VOKASI NEWS – Radioterapi (RT) merupakan salah satu modalitas utama dalam penanganan kanker, khususnya kanker mammae atau payudara. Terapi ini bertujuan memberikan dosis radiasi yang optimal pada jaringan tumor sekaligus meminimalkan paparan radiasi pada jaringan sehat yang dikenal sebagai Organ at Risk (OAR).
Dalam proses perencanaan terapi, dokter spesialis onkologi radiasi melakukan konturing pada area tubuh yang akan diberikan radiasi. Area tersebut dikenal sebagai Clinical Target Volume (CTV), yaitu jaringan yang diperkirakan masih mengandung sel kanker mikroskopis meskipun tidak terlihat jelas pada hasil CT simulator. Pada klinis kanker payudara, lokasi target yang berdekatan dengan organ vital seperti jantung dan paru-paru menjadi tantangan tersendiri dalam proses konturing.
Selain itu, konturing target secara manual merupakan proses yang memakan waktu dan memiliki variasi antaroperator. Auto-segmentation berbasis Deep Learning muncul sebagai teknologi potensial untuk meningkatkan akurasi dan efisiensi konturing khususnya pada Clinical Target Volume (CTV).
Auto-segmentation Berbasis Deep Learning
Deep Learning akan mempelajari ribuan contoh kontur yang sebelumnya telah dibuat oleh dokter ahli. Dari proses learning tersebut, sistem akan mampu mengenali pola anatomi payudara dan menghasilkan kontur secara otomatis saat menerima citra CT simulator pasien baru. Kendati demikian, AI tidak menggantikan keputusan dokter. Kontur yang dihasilkan tetap harus disupervisi oleh dokter spesialis onkologi radiasi. Auto-segmentation berbasis deep learning ini berperan untuk mempercepat pekerjaan dokter dalam proses konturing area CTV yang akan diradiasi.
Dalam praktik klinis, pendekatan ini dapat meningkatkan efisiensi alur kerja dan memungkinkan segmentasi yang lebih cepat. Pemanfaatan Auto-segmentation berbasis deep learning ini juga terbukti mampu mempercepat waktu delineasi, meningkatkan throughput pasien, serta mengurangi ketidaknyamanan pasien selama prosedur.
Evaluasi Kuantitatif kinerja Auto-segmentation berbasis Deep Learning
Beberapa parameter yang digunakan untuk mengevaluasi kinerja sistem yang pertama adalah Dice Similarity Coefficient (DSC). Kedua, yaitu Hausdorff Distance (HD), yang mengukur perbedaan paling jauh antara kontur sistem dan kontur dokter. Nilai HD yang lebih kecil menunjukkan bahwa kontur yang dihasilkan sistem semakin presisi. Pada penelitian ini, HD berada pada rentang 3,7–19,6 mm, yang mengindikasikan bahwa sebagian besar batas kontur AI tetap sangat dekat dengan kontur manual yang dibuat oleh dokter. Aspek ketiga yang dievaluasi adalah efisiensi waktu.
Kedua, yaitu Hausdorff Distance (HD) yang mengukur perbedaan paling jauh antara kontur sistem dan kontur dokter. Semakin kecil nilai HD, semakin presisi kontur yang dibuat oleh sistem. Parameter HD memperoleh nilai sebesar 3,7–19,6 mm, yang menunjukkan bahwa sebagian besar batas kontur AI tetap berada sangat dekat dengan kontur manual yang dibuat oleh dokter. Ketiga, efisiensi waktu.
Penelitian menunjukkan bahwa auto-segmentation berbasis deep learning mampu menghasilkan kontur dalam 4 hingga 21 detik. Setelah itu, dokter hanya perlu melakukan koreksi dan supervisi kecil jika diperlukan. Secara keseluruhan, sistem ini dapat menghemat sekitar 11 menit per pasien. Keempat, yaitu parameter dosimetri.
Penelitian menunjukkan bahwa perbedaan parameter dosimetri antara kontur yang dibuat oleh sistem dan kontur yang dibuat secara manual oleh dokter relatif kecil. Nilai rata-rata ∆D90 untuk Clinical Target Volume (CTV) kurang dari 2 Gy, sedangkan ∆D95 kurang dari 4 Gy. Selain itu, Kontur hasil sistem menunjukkan penurunan cakupan dosis pada KGB axila level I-III dan internal mammary nodes.
Evaluasi Kualitatif Kinerja Auto-segmentation berbasis Deep Learning
Evaluasi kualitatif dilakukan melalui metode blind evaluation yang melibatkan dokter spesialis onkologi radiasi. Dalam metode ini, dokter menilai kualitas kontur tanpa mengetahui apakah kontur tersebut dibuat oleh sistem kecerdasan buatan atau secara manual oleh dokter. Hasil penelitian menunjukkan bahwa sebagian besar kontur yang dihasilkan sistem hanya memerlukan koreksi minor. Bahkan, pada beberapa struktur anatomi, dokter menilