Universitas Muhammadiyah Yogyakarta (UMY) telah mengembangkan lima prototipe berbasis kecerdasan buatan (AI) untuk membantu proses deteksi berbagai penyakit, seperti limfoma maligna, tumor otak, kanker payudara, penyakit jantung koroner, dan kondisi stres. Inovasi ini diperkenalkan dalam The 10th International Conference on Sustainable Innovation (ICoSI) yang berlangsung di Yogyakarta pada hari Rabu.
Prof Slamet Riyadi, Guru Besar UMY di bidang Kecerdasan Buatan Terapan, menjelaskan bahwa kelima prototipe tersebut adalah LymphoScan, myStressD, BrainDetect, myHeartD v3, dan myDBT-Enhance. Ia menekankan bahwa aplikasi-aplikasi ini dirancang sebagai alat bantu bagi tenaga kesehatan, bukan sebagai pengganti evaluasi profesional.
Detail Prototipe AI untuk Diagnosis Medis
Masing-masing prototipe dikembangkan untuk mendukung diagnosis dan skrining penyakit tertentu dengan pendekatan teknologi AI. LymphoScan adalah aplikasi berbasis web yang dapat menganalisis citra mikroskopis untuk mendeteksi jenis limfoma maligna, termasuk Chronic Lymphocytic Leukemia (CLL), Follicular Lymphoma (FL), dan Mantle Cell Lymphoma (MCL).
Sementara itu, BrainDetect dirancang untuk mengklasifikasikan jenis tumor otak melalui citra Magnetic Resonance Imaging (MRI) dan dilengkapi dengan skor tingkat keyakinan terhadap hasil prediksi. myDBT-Enhance fokus pada peningkatan kualitas citra mamografi untuk mendukung proses skrining kanker payudara agar hasil pencitraan lebih optimal.
Untuk deteksi penyakit non-kanker, UMY menghadirkan myStressD yang dapat mengidentifikasi kondisi stres seseorang melalui analisis citra wajah pada perangkat seluler. Selain itu, myHeartD v3 dikembangkan untuk memperkirakan risiko penyakit jantung koroner berdasarkan data kuesioner pasien.
Keakuratan dan Pengujian Prototipe
Prof Slamet mengungkapkan bahwa seluruh prototipe telah mendapatkan perlindungan hak cipta dan telah menjalani pengujian laboratorium dengan tingkat akurasi yang tinggi. Pengembangan model AI ini memanfaatkan berbagai arsitektur pembelajaran mesin, termasuk Convolutional Neural Network (CNN), VGG, dan EfficientNet untuk pemrosesan citra medis.
Selain itu, sistem ini juga dilengkapi dengan teknologi Grad-CAM dan LIME sebagai metode explainability, sehingga proses pengambilan keputusan AI dapat dipahami oleh tenaga medis. Ia menekankan bahwa model yang lebih akurat tidak selalu menjamin layanan yang lebih baik, karena penerapannya juga tergantung pada kecepatan, memori, dan konteks penggunaan.
Prof Slamet menegaskan bahwa penerapan AI dalam bidang kesehatan tidak hanya dapat dinilai dari tingkat akurasi model, tetapi juga harus mempertimbangkan aspek operasional dan dampak klinis sebelum teknologi ini diterapkan dalam layanan kesehatan sehari-hari. Riset yang mendasari pengembangan kelima prototipe ini mencakup empat kategori utama, yaitu pencitraan dada dan pernapasan, risiko kardiovaskular dan metabolik, pencitraan kanker, serta kesehatan mental dan biosignal.
Dengan pendekatan ini, UMY berupaya menghadirkan teknologi AI yang tidak hanya memiliki performa tinggi di laboratorium, tetapi juga relevan untuk mendukung kebutuhan layanan kesehatan di masa mendatang.
