Kecerdasan buatan (AI) menjadi alat penting dalam pencitraan medis, membantu ahli radiologi menganalisis hasil pemindaian lebih cepat dan lebih akurat.

Namun, model AI memerlukan sejumlah besar data berlabel agar berfungsi dengan baik, yang berarti ahli radiologi masih menghabiskan banyak waktu untuk menandai gambar secara manual.

Sebuah proyek internasional baru yang dipimpin oleh para peneliti di Universitas Johns Hopkins menawarkan solusi—AbdomenAtlas, kumpulan data pemindaian CT perut terbesar yang pernah dibuat.

Kumpulan data AbdomenAtlas mencakup lebih dari 45.000 pemindaian CT 3D dari 145 rumah sakit di seluruh dunia.

Data ini memetakan 142 struktur anatomi yang berbeda, sehingga 36 kali lebih besar dari kumpulan data terbesar berikutnya, TotalSegmentator V2.

Kumpulan pemindaian yang sangat besar ini diharapkan dapat meningkatkan pelatihan AI secara signifikan, memungkinkan mesin mendeteksi organ, tumor, dan penyakit dengan lebih baik.

Kumpulan data dan aplikasinya baru-baru ini dipublikasikan dalam jurnal Medical Image Analysis.

Di masa lalu, ahli radiologi memberi label organ secara manual pada pemindaian CT, sebuah proses yang memakan waktu ribuan jam.

Untuk memperjelas tantangannya, menandai 45.000 pemindaian dengan enam juta struktur anatomi akan membutuhkan seorang ahli untuk memulainya pada tahun 420 SM—zaman Hipokrates—dan bekerja tanpa henti hingga tahun 2025. Jelas, tugas ini terlalu besar untuk dilakukan manusia saja.

Untuk mempercepat proses, tim Johns Hopkins, yang dipimpin oleh Profesor Alan Yuille, menggunakan model AI untuk menangani sebagian besar pekerjaan pelabelan.

Pendekatan mereka menggabungkan tiga sistem AI yang dilatih pada kumpulan data berlabel yang ada untuk memprediksi anatomi pada pemindaian baru yang tidak berlabel.

Model AI ini kemudian menyoroti area yang perlu ditinjau menggunakan peta perhatian berkode warna.

Sebuah tim yang terdiri dari 12 ahli radiologi dan peserta pelatihan medis secara manual memeriksa dan menyempurnakan prediksi AI.

Metode yang dibantu AI ini secara drastis mengurangi waktu yang dibutuhkan untuk membuat anotasi pada pemindaian.

Untuk pelabelan tumor, prosesnya menjadi 10 kali lebih cepat, sedangkan untuk organ, prosesnya menjadi 500 kali lebih cepat daripada anotasi manual saja.

Hal ini memungkinkan para peneliti untuk membangun kumpulan data organ perut yang dianotasi secara lengkap terbesar dalam waktu kurang dari dua tahun—sebuah tugas yang jika tidak demikian akan memakan waktu lebih dari 2.000 tahun bagi manusia.

Kumpulan data tersebut terus bertambah seiring dengan semakin banyaknya pemindaian yang ditambahkan, beserta sampel tumor buatan dan asli.

Penambahan ini akan membantu model AI meningkatkan kemampuan dalam mendeteksi kanker, mendiagnosis penyakit, dan bahkan menciptakan "kembaran digital" dari pasien asli untuk pengobatan yang dipersonalisasi.

Selain melatih AI, AbdomenAtlas berfungsi sebagai tolok ukur untuk mengevaluasi algoritme pencitraan medis lainnya.

Dengan menguji model AI pada kumpulan data yang begitu besar, para peneliti dapat memastikan bahwa model-model ini akan bekerja dengan andal dalam pengaturan medis dunia nyata.

Tim tersebut telah menggunakan kumpulan data tersebut dalam berbagai kompetisi, seperti BodyMaps Challenge di sebuah konferensi pencitraan medis internasional, untuk mendorong pengembangan AI yang akurat dan praktis untuk penggunaan klinis.

Meskipun skalanya besar, AbdomenAtlas hanya mewakili 0,05% dari pemindaian CT yang dilakukan di AS setiap tahun.

Para peneliti berharap lebih banyak rumah sakit dan institusi akan berkolaborasi untuk memperluas kumpulan data tersebut.

Mereka percaya bahwa berbagi data dan bekerja sama lintas institusi sangat penting untuk memajukan AI dalam bidang kedokteran.

Dengan menciptakan AbdomenAtlas, tim telah menyediakan sumber daya yang kuat yang dapat mengubah pencitraan medis.

Seiring dengan terus berkembangnya AI, kumpulan data seperti ini akan membantu memastikan bahwa mesin dapat membantu dokter dalam mendiagnosis penyakit dengan lebih cepat dan lebih akurat daripada sebelumnya.

Temuan penelitian dapat ditemukan di Medical Image Analysis.