Liputan6.com, Jakarta - Kecerdasan buatan (AI) untuk mendeteksi kanker mungkin bekerja lebih baik jika dilatih untuk mencari tanda-tanda penyakit seperti dokter spesialis patologi.
Temuan ini berasal dari penelitian Zhi Huang, asisten profesor patologi dan kedokteran laboratorium di University of Pennsylvania, bersama koleganya. Studi tersebut diterbitkan pada Juli di jurnal Nature.
Advertisement
Selama ini, banyak sistem AI untuk patologi menganalisis area tertentu yang sudah dipilih dari sampel jaringan atau membagi seluruh slide patologi menjadi potongan berukuran tetap.
Cara tersebut berbeda dengan dokter spesialis patologi yang memeriksa jaringan secara dinamis. Dokter dapat menggeser tampilan jaringan, memperbesar dan memperkecil gambar, lalu berhenti di area yang terlihat mencurigakan.
Padahal, satu slide patologi dapat berisi miliaran piksel, sementara tanda-tanda kanker mungkin hanya terdapat pada area yang sangat kecil.
Huang mengibaratkan cara dokter mencari kanker seperti helikopter dalam operasi pencarian dan penyelamatan. Pencarian tidak dimulai dengan langsung memeriksa satu bagian kecil.
Seluruh lanskap dipindai terlebih dahulu, kemudian area yang dianggap penting diperiksa lebih dekat, seperti dikutip dari livescience pada Selasa, 15 September 2026.
AI Dilatih Mengikuti Cara Dokter Mencari Kanker
Menurut para peneliti, vision-language models (VLMs), salah satu jenis AI, masih kesulitan melakukan tahap awal tersebut, yaitu memindai slide secara menyeluruh.
Salah satu penyebabnya, banyak sistem AI untuk patologi belajar dari hasil akhir pekerjaan dokter. Misalnya, gambar yang sudah diberi tanda lokasi kanker atau diagnosis resmi.
Oleh sebab itu, para peneliti menggunakan pendekatan berbeda. AI dilatih berdasarkan perilaku dokter spesialis patologi ketika mencari tanda-tanda kanker.
Pendekatan tersebut disebut 'Pathology-CoT', singkatan dari chain of thought. Metode ini mengubah tindakan dokter yang dapat diamati, seperti berpindah dari satu bagian slide ke bagian lain atau memperbesar area tertentu, menjadi data pelatihan AI.
Untuk mengumpulkan data, peneliti membuat alat yang merekam bagaimana dokter bergerak di sepanjang slide dan mengubah tingkat pembesaran gambar.
Data tersebut dikumpulkan dari delapan dokter spesialis patologi. Namun, rekaman awal tidak semuanya menunjukkan gerakan yang disengaja. Dokter terkadang melewati area yang dituju, bergerak terlalu jauh, atau mengubah tingkat pembesaran sesuai kebutuhan.
Peneliti kemudian menyaring gerakan yang dianggap tidak disengaja. Mereka berfokus pada momen yang menunjukkan perhatian secara sengaja, seperti ketika dokter berhenti pada satu tampilan atau melakukan pergeseran gambar secara berkelanjutan.
Data tersebut juga dibandingkan dengan data pelacakan mata untuk memastikan perangkat lunak menangkap area yang benar-benar diperhatikan dokter.
Untuk setiap area yang diperiksa, VLM membuat penjelasan singkat mengenai alasan area tersebut perlu diperiksa dan fitur yang terlihat. Dokter kemudian dapat menerima, mengedit, atau menolak penjelasan tersebut.
Data ini kembali digunakan untuk melatih AI. Dalam salah satu contoh, AI menandai bagian slide yang berpotensi menunjukkan kanker metastasis dan menyarankan agar area tersebut diperbesar untuk mencari sel yang tidak normal. Area lain ditandai sebagai jaringan sehat.
Pathology-o3 Berhasil Menemukan Slide Positif Kanker
Dari metode pelatihan tersebut, peneliti mengembangkan alat bernama Pathology-o3.
Sistem ini terlebih dahulu memindai slide dengan resolusi rendah. Model yang telah dilatih berdasarkan perilaku dokter kemudian memilih area yang perlu diperiksa lebih dekat.
Area tersebut selanjutnya dikirim dalam tampilan beresolusi lebih tinggi kepada VLM untuk dianalisis.
Para peneliti tidak bertujuan membuktikan bahwa Pathology-o3 lebih baik daripada AI yang secara khusus dibuat untuk mendeteksi jenis kanker tertentu.
Mereka ingin mengetahui apakah metode pelatihan tersebut dapat membantu AI serbaguna menavigasi slide patologi dengan lebih efektif.
