 2023;85:102741.

Roboflow. Urine Crystals Dataset [Internet]. San Francisco (CA): Roboflow Universe; 2024 [cited 2026 Mar 10]. Available from: https://universe.roboflow.com

Long J, Wang J, Song Z, Ye C, Feng L, Zhang Y. Optimization of image preprocessing in automated microscopic analysis. J Clin Lab Anal. 2023;37(4):e24810.

Wong TT, Yeh PY. Reliable accuracy estimates of deep learning models in medical imaging with small datasets. Inf Sci. 2020;508:13-36.

Ramos P, Silva A. Deploying deep learning models for real-time pathology using FastAPI and Docker. SoftwareX. 2024;25:101612.

Liang Y, Kong G, Pu J, He B, Jin L, Xu J, et al. Automated identification of urinary particles using deep convolutional neural networks. Comput Biol Med. 2022;142:105198.

Wang L, Zhang L, Qin L, Qin Z, Guo Y, Liu H, et al. Performance of ResNet architectures in automated urinalysis. IEEE Access. 2021;9:112340-112352.

Aris M. Challenges in cross-platform generalization of automated urinalysis systems. J Med Syst. 2026;50(2):45-58.

Brown L. Robustness of AI models in contaminated clinical urine samples. Clin Chem Lab Med. 2026;64(1):112-120.

Choi S, Park J, Kim H, Lee J, Jung S, Moon T. Generalization gaps in deep learning models for urinary sediment analysis. Digit Med Rev. 2025;11(3):201-215.