Karsinoma sel skuamosa rongga mulut (OSCC) merupakan keganasan pada rongga mulut dengan prevalensi 90% dari seluruh kanker rongga mulut. Secara global, pada tahun 2018 terdapat 354.864 kasus dan 177.384 kematian akibat OSCC. Tingkat kelangsungan hidup OSCC buruk karena diagnosis dibuat pada stadium lanjut. Diagnosis OSCC pada tahap awal dapat memberikan pengobatan yang luas, sehingga biomarker dapat berfungsi sebagai alat diagnosis. Salah satu modalitas diagnostik yang sering digunakan adalah biomarker histopatologi. Dalam proses ini, ahli patologi menggunakan sampel biopsi yang diambil dari pasien, kemudian memeriksa sampel tersebut di bawah mikroskop, dan kemudian membuat penilaian subjektif. Penilaian dilakukan hanya dengan pemeriksaan visual struktur sel, bentuk, distribusi jaringan, dan derajat kanker. Oleh karena itu, hasilnya murni kualitatif dan spesifisitas serta sensitivitasnya tidak pasti. Selain itu, kesadaran akan bahaya kanker mulut di kalangan pasien maupun masyarakat umum meningkatkan permintaan akan teknik diagnostik yang canggih dan akurat yang dapat mendeteksi keganasan pada stadium dini. Kecerdasan buatan (AI) adalah teknologi yang memungkinkan sebuah mesin memiliki kecerdasan seperti manusia sehingga dapat membantu menyelesaikan tugas tertentu. Penggunaan AI dalam menganalisis gambaran histopatologi dapat memberikan hasil analisis yang tepat sehingga mampu memberikan diagnosis staging OSCC yang akurat. Proses perkembangan OSCC diawali dengan kerusakan gen yang menyebabkan gangguan regulasi sel, bermanifestasi pada gangguan diferensiasi dan proliferasi keratinosit pada epitel yang ditandai dengan pembentukan mutiara keratin.
Deteksi histopatologi berbantuan AI mampu mengidentifikasi persentase keratinisasi dan mutiara keratin pada citra histopatologi menggunakan convolutional neural network (CNN). CNN didefinisikan sebagai arsitektur pembelajaran mendalam yang dirancang khusus untuk mendeteksi pola visual dengan preprocessing minimal. Komponen utama CNN adalah convolutional layer, pooling layer, fully connected layer dan dropout CNN digunakan untuk mendeteksi dan mengidentifikasi objek dalam sebuah citra. Jaringan ini memiliki lapisan khusus yang disebut dengan lapisan convolutional, dimana pada lapisan ini citra masukan akan diproses berdasarkan filter yang telah ditentukan. Setiap layer akan membuat pola dari beberapa bagian gambar yang nantinya akan lebih mudah untuk diklasifikasi.
CNN bekerja dengan menganalisis input berupa citra visual dari citra histopatologi dan menghasilkan output berupa persentase keratinisasi pada sampel terkait yang selanjutnya dapat digunakan untuk menentukan stadium OSCC. Dengan demikian, tinjauan pustaka ini disusun untuk menggambarkan potensi pemanfaatan deteksi histopatologi berbantuan AI dalam menentukan stadium OSCC.
Convolutional Neural Network (CNN) merupakan salah satu bagian dari JST yang dapat digunakan untuk menganalisis citra. CNN terdiri dari 3 bagian jaringan buatan atau disebut node, yaitu input layer, multiple hidden layer, dan output layer. Dalam penggunaan AI di bidang patologi, citra histopatologi dikenali sebagai bagian dari input. Lapisan input menerima citra histopatologi yang kemudian akan dikumpulkan atau dibagi menjadi beberapa matriks simetris kecil. Setiap matriks akan disesuaikan dengan ukuran citra sehingga keratinisasi dan anomali pada sel dapat diamati secara maksimal. Proses ini terjadi dalam beberapa lapisan tersembunyi, dimana setiap matriks akan diklarifikasi oleh sistem CNN termasuk percabangan, pencocokan, dan lompatan berdasarkan fungsi aktivasi numerik (AF), sebuah program dasar AI berdasarkan metode statistik (seperti regresi linier dan lain-lain) yang mendasari kemampuan CNN untuk dapat mempertimbangkan dan mengambil keputusan atas suatu tugas yang sedang dilakukan. Jika hasil analisis AF menunjukkan dapat melebihi nilai threshold berdasarkan big data repository, maka sinyal akan diteruskan ke bagian lain dari hidden layer sehingga dapat diketahui pembentukan keratin pearls dan anomali sel pada setiap matriks. Hasilnya dikirim ke lapisan keluaran dan dianalisis secara keseluruhan sehingga dapat diketahui persentase sel keratin dan displastik pada citra histopatologi yang umumnya ditandai dengan menandai citra histopatologi yang sesuai dengan warna tertentu. Hasil analisis pada output layer kemudian diinterpretasikan sesuai dengan sistem stadium oleh ahli patologi sehingga dapat memberikan diagnosis stadium OSCC yang akurat dan tepat pada pasien.
Berdasarkan review, deteksi histopatologi berbantuan AI berpotensi untuk digunakan dalam menentukan stadium OSCC. Namun, studi lebih lanjut masih diperlukan untuk menguji penggunaan deteksi histopatologis OSCC yang dibantu AI dalam pengaturan klinis.
Penulis: Agung Sosiawan, Alexander Patera Nugraha
Link lengkap:
