Kanker endometrium merupakan penyakit ganas dengan angka kejadian dan angka mortalitas yang tinggi di dunia. Menurut data Endometrial Cancer 2013 report oleh World Cancer Research Fund and American Institute for Cancer Research (WCRFI), kanker endometrium adalah penyakti ganas pada wanita dengan posisi keenam terbanyak di seluruh dunia dan kanker kedua terbesar pada organ reproduksi wanita, setelah kanker serviks. Insidensi ini meningkat setiap tahunnya, diprediksikan peningkatan sekitar lima persen kasus baru setiap tahunnya. Kanker endometrium didefinisikan sebagai tumor epitel ganas primer, biasanya dengan diferensiasi kelenjar, yang berpotensi menginvasi ke dalam miometrium dan menyebar ke lokasi yang jauh.
Mayoritas kasus kanker endometrium (90%) merupakan adenokarsinoma. Adenokarsinoma adalah jenis karsinoma yang berasal dari kelenjar mucus dalam tubuh. Keganasan ini lebih sering terjadi pada wanita pasca menopause dengan umur rata-rata penderita 55-66 tahun. Di dunia sekitar 320.000 kasus baru didiagnosis pada tahun 2012 dan jumlahnya hampir 5 persen dari seluruh kasus baru kanker pada wanita (2 persen dari keseluruhan kanker). Angka ini meningkat dibandingkan sekitar 290.000 kasus baru yang didiagnosis pada tahun 2008 (Rosen MW dkk, 2019).
Dibutuhkan penanganan yang sigap dalam kasus adenokarsinoma endometrium agar mendapatkan penanganan yang tepat dan kanker tidak menyebar ke jaringan tubuh lainnya. Metode diagnosa pada adenokarsinoma endometrium bermacam-macam antara lain pemeriksaan klinis, ultrasonografi, hiteroskopi, dan biopsi. Dari berbagai metode diatas, biopsi adalah salah satu pilihan untuk mengetahui derajat diferensiasi adenokarsinoma endometrium. Hasil dari pemeriksaan biopsi adalah citra histopatologi yang selanjutnya diamati menggunakan mikroskop digital. Sebelum diamati menggunakan mikroskop, jaringan diberi pewarnaan Hematoxylin-Eosin (H&E) yang bertujuan untuk memperjelas komponen seluler. Pengklasifikasian derajat diferensiasi adenokarsinoma endometrium dilakukan manual oleh teknisi laboratorium bukanlah tugas yang mudah, sehingga membutuhkan ahli patologi serta teknisi laboratorium yang mumpuni dan handal. Hasil pemeriksaan laboratorium juga memungkinkan hasil yang variatif atau subjektif dan dapat dipengaruhi oleh berbagai keadaan. Teknisi pun mendapat beban secara fisik (kelelahan dalam sistem penglihatan) dan mental dalam melakukan analisis tersebut. Proses pengklasifikasian derajat diferensiasi pada citra histopatologi adenokarsinoma endometrium dapat ditingkatkan akurasinya melalui proses komputasi, sehingga dapat dihasilkan proses klasifikasi yang lebih mudah dan akurat tanpa membebani teknisi laboratorium secara fisik dan mental, dengan menggunakan metode pembelajaran mesin Extreme Machine Learning.
Metode dan Hasil
Tahap persiapan data dilakukan dengan melakukan pengambilan data di Departemen Patologi Anatomi RSUD Dr.Soetomo Surabaya. Data yang didapatkan adalah citra/gambar histopatologi derajat diferensiasi adenokarsinoma endometrium grade 1 (well-differentiated), grade 2 (moderate-differentiated), dan grade 3 (poorly-differentiated). Citra histopatologi didapatkan dengan metode biopsi atau pengambilan jaringan endometrium. Kemudian jaringan tersebut diamati dengan mikroskop digital dengan perbesaran 200x dengan pewarnaan Hematoxilin-Eosin. Tahap pre-processing yang digunakan dalam penelitian ini adalah grayscalling. Grayscalling berfungsi untuk memudahkan dalam ekstraksi fitur dan meringankan beban komputasi.