Pathology-o3 kemudian dibandingkan dengan sistem AI serbaguna lainnya, termasuk o3 dari OpenAI.
Keduanya diminta menganalisis slide yang berisi jaringan kelenjar getah bening. Slide tersebut berasal dari kasus kanker kolorektal dan sebagian di antaranya mengandung kanker metastasis yang sebelumnya sudah diberi label oleh dokter spesialis patologi.
Hasilnya, Pathology-o3 berhasil mengidentifikasi slide yang positif kanker sebesar 100 persen.
Namun, dari seluruh slide yang dinyatakan positif oleh Pathology-o3, sebanyak 15,5 persen sebenarnya negatif.
Sebagai perbandingan, OpenAI o3 berhasil mengidentifikasi slide positif kanker sebesar 87,5 persen. Dari slide yang dinyatakan positif oleh sistem tersebut, 53,3 persen sebenarnya negatif.
Peneliti memang merancang Pathology-o3 agar lebih memilih menandai sesuatu untuk diperiksa kembali daripada berisiko melewatkan kanker. Menurut Huang, pendekatan tersebut kemungkinan turut menjelaskan adanya hasil positif palsu.
Belum Bisa Mendiagnosis Kanker Secara Mandiri
Ilmuwan data di Stanford University yang tidak terlibat dalam penelitian, Mohammad Asadi, mengatakan, tingkat positif palsu perlu dilihat berdasarkan bagaimana Pathology-o3 digunakan.
Menurut Asadi, sistem tersebut belum cukup presisi untuk mendiagnosis pasien secara mandiri.
Namun, AI tersebut berpotensi membantu dokter dengan menunjukkan bagian tertentu dari slide yang perlu diperiksa kembali.
Pendekatan ini juga dapat menjadi keuntungan karena AI mengarahkan dokter ke area spesifik yang perlu diperiksa, bukan langsung menyatakan bahwa seluruh slide mencurigakan.
Para peneliti kemudian menguji Pathology-o3 menggunakan kumpulan data independen yang belum pernah dilihat algoritma sebelumnya.
Hasilnya, Pathology-o3 berhasil mengidentifikasi slide yang positif kanker sebesar 97,6 persen. Namun, dari slide yang dinyatakan positif, 37,1 persen sebenarnya negatif.
Temuan ini menunjukkan performa AI dapat berubah ketika sumber data berbeda, meskipun tugas medis yang dilakukan tetap sama.
Asadi menilai hasil tersebut menunjukkan sistem masih dapat bekerja pada slide dari sumber berbeda. Namun, penelitian itu belum membuktikan bahwa penggunaan Pathology-o3 akan membuat dokter menjadi lebih akurat atau lebih cepat dalam praktik.
AI Bukan Pengganti Dokter
Para peneliti juga menerapkan metode pelatihan yang sama pada beberapa VLM yang sudah tersedia. Hasilnya, performa berbagai model tersebut meningkat setelah dilatih menggunakan data perilaku dokter.
Bagi Huang, temuan tersebut menjadi bagian paling penting dari penelitian,"Intinya bukan sistem kami. Bahan yang selama ini hilang sebenarnya sudah ada di rumah sakit."
Studi ini tidak secara langsung membandingkan Pathology-o3 dengan dokter spesialis patologi. Para peneliti juga belum menguji apakah penggunaan sistem tersebut benar-benar membuat dokter lebih cepat atau lebih akurat.
Menurut Huang, pertanyaan yang lebih penting bukan apakah AI dapat mengalahkan dokter, melainkan apakah dokter yang bekerja dengan bantuan AI dapat menemukan lebih banyak kasus kanker dan bekerja lebih cepat.
Penelitian berikutnya akan menguji dokter pada kasus yang sama, baik dengan maupun tanpa bantuan Pathology-o3. Peneliti akan mengukur berapa banyak kanker yang berhasil ditemukan serta waktu yang dibutuhkan dokter untuk memeriksa kasus tersebut.
Asadi menilai penggunaan Pathology-o3 yang paling memungkinkan saat ini adalah sebagai alat prapenyaringan atau prescreening.
Namun, penelitian lebih lanjut tetap diperlukan. Pengujian di beberapa rumah sakit perlu melihat bukan hanya akurasi dan kecepatan, tapi juga beban kerja dokter, dampak hasil positif palsu, serta kemampuan dokter mengenali ketika AI memberikan hasil yang keliru.
Selain itu, diagnosis kanker dapat membutuhkan informasi dari beberapa slide, pewarnaan jaringan, dan riwayat kesehatan pasien. Sementara sistem yang diuji dalam penelitian ini masih menganalisis satu slide dalam satu waktu.
"Saya tidak akan mengatakan bahwa sistem ini seharusnya melakukan diagnosis sendiri," kata Huang.