RADAR SURABAYA – Pemanfaatan kecerdasan buatan (artificial intelligence/AI) untuk mendukung layanan kesehatan terus berkembang.
Salah satunya melalui pengembangan PulmoCheckAI, sebuah prototipe sistem berbasis deep learning yang dirancang untuk memprediksi penyakit paru-paru berdasarkan citra X-ray dada.
Penelitian PulmoCheckAI dikembangkan dengan pendekatan Convolutional Neural Network (CNN) dan Vision Transformer (ViT). Sistem tersebut dirancang untuk mengklasifikasikan citra X-ray ke dalam empat kategori, yakni Normal, Tuberkulosis, Pneumonia, dan COVID-19.
Penelitian ini melibatkan Tessy Badriyah, S.Kom, M.T, Ph.D, dosen Politeknik Elektronika Negeri Surabaya (PENS), yang memiliki rekam jejak penelitian di bidang informatika kesehatan dan machine learning.
Publikasi sebelumnya bersama tim juga membahas pemanfaatan CNN untuk mendeteksi tuberkulosis berdasarkan citra X-ray paru-paru.
PulmoCheckAI Bandingkan CNN dan Vision Transformer
Salah satu aspek utama dalam pengembangan PulmoCheckAI adalah membandingkan dua pendekatan deep learning untuk melihat kemampuan masing-masing dalam mengolah citra medis.
Baca Juga: Komplotan Jambret di Surabaya Pernah Dapat Rp 40 Juta, Dua Orang Ditetapkan DPO
CNN memiliki kemampuan dalam mengekstraksi fitur lokal dari gambar.
Dalam citra X-ray, pendekatan tersebut dapat digunakan untuk mempelajari pola visual seperti garis, tekstur, bentuk, perubahan intensitas, hingga area tertentu pada paru-paru.
Sementara itu, Vision Transformer menggunakan mekanisme self-attention untuk memahami hubungan antarbagiannya dalam citra.
Citra terlebih dahulu dibagi menjadi sejumlah patch. Setiap patch kemudian diubah menjadi representasi atau token sebelum diproses melalui lapisan Transformer.
Perbedaan karakteristik tersebut menjadi dasar dilakukannya evaluasi komparatif antara CNN dan ViT dalam satu kerangka klasifikasi.
“PulmoCheckAI dikembangkan untuk mengevaluasi dua pendekatan deep learning, yaitu CNN yang kuat dalam menangkap fitur lokal dan Vision Transformer yang mampu mempelajari hubungan global pada citra.
Perbandingan keduanya diharapkan memberikan gambaran model yang lebih sesuai untuk klasifikasi citra X-ray paru-paru.”, jelas Tessy Badriyah.
ResNet Jadi Pendekatan CNN
Dalam rancangan PulmoCheckAI, pendekatan CNN direpresentasikan melalui arsitektur ResNet.
ResNet atau Residual Network memiliki mekanisme residual learning yang memungkinkan jaringan membangun arsitektur lebih dalam melalui skip connection.
Mekanisme tersebut memungkinkan informasi dari lapisan sebelumnya diteruskan ke bagian berikutnya sehingga proses pembelajaran dapat berlangsung secara lebih stabil.
Salah satu arsitektur yang digunakan adalah ResNet-18. Arsitektur ini terdiri atas lapisan konvolusi awal, max pooling, beberapa kelompok residual block, serta bagian akhir untuk melakukan klasifikasi.
Fitur yang diperoleh dari citra kemudian digunakan untuk menghasilkan prediksi terhadap kategori penyakit yang telah ditentukan.
AI PulmoCheckAI Klasifikasikan Empat Kategori
PulmoCheckAI dirancang untuk melakukan klasifikasi terhadap empat kategori citra X-ray, yaitu:
- Normal
- Tuberkulosis
- Pneumonia
- COVID-19
Dataset yang digunakan dalam penelitian dibagi menjadi data latih dan data uji.
Pembagian tersebut dilakukan untuk menguji kemampuan model ketika menghadapi data yang tidak digunakan selama proses pelatihan.
Penggunaan data uji menjadi bagian penting untuk melihat kemampuan generalisasi model.
Baca Juga: Polwan Garda Terdepan, Kompol Siska Arisandi Torehkan Prestasi Gemilang di Ajang Kapolri Cup 2026
Penelitian Tessy Badriyah sebelumnya juga telah mengembangkan kajian mengenai deteksi tuberkulosis menggunakan CNN berbasis citra X-ray.
Studi tersebut menyoroti pentingnya pengolahan citra dan efisiensi proses pelatihan dalam pengembangan sistem deteksi berbasis AI.
PulmoCheckAI Dikembangkan Berbasis Website
PulmoCheckAI tidak hanya dikembangkan sebagai model AI, tetapi juga dirancang dalam bentuk aplikasi berbasis website.
Arsitektur sistem terdiri atas tiga komponen utama, yakni client atau website, server, dan modul klasifikasi deep learning.
Pengguna dapat mengakses sistem melalui peramban kemudian mengunggah citra X-ray dada.
Setelah gambar diterima, server melakukan validasi dan menyiapkan citra sebelum diteruskan ke model klasifikasi.
Server dikembangkan menggunakan bahasa pemrograman Python dan framework Flask. Komponen ini berfungsi menghubungkan antarmuka pengguna dengan model CNN/ResNet dan ViT.
Baca Juga: Infrastruktur Jalan Prioritas Utama, Betonisasi Jalan Lingkar Timur Sidoarjo Berlanjut
Setelah proses klasifikasi selesai, hasil prediksi dikirim kembali ke website untuk ditampilkan kepada pengguna.
Hasil CNN dan ViT Dapat Dibandingkan
Salah satu fitur utama sistem adalah kemampuan menampilkan hasil dari dua model secara terpisah.
Pengguna dapat melihat hasil klasifikasi CNN/ResNet dan ViT, kemudian membandingkan performa kedua pendekatan tersebut.
Sistem juga dirancang menampilkan nilai probabilitas atau confidence score dari hasil prediksi.
Dengan pendekatan tersebut, penelitian tidak hanya berfokus pada pertanyaan apakah sistem dapat melakukan klasifikasi, tetapi juga bagaimana performa masing-masing arsitektur ketika digunakan pada data yang sama.
Dilengkapi Fitur Data Pasien
PulmoCheckAI juga dirancang memiliki fitur manajemen data pasien.
Pengguna harus melakukan login sebelum mengakses fitur sistem. Hak akses kemudian disesuaikan dengan peran pengguna.
Dokter dapat mengakses data pasien, melihat riwayat klasifikasi, serta memberikan catatan atau validasi terhadap hasil prediksi model.
Sementara itu, pasien hanya dapat mengakses informasi pribadi dan riwayat klasifikasi miliknya sendiri.
Hasil klasifikasi juga dapat disimpan ke dalam basis data sehingga dapat ditinjau kembali sesuai dengan hak akses yang diberikan.
Dokter Bisa Memberikan Validasi
Pengembangan PulmoCheckAI tidak sepenuhnya menyerahkan proses interpretasi kepada kecerdasan buatan.
Sistem menyediakan fitur validasi dokter yang memungkinkan tenaga medis memberikan catatan atau interpretasi terhadap hasil klasifikasi.
Dengan demikian, terdapat dua informasi yang dapat dibandingkan, yaitu hasil prediksi model dan validasi dokter.
Pendekatan tersebut menjadi penting karena hasil AI dalam konteks medis perlu ditempatkan sebagai alat bantu dan bukan sebagai pengganti keputusan klinis tenaga kesehatan.
“Kami menempatkan hasil klasifikasi model sebagai informasi pendukung. Validasi dokter tetap diperlukan agar hasil yang diberikan sistem dapat ditempatkan dalam konteks pemeriksaan dan interpretasi medis.”, tambah Tessy Badriyah.
Performa AI Diukur dengan Lima Metrik
Untuk mengetahui kemampuan model, penelitian PulmoCheckAI menggunakan sejumlah metrik evaluasi.
Lima metrik yang digunakan adalah:
1. Confusion matrix;
2. Accuracy;
3. Precision;
4. Recall atau sensitivity; dan
5. F1-score.
Confusion matrix digunakan untuk melihat jumlah prediksi yang benar dan salah pada setiap kategori.
Sementara itu, accuracy mengukur proporsi prediksi yang benar dari seluruh data uji.
Precision menunjukkan tingkat ketepatan prediksi suatu kelas, sedangkan recall menunjukkan kemampuan model dalam menemukan data yang benar-benar termasuk dalam suatu kelas.
Adapun F1-score digunakan untuk menyeimbangkan precision dan recall.
Penggunaan berbagai metrik tersebut penting karena akurasi saja belum tentu menggambarkan kemampuan model secara menyeluruh, terutama jika jumlah data pada masing-masing kategori tidak seimbang.
Bukan Sekadar Alat Prediksi
Selain melakukan klasifikasi, PulmoCheckAI juga menyediakan halaman informasi mengenai jenis penyakit paru-paru yang dapat dikenali sistem.
Pengguna dapat melihat contoh citra X-ray berdasarkan kategori penyakit. Setiap varian dilengkapi halaman detail yang memberikan informasi mengenai karakteristik visual citra.
Fitur tersebut membuat PulmoCheckAI tidak hanya diarahkan untuk menghasilkan prediksi, tetapi juga mendukung aspek edukasi mengenai citra X-ray dan karakteristik penyakit paru-paru.
“Kami ingin sistem tidak berhenti pada keluaran berupa label penyakit. Informasi mengenai karakteristik citra juga dapat menjadi bagian dari fungsi edukasi dan membantu pengguna memahami bagaimana sistem melakukan klasifikasi.” tegasnya.
PulmoCheckAI Dorong Pemanfaatan AI di Bidang Kesehatan
Pengembangan PulmoCheckAI menjadi bagian dari upaya mengeksplorasi pemanfaatan deep learning dalam bidang kesehatan, khususnya analisis citra medis.
Tessy Badriyah sendiri memiliki bidang penelitian yang mencakup health informatics, machine learning, klasifikasi, knowledge discovery, serta sistem kesehatan berbasis data.
Profil SINTA mencatat sejumlah publikasinya yang berkaitan dengan informatika kesehatan dan kecerdasan buatan.
Penelitian sebelumnya mengenai deteksi tuberkulosis berbasis citra X-ray yang melibatkan Tessy Badriyah juga telah dipublikasikan dalam Applied Technology and Computing Science Journal pada 2024.
Pengembangan PulmoCheckAI selanjutnya dapat diarahkan pada pengujian dengan dataset yang lebih beragam, peningkatan performa model, serta validasi lebih lanjut menggunakan data yang representatif.
Dengan pengembangan tersebut, teknologi AI diharapkan dapat semakin matang sebagai alat bantu dalam analisis citra medis.
Namun, dalam penerapannya pada layanan kesehatan, hasil prediksi PulmoCheckAI tetap perlu dipandang sebagai alat pendukung keputusan, bukan sebagai pengganti diagnosis dan penilaian klinis dokter.(rak)
Editor : Rahmat Adhy Kurniawan