Sebuah model kecerdasan buatan baru telah menunjukkan akurasi tinggi dalam mendeteksi dan menguraikan tumor paru-paru pada CT scan, menurut sebuah studi yang diterbitkan dalam Radiology.

Terobosan ini dapat membantu dokter mendiagnosis dan mengobati kanker paru-paru dengan lebih efisien, mengurangi waktu dan upaya yang diperlukan untuk identifikasi tumor secara manual.

Kanker paru-paru adalah kanker paling umum kedua pada pria dan wanita di Amerika Serikat dan tetap menjadi penyebab utama kematian terkait kanker, menurut American Cancer Society.

Mendeteksi dan melacak tumor pada CT scan sangat penting untuk memantau perkembangan kanker, mengevaluasi efektivitas pengobatan, dan merencanakan terapi radiasi.

Saat ini, proses ini membutuhkan ahli radiologi yang terampil untuk mengidentifikasi dan menguraikan tumor paru-paru secara manual, tugas yang memakan waktu yang bervariasi dari satu dokter ke dokter lainnya.

Model pembelajaran mendalam bertenaga AI telah diperkenalkan untuk membantu dalam deteksi tumor.

Tetapi model sebelumnya mengalami kesulitan karena kumpulan data yang kecil, ketergantungan pada penyesuaian manual, dan keterbatasan dalam mengelompokkan beberapa tumor.

Untuk mengatasi masalah ini, para peneliti mengembangkan model pembelajaran mendalam yang lebih canggih yang dilatih pada salah satu kumpulan data terbesar CT scan kanker paru-paru yang pernah digunakan untuk jenis penelitian ini.

Penelitian yang dipimpin oleh Dr. Mehr Kashyap dari Fakultas Kedokteran Universitas Stanford ini menggunakan 1.504 CT scan dengan 1.828 tumor paru-paru yang tersegmentasi untuk melatih model pembelajaran mendalam yang dikenal sebagai 3D U-Net.

Model tersebut kemudian diuji pada 150 CT scan, membandingkan identifikasi tumornya dengan hasil dari dokter manusia.

Tujuannya adalah untuk menentukan apakah AI dapat menyamai atau bahkan meningkatkan akurasi ahli radiologi.

Hasilnya menjanjikan. Model tersebut mengidentifikasi tumor paru-paru dengan benar pada 92% kasus dan memiliki tingkat spesifisitas 82%, yang berarti model tersebut bagus dalam menghindari hasil positif palsu.

Ketika membandingkan seberapa baik AI dan dokter menguraikan tumor, akurasi model tersebut sangat mendekati kinerja manusia.

Untuk 100 pemindaian yang masing-masing berisi satu tumor paru, segmentasi AI 77% mirip dengan garis besar yang digambar dokter, sementara perbandingan dokter-ke-dokteran mencapai 80% kesamaan.

Ini menunjukkan bahwa model dapat melakukan segmentasi tumor hampir sama baiknya dengan ahli manusia, sekaligus menghemat waktu.

Salah satu kekuatan utama model ini berasal dari penggunaan pendekatan 3D, bukan metode 2D tradisional.

Banyak model AI sebelumnya menganalisis irisan pemindaian individual, yang terkadang menyebabkan kesalahan identifikasi, yang membingungkan tumor dengan pembuluh darah atau saluran udara.

Sebaliknya, model U-Net 3D memproses CT scan lengkap, yang memungkinkannya mengenali tumor yang lebih kecil dan membuat keputusan yang lebih konsisten di berbagai gambar.

Meskipun berhasil, model ini memiliki beberapa keterbatasan. Terkadang model ini meremehkan ukuran tumor, terutama saat menangani tumor yang sangat besar, yang dapat memengaruhi perencanaan perawatan.

Karena itu, Dr. Kashyap merekomendasikan agar model tersebut digunakan dalam alur kerja yang diawasi dokter, yang memungkinkan dokter untuk meninjau dan menyesuaikan hasil yang dihasilkan AI sesuai kebutuhan.

Ke depannya, para peneliti berencana untuk mengeksplorasi aplikasi tambahan dari alat AI ini.

Studi mendatang dapat menguji apakah model tersebut dapat melacak perubahan tumor dari waktu ke waktu, membantu dokter memantau perkembangan kanker dan respons pengobatan.

Area menarik lainnya adalah apakah AI dapat memprediksi hasil pasien berdasarkan ukuran dan bentuk tumor jika dikombinasikan dengan data medis lainnya.

Dr. Kashyap yakin bahwa studi ini merupakan langkah signifikan menuju otomatisasi diagnosis kanker paru-paru.

Model AI seperti ini dapat diintegrasikan ke dalam perencanaan pengobatan, pemantauan tumor, dan bahkan pengobatan yang dipersonalisasi, sehingga perawatan kanker paru-paru menjadi lebih efisien dan mudah diakses di masa mendatang.