29 Jan 2019 Gakken Editorial

Kecerdasan Buatan untuk Skrining Kanker Serviks

Kaitan Artifisial Inteligence dan dunia kesehatan, semakin hari semakin erat. Penelitian terbaru yang dipimpin oleh National Institutes of Health dan Global Good mengembangkan algoritma computer untuk kanker serviks. Algoritma tersebut menganalisis gambar digital serviks dan mengidentifikasi perubahan pre-kanker secara akurat. Pendekatan kecerdasan buatan (AI) ini, yang disebut evaluasi visual otomatis, memiliki potensi untuk merevolusi skrining kanker serviks.

Untuk mengembangkan metode ini, para peneliti menggunakan set data yang komprehensif untuk "melatih" algoritma pembelajaran yang mendalam untuk mengenali pola dalam input visual yang kompleks, seperti gambar medis.

Pendekatan itu dibuat secara kolaboratif oleh para peneliti di National Cancer Institute (NCI) dan Global Good, sebuah proyek dari Intelektual Ventures, dan temuan itu dikonfirmasi secara independen oleh para ahli di National Library of Medicine (NLM). Hasilnya muncul dalam Jurnal Institut Kanker Nasional pada 10 Januari 2019. NCI dan NLM adalah bagian dari NIH.

"Temuan kami menunjukkan bahwa algoritma pembelajaran yang mendalam dapat menggunakan gambar yang dikumpulkan selama skrining kanker serviks rutin untuk mengidentifikasi perubahan prekanker yang, jika tidak diobati, dapat berkembang menjadi kanker," kata Mark Schiffman, MD, MPH, Divisi Epidemiologi dan Genetika Kanker NCI.

Ia melanjutkan,"Faktanya, analisis komputer dari gambar-gambar itu lebih baik dalam mengidentifikasi prekanker daripada seorang ahli resensi manusia dari tes Pap di bawah mikroskop (sitologi)."

Metode baru memiliki potensi untuk menjadi nilai tertentu di pengaturan sumber daya rendah. Petugas kesehatan dalam pengaturan tersebut saat ini menggunakan metode penyaringan yang disebut inspeksi visual dengan asam asetat (VIA). Dalam pendekatan ini, seorang petugas kesehatan menggunakan asam asetat encer ke serviks dan memeriksa serviks dengan mata telanjang, mencari "pemutihan aseto," yang mengindikasikan kemungkinan penyakit. Karena kemudahan dan biaya yang rendah, VIA digunakan secara luas di mana metode penyaringan yang lebih maju tidak tersedia. Namun, seperti diketahui, metode tersebut tidak akurat dan perlu ditingkatkan.

Evaluasi visual otomatis juga mudah dilakukan. Petugas kesehatan dapat menggunakan ponsel atau perangkat kamera serupa untuk skrining dan perawatan serviks selama kunjungan tunggal. Selain itu, pendekatan ini dapat dilakukan dengan pelatihan singkat, sehingga ideal untuk negara-negara dengan sumber daya perawatan kesehatan yang terbatas, di mana kanker serviks merupakan penyebab utama penyakit dan kematian di kalangan wanita.

Untuk membuat algoritma, tim peneliti menggunakan lebih dari 60.000 gambar serviks dari arsip foto NCI yang dikumpulkan selama studi skrining kanker serviks yang dilakukan di Kosta Rika pada 1990-an. Lebih dari 9,400 wanita berpartisipasi dalam studi populasi tersebut, dengan tindak lanjut yang berlangsung hingga 18 tahun. Karena sifat penelitian yang prospektif, para peneliti memperoleh informasi yang hampir lengkap tentang perubahan serviks yang menjadi pemicu dan mana yang tidak.

Foto-foto tersebut didigitalkan dan kemudian digunakan untuk melatih algoritma deep-learning sehingga dapat membedakan kondisi serviks yang membutuhkan perawatan dari yang tidak membutuhkan perawatan.

Secara keseluruhan, algoritma ini bekerja lebih baik daripada semua tes skrining standar dalam memprediksi semua kasus yang didiagnosis selama penelitian di Kosta Rika. Evaluasi visual otomatis mengidentifikasi prakanker dengan akurasi yang lebih besar (AUC = 0,91) daripada ulasan pakar manusia (AUC = 0,69) atau sitologi konvensional (AUC = 0,71). AUC 0,5 menunjukkan tes yang tidak lebih baik daripada kebetulan, sedangkan AUC 1,0 menunjukkan tes dengan akurasi sempurna dalam mengidentifikasi penyakit.

"Ketika algoritma ini dikombinasikan dengan kemajuan dalam vaksinasi HPV, teknologi pendeteksian HPV yang muncul, dan peningkatan dalam pengobatan, dapat dibayangkan bahwa kanker serviks dapat dikendalikan, bahkan dalam pengaturan sumber daya rendah," kata Maurizio Vecchione, wakil presiden eksekutif dari Global Good.

Para peneliti berencana untuk lebih lanjut melatih algoritma pada sampel gambar representatif dari serviks serviks dan jaringan serviks normal dari wanita di komunitas di seluruh dunia, menggunakan berbagai kamera dan opsi pencitraan lainnya. Langkah ini diperlukan karena variasi halus dalam penampilan serviks di antara wanita di wilayah geografis yang berbeda. Tujuan akhir dari proyek ini adalah untuk menciptakan algoritma terbaik untuk penggunaan secara umum dan terbuka bagi siapa saja.

Sumber --  DOI: 10.1093/jnci/djy225

Penyakit Berita Riset dan Terobosan Genetika


29 Jan 2019 Gakken Editorial