Pada kesempatan kali ini saya Soegianto Soelistiono, selaku penulis dari paper ini berkeinginan untuk bisa mensharing kepada segenap anggota civitas akademik UNAIR terkait project penelitian yang telah kami lakukan untuk peneletian ini. Semoga dengan adanya paper ini bisa memberi sumbangsi terhadap kemajuan Pendidikan di Indonesia, khusunya di lingkungan UNAIR.
Alzheimer™s disease (AD) adalah penyakit neurodegeneratif progresif yang sulit dideteksi pada tahap awal. MRI (khususnya T1-weighted) mampu menangkap perubahan struktur otak, namun:
- Model deep learning sering bersifat black-box
- Banyak studi menggunakan cross-sectional / scan-level split → berpotensi bias (data leakage)
- Kurang memperhatikan konsistensi longitudinal
Oleh karena itu, dibutuhkan model yang:
- valid secara metodologi
- interpretabel
- memperhatikan dinamika waktu (longitudinal)
Tujuan Penelitian
Mengembangkan framework deep learning yang:
- Mengklasifikasikan CN, MCI, dan AD
- Menggunakan data longitudinal MRI (ADNI)
- Memiliki interpretasi (Grad-CAM)
- Menghindari data leakage melalui subject-level split
Metodologi
1. Arsitektur Model
- Menggunakan 2.5D CNN berbasis ResNet-18
- Input: 5 slice sagittal MRI
- Modifikasi:
- layer awal menerima 5 channel (bukan 3)
- Tujuan:
- kompromi antara 2D (ringan) dan 3D (informatif)
2. Dataset
- Sumber: ADNI
- Total:
- 256 subject
- 433 MRI visits
- Kategori:
- CN (normal)
- MCI (mild cognitive impairment)
- AD (Alzheimer)
3. Strategi Split Data
- Subject-level split (70/15/15)
- Tidak ada overlap antar subject
- Dibandingkan dengan:
- scan-level split (baseline tambahan)
Ini penting untuk menjaga validitas longitudinal
4. Evaluasi Model
- Accuracy
- Precision, Recall, F1-score
- Macro AUC
- Confusion matrix
5. Explainability (XAI)
- Menggunakan Grad-CAM
- Analisis:
- visualisasi area penting
- stabilitas antar waktu (temporal)
Hasil Penelitian
1. Performa Model
- Accuracy: 47%
- Macro AUC: 0.52
Per kelas:
- MCI → performa terbaik (recall tinggi)
- AD → performa rendah
- Error terjadi antar kelas berdekatan (CN“MCI“AD)
2. Longitudinal Aggregation
- Majority voting antar visit
- Accuracy meningkat:
- dari 0.47 → 0.57
Menunjukkan pentingnya informasi longitudinal
3. Perbandingan Split
- Scan-level split:
- tidak meningkatkan performa signifikan
- Menegaskan:
- subject-level split lebih valid, bukan sekadar menurunkan performa
4. Baseline Comparison
- Logistic Regression: 31%
- 2D CNN: collapse ke MCI
- 2.5D CNN:
- lebih seimbang antar kelas
5. Explainability (Grad-CAM)
- AD:
- fokus di temporal & frontal lobe
- MCI:
- pola lebih menyebar
- CN:
- aktivasi lemah
Sesuai dengan pengetahuan medis
6. Temporal Explainability
- Perubahan Grad-CAM antar waktu kecil:
- mean ≈ 0.097
- Interpretasi:
- model stabil
- perubahan mengikuti progres penyakit
Diskusi
- Performa tidak tinggi, tetapi:
- evaluasi lebih ketat dan realistis
- Model:
- lebih baik dalam mendeteksi MCI (fase transisi)
- Explainability:
- meningkatkan kepercayaan klinis
- Longitudinal:
- penting untuk diagnosis nyata
Keterbatasan
- Hanya menggunakan MRI (tidak multimodal)
- Tidak menggunakan full 3D model
- Data tidak seimbang (AD lebih sedikit)
- Overfitting terjadi di awal training
- Belum diuji pada dataset eksternal
Implikasi Klinis
- Model dapat menjadi:
- decision-support tool
- Bukan untuk diagnosis mandiri
- Interpretasi visual membantu dokter memahami keputusan AI
Kesimpulan
- Framework 2.5D CNN + Grad-CAM berhasil:
- memberikan klasifikasi longitudinal
- dengan interpretasi yang masuk akal
- Performa moderat → digunakan sebagai:
- baseline yang reproducible & interpretable
- Menunjukkan bahwa:
- validitas metodologi & interpretability sama pentingnya dengan akurasi
Nama : Dr. Soegianto Soeliostiono M.Si
Judul Artikel : A longitudinal and explainable 2.5D deep learning framework for Alzheimer™s disease progression using ADNI MRI
Link dan Indeks : Scopus Q2,