Tahapan ekstrasi fitur dilakukan dalam dua tahap, Pada eksperimen satu, citra yang telah melalui tahap pre-processing akan diolah dengan menggunakan ekstraksi fitur Gray Level Run Length Matrix (GLRLM). GLRLM mengekstrak derajat keabuan yang ada pada citra masukan yaitu citra grayscale. Untuk memperoleh ekstraksi ciri tekstur, maka digunakan delapan fitur yang dimiliki oleh GLRLM yakni Gray Level Nonuniformity (GLN), Run Length Nonuniformity (RLN), Run Percentage (RP), Low Gray Level Run Emphasis (LGLRE), High Gray-level Run Emphasis (HGRE/HGL), Short Run Low Gray Level Emphasis (SRLGLE), Short Run High Gray Level Emphasis (SRHGLE), Long Run High Gray Level Emphasis (LRHGLE). Kedelapan fitur ini kemudian dijadikan input dalam tahap klasifikasi dengan metode Extreme Learning Machine (ELM). Pada eksperimen dua, citra yang telah melewati tahap pre-processing akan diolah menggunakan metode ekstraksi fitur gabungan Local Binary Pattern (LBP) dengan Gray Level Run Length Matrix (GLRLM).
Proses klasifikasi menggunakan ELM terbagi menjadi 2 tahap yaitu tahap pelatihan dan tahap pengujian. Masukan dari masing-masing tahapan adalah hasil ekstraksi fitur dari eksperimen 1 dan eksperimen 2 yang berbentuk data nilai fitur GLRLM. Nilai tersebut berisikan data dari masing-masing orientasi sudut yang dibentuk pada setiap fitur, kemudian di rata-rata sehingga menjadi nilai akhir yang mewakili setiap fitur. Sebelum data masuk pada proses ELM, data diolah lebih dulu dengan menggunakan metode normalisasi. Normalisasi bertujuan agar pada proses klasifikasi data diukur dalam skala yang sama. Normalisasi yang digunakan pada penelitian ini menggunakan metode MinMax Scaller yang memiliki range (0,1). Normalisasi data penting dilakukan karena data yang dihasilkan setiap fitur memiliki rentang yang berbeda sehingga berpengaruh pada hasil klasifikasi.
Hasil metode ekstraksi ciri GLRLM dengan citra grayscale memberikan informasi sifat tekstur citra mulai dari tingkat keabuan tinggi sampai rendah secara detail dengan rentang nilai keabuan yang lebih kecil dibandingakan dengan citra LBP. Sedangkan metode ekstraksi ciri LBP dan GLRLM dengan citra LBP memberikan informasi tingkat keabuan lokal citra yang terbatas dan rentang nilai keabuan yang lebih besar dibandingakan dengan citra grayscale.
Hasil rata-rata akurasi pelatihan, akurasi pengujian, dan presisi dengan metode ekstraksi ciri GLRLM berturut-turut adalah 97.13%, 91,33%, dan 80%. Sedangkan rata-rata akurasi pelatihan, akurasi pengujian, dan presisi dengan metode ekstraksi ciri gabungan LBP dan GLRLM berturut-turut adalah 91.03%, 71.33%, dan 100%. Sehingga berdasarkan pengujian yang telah dilakukan, terbukti bahwa metode ekstraksi ciri GLRLM memiliki performa paling optimal dibandingan metode ekstraksi ciri gabungan LBP dan GLRLM.
Penulis: Dr. Riries Rulaningtyas, S.T, M.T
Riries Rulaningtyas, Anny Setijo Rahaju, Rosa Amalia Dewi, Ummi Hanifah, Endah Purwanti, Osmalina Nur Rahma, Katherine Katherine
Link:
Baca juga:
