จำนวนการตรวจด้วยคลื่นสนามแม่เหล็กไฟฟ้า (MRI) ที่เพิ่มสูงขึ้นอาจนำไปสู่ความล่าช้าหรือการวินิจฉัยตกหล่นในพยาธิสภาพสมองที่สำคัญ เช่น เนื้องอกสมองชนิดไฮเกรดกลิโอมา (high-grade gliomas: HGG) ทั้งนี้ สามารถนำวิธีการทางปัญญาประดิษฐ์มาประยุกต์ใช้ในการวิเคราะห์ข้อมูลปริมาณมาก เช่น ข้อมูลการตรวจ MRI สมองได้ ในการศึกษานี้ ผู้วิจัยมีวัตถุประสงค์เพื่อนำเสนอโครงข่ายประสาทแบบคอนโวลูชัน (convolutional neural network: CNN) สำหรับการตรวจจับ HGG โดยอัตโนมัติบนภาพ MRI ชนิด T2-weighted มีการใช้ภาพรวมทั้งสิ้น 3,580 ภาพที่ได้จากกลุ่มตัวอย่าง 179 ราย สำหรับการฝึกสอนและตรวจสอบความถูกต้องของแบบจำลอง ภายหลังจากการหมุนภาพแบบสุ่มและการพลิกภาพในแนวตั้ง ข้อมูลการฝึกสอนได้รับการเพิ่มพูนข้อมูล (data augmentation) ขึ้น 10 เท่าในแต่ละรอบการประมวลผล และเพื่อเพิ่มความเร็วในการประมวลผลข้อมูล ภาพทุกภาพได้รับการแปลงเป็นไฟล์ JPEG ที่มีความละเอียด 320x320 พิกเซล โดยมีการคำนวณอัตราความถูกต้อง (accuracy) ความแม่นยำ (precision) และความไว (recall) หลังจากการฝึกสอนอัลกอริทึม ผลลัพธ์ภายหลังการฝึกสอนพบว่า CNN มีประสิทธิภาพในระดับที่ยอมรับได้ โดยมีค่าความถูกต้องอยู่ที่ 0.854 ถึง 0.944 ค่าความแม่นยำอยู่ที่ 0.812 ถึง 0.980 และค่าความไวอยู่ที่ 0.738 ถึง 0.907 นอกจากนี้ CNN ยังสามารถตรวจพบกรณีของ HGG ได้แม้จะไม่ปรากฏรอยโรคชนิดก้อนเนื้องอกอย่างชัดเจนในภาพก็ตาม ข้อค้นพบเบื้องต้นนี้แสดงให้เห็นว่า แบบจำลอง CNN ที่นำเสนอในปัจจุบันให้ผลลัพธ์ด้านประสิทธิภาพในระดับที่ยอมรับได้สำหรับการตรวจจับ HGG แบบอัตโนมัติบนภาพ MRI ชนิด T2-weighted

磁共振成像（MRI）检查数量的日益增加，可能导致高级别胶质瘤（HGG）等重大脑部病变的延误诊断或漏诊。人工智能方法可应用于分析脑部MRI检查等海量数据。本研究旨在提出一种卷积神经网络（CNN），用于在T2加权MRI图像上自动检测HGG。本研究共使用来自179名受试者的3580幅图像进行训练与验证。经随机旋转和垂直翻转后，训练数据在每次迭代中扩增了10倍。为提高数据处理速度，每幅图像均被转换为分辨率为320×320的Jpeg图像。算法训练完成后，计算了准确率、精确率和召回率。训练结果显示，该CNN取得了令人满意的性能指标：准确率为0.854至0.944，精确率为0.812至0.980，召回率为0.738至0.907。此外，即使在图像中未见明显占位性病变的情况下，该CNN仍能检测出HGG病例。我们的初步研究结果表明，本研究所提出的CNN模型在T2加权图像的HGG自动检测中表现出了良好的性能。