Pendahuluan
Periodontitis merupakan penyakit inflamasi kronis yang merusak jaringan penyangga gigi, meliputi ligamen periodontal dan tulang alveolar, sehingga menjadi penyebab utama kehilangan gigi pada orang dewasa. Diagnosis periodontitis umumnya dilakukan melalui pemeriksaan klinis dan radiografis. Radiograf panoramik sering digunakan karena mampu memberikan gambaran menyeluruh kondisi tulang alveolar. Namun, interpretasi manual terhadap radiograf sering kali menimbulkan variasi hasil dan risiko kesalahan diagnostik akibat keterbatasan pengalaman atau kelelahan klinisi. Perkembangan artificial intelligence (AI), khususnya teknologi deep learning (DL) dengan model Convolutional Neural Network (CNN), memberikan peluang besar dalam meningkatkan akurasi dan efisiensi diagnosis penyakit periodontal. Penelitian ini bertujuan untuk mengembangkan serta mengevaluasi kinerja model Hybrid Two-Stage CNN yang mengintegrasikan Mask R-CNN untuk segmentasi dan DenseNet169 untuk klasifikasi tahap periodontitis pada radiograf panoramik.
Metode
Penelitian ini menggunakan 600 radiograf panoramik digital yang diperoleh dari rekam medis Rumah Sakit Gigi dan Mulut Universitas Gadjah Mada. Data dibagi menjadi tiga kelompok, yaitu pelatihan (70%), validasi (10%), dan pengujian (20%), serta 100 radiograf tambahan sebagai data uji eksternal. Empat jenis anotasi diterapkan pada setiap citra, meliputi segmentasi gigi, cementoenamel junction (CEJ), kehilangan tulang radiografik (radiographic bone loss/RBL), dan klasifikasi tahap periodontitis (normal, tahap 1“4). Tahap pertama menggunakan Mask R-CNN untuk segmentasi otomatis gigi, CEJ, dan RBL. Hasil segmentasi berupa mask digunakan sebagai masukan bagi DenseNet169 pada tahap kedua untuk menentukan tingkat keparahan periodontitis.Kinerja model diuji menggunakan parameter precision, recall, specificity, F1-score, dan akurasi. Efisiensi klinis dinilai berdasarkan waktu pemrosesan pada CPU dan GPU
Hasil
Model Hybrid Two-Stage CNN menunjukkan kemampuan segmentasi yang akurat terhadap struktur gigi, CEJ, dan area kehilangan tulang. Pada uji eksternal, model mencapai nilai specificity sebesar 0,88 dan akurasi 0,80. Kinerja terbaik diperoleh pada deteksi periodontitis tahap lanjut (tahap 3 dan 4), dengan nilai precision, recall, dan F1-score di atas 0,90. Namun, akurasi pada tahap awal (tahap 1 dan 2) masih lebih rendah karena kesamaan pola radiograf dengan kondisi normal.Rata-rata waktu pemrosesan model adalah 14,9 detik menggunakan CPU dan 2,14 detik menggunakan GPU, menunjukkan efisiensi yang memadai untuk penerapan klinis. Meskipun sedikit lebih lambat dibandingkan model PAR-CNN, waktu tersebut masih sebanding dengan waktu diagnosis manual oleh dokter gigi.
Pembahasan
Integrasi Mask R-CNN dan DenseNet169 memungkinkan sistem bekerja dalam dua tahap, yaitu segmentasi dan klasifikasi, menyerupai proses analisis klinisi dalam menilai struktur anatomi sebelum menentukan tingkat keparahan penyakit. Keunggulan utama model ini terletak pada specificity yang tinggi terhadap kasus periodontitis berat, yang penting untuk mencegah kesalahan diagnosis dan terapi berlebihan.Namun, kesulitan dalam membedakan kondisi normal dengan periodontitis tahap awal menunjukkan perlunya peningkatan kualitas data dan keseimbangan jumlah sampel. Pengembangan lanjutan dapat dilakukan melalui strategi multi-task learning dan pemanfaatan citra CBCT tiga dimensi guna meningkatkan ketepatan diagnostik.
Kesimpulan
Model Hybrid Two-Stage CNN yang menggabungkan Mask R-CNN dan DenseNet169 menunjukkan kinerja diagnostik yang baik dalam mendeteksi dan menentukan tahap periodontitis pada radiograf panoramik, dengan specificity 0,88 dan akurasi 0,80. Model ini berpotensi dikembangkan menjadi sistem bantu diagnosis berbasis komputer yang mendukung pengambilan keputusan klinis dalam manajemen penyakit periodontal.
Sumber
Widyaningrum R, Astuti ER, Soetojo A, et al. Hybrid two-stage CNN for detection and staging of periodontitis on panoramic radiographs. J Oral Biol Craniofac Res. 2025;15(6):1392-1399. doi:10.1016/j.jobcr.2025.08.019
Penulis: Prof. Dr. Eha Renwi Astuti, drg., M.Kes.,Sp.RKG
