Members of Learning Innovation Technology Lab

 

 

รณรงค์ แก้วประเสริฐ

Ronnarong Kaewprasert
kaow9kaow@gmail.com

Research Interest:

  • Bloog results Diagnosis
  • Ontology

Selected Published papers:

  • Ronnarong Kaewprasert and Surasak Mungsing. “Adaptive Rule Learning using Ontology and Neural Network for Blood Diagnosis” Engineering Journal of Siam University, Vol.15 (Issue 2), No.29, July – December 2014
  • Ronnarong Kaewprasert and Surasak Mungsing. “Ontology-based Image Retrieval by SPARQL Query for Clinical Laboratory”, Proceeding of the National Conference on Medical Informatics and the Annual Meeting of the Medical Information Association, 2014.
  • รณรงค์ แก้วประเสริฐ ศศิพร อุษณวสิน และ สุรศักดิ์ มังสิงห์. “การพัฒนาออนโทโลยีเพื่อการจัดการความรู้ของห้องปฏิบัติการทางการแพทย์ (Ontology Development for Medical Laboratory Processing Knowledge Management)”, การประชุมระดับชาติด้านเวชสารสนเทศครั้งที่ 2 และการประชุมวิชาการสมาคมเวชสารสนเทศไทย ประจำปี พ.ศ. 2556 (TMI-NCMedInfo 2013), 27-29 พฤศจิกายน 2556.
  Dissertation Title: Medical laboratory ontology based on adaptive neuro-fuzzy rules for blood diagnosis system
  Advisor: ผู้ช่วยศาสตราจารย์ ดร.สุรศักดิ์ มังสิงห์
 

 

บทคัดย่อ

งานวิจัยนี้ได้นำเสนอตัวแบบการตัดสินใจเชิงความหมายสำหรับการวินิจฉัยโรคและความเสี่ยงในการเกิดโรคส่วนบุคคลจากผลการตรวจทางห้องปฏิบัติการทางการแพทย์ตัวแบบพัฒนาเป็นฐานความรู้ออนโทโลจีโดยผสมผสานหลักการของฟัซซีโลจิก และโครงข่ายประสาทเทียมกฎของการตัดสินใจเชิงความหมายแบบฟัซซีได้รับการออกแบบสำหรับข้อมูลนำเข้าผลตรวจเลือด 9 รายการตรวจ และข้อมูลการส่งออกการแปลผลตรวจ 3 ผลลัพธ์ ข้อมูลการนำเข้าประกอบด้วยผลตรวจ FBS, BUN, Creatinine, Uric acid, Cholesterol, Triglyceride, ALP, ALT  แล ะASTและข้อมูลส่งออกเป็นผลของการแปลผลตรวจเลือดทางห้องปฏิบัติการทางการแพทย์ ผลการวินิจฉัยโรค และผลระดับความเสี่ยงในการเกิดโรค กฎฟัซซีของการวินิจฉัยโรคเชิงความหมายมีการเรียนรู้แบบมีผู้สอนแบบโครงข่ายประสาทเทียมโดยใช้ชุดข้อมูลที่ผ่านการตรวจสอบแล้วมาใช้สอนและทดสอบกฎ ในงานวิจัยนี้เราใช้โปรแกรมโปรทีเจเวอร์ชั่น 3.4.4 ในการสร้างออนโทโลจีเพื่อเป็นฐานความรู้ในรูปแบบของ OWL และสร้างกฎเชิงความหมายในรูปแบบภาษา SWRL ที่สามารถอนุมานกฎจากฐานความรู้เชิงความหมายที่สร้างขึ้นได้ ผลการตรวจวินิจฉัยโรคจากผลตรวจเลือด การประเมินประสิทธิภาพความถูกต้องของตัวแบบระบบวินิจฉัยโรคจากผลตรวจเลือดใช้การตรวจสอบแบบไขว้ (10 Fold Cross-Validation) โดยวัดค่าความแม่นยา (Precision) ได้ 98.55 % ค่าความครบถ้วน (Recall) ได้ 99.27 %  และค่าความถ่วงดุล (F-measure) ได้99.07 %

 

 

ABSTRACT

This research proposes a semantic decision making model for providing diagnosis of personalized risk disease in clinical laboratory results. The model presents an ontology basedon adaptive neuro-fuzzy rule for blood diagnosis system. The semantic fuzzy rule was designed with nine input blood resultsand three output interpretations. The input variablesareFBS, BUN, Creatinine, Uric acid, Cholesterol, Triglyceride, ALP, ALT and AST. The output detectedthe laboratory results interpretation such as diagnosis risk levels of disease whichare classified with fuzzy linguistic variable. The data set used neural network modeled to make it appropriate for the supervise training, in diagnostic rule then the initial fuzzy structure was generated as fuzzy if-then rule, the semantic rules base was learned with the set of training data after whichwas tested and validated with the set of testing data.In this paper, we presentedan implementation of this ontology in Protégé 3.4.4 using OWL and SWRL rulethat canbe inferredblood diagnosis resultsfrom an existing semantic knowledge-based with rule inference engine.The efficiency in providing accuracy for blood diagnosis of the proposed model was evaluated by 10 fold cross-validation. Themodel performance result was measured with average 98.55% precision, 99.27% recall and 99.07% F-measure.