HOME  ⁄  Ekonomi

UMY Kembangkan Lima Prototipe AI untuk Bantu Deteksi Limfoma hingga Tumor Otak

Oleh Ahmad Yusuf
SHARE   :

UMY Kembangkan Lima Prototipe AI untuk Bantu Deteksi Limfoma hingga Tumor Otak
Foto: (Sumber :​Guru Besar UMY bidang Kecerdasan Buatan Terapan Prof Slamet Riyadi (jas hitam) dalam The 10th International Conference on Sustainable Innovation (ICoSI) UMY di Yogyakarta, Rabu. ANTARA/HO-Humas UMY.)

Pantau - Universitas Muhammadiyah Yogyakarta (UMY) mengembangkan lima prototipe kecerdasan buatan atau Artificial Intelligence (AI) yang dirancang untuk membantu mendeteksi berbagai penyakit, mulai dari limfoma maligna hingga tumor otak.

Lima Prototipe AI Dikembangkan untuk Berbagai Penyakit

Guru Besar UMY bidang Kecerdasan Buatan Terapan Prof Slamet Riyadi mengatakan lima prototipe tersebut meliputi LymphoScan, myStressD, BrainDetect, myHeartD v3, dan myDBT-Enhance.

“Aplikasi-aplikasi ini dirancang sebagai alat bantu dan bukan sebagai pengganti evaluasi profesional dari praktisi kesehatan,” ungkap Slamet.

Ia menjelaskan LymphoScan merupakan aplikasi berbasis web yang mampu menganalisis citra mikroskopis untuk mendeteksi jenis limfoma maligna, termasuk Chronic Lymphocytic Leukemia (CLL), Follicular Lymphoma (FL), dan Mantle Cell Lymphoma (MCL).

BrainDetect dikembangkan untuk mengklasifikasikan jenis tumor otak dari citra Magnetic Resonance Imaging (MRI) beserta skor keyakinan prediksi.

Sementara itu, myDBT-Enhance berfungsi meningkatkan kualitas citra mamografi guna mendukung skrining kanker payudara.

Dua prototipe lainnya, yakni myStressD dan myHeartD v3, masing-masing digunakan untuk mendeteksi tingkat stres melalui citra wajah serta memperkirakan risiko penyakit jantung koroner berdasarkan data kuesioner pasien.

Telah Terdaftar Hak Cipta dan Diuji di Laboratorium

Slamet menyebut seluruh prototipe telah terdaftar hak ciptanya dan menjalani pengujian di laboratorium dengan tingkat akurasi yang tinggi.

Ia menjelaskan pengembangan model AI tersebut memanfaatkan arsitektur Convolutional Neural Network (CNN), VGG, hingga EfficientNet untuk pemrosesan citra.

Model tersebut juga dilengkapi teknik explainability seperti Grad-CAM dan LIME agar proses di balik hasil prediksi dapat ditelusuri oleh tenaga medis.

“Model yang lebih akurat tidak selalu berarti layanan yang lebih baik. Penerapannya juga bergantung pada kecepatan, memori, dan konteks penggunaan,” ujarnya.

Menurut Slamet, evaluasi model AI di bidang kesehatan tidak cukup hanya mengandalkan tingkat akurasi, tetapi juga harus mempertimbangkan dampak operasional dan klinis sebelum diterapkan dalam layanan kesehatan.

Ia menambahkan riset yang mendasari pengembangan lima prototipe tersebut mencakup empat kategori utama, yakni pencitraan dada dan pernapasan, risiko kardiovaskular dan metabolik, pencitraan kanker, serta kesehatan mental dan biosignal.

Penulis :
Ahmad Yusuf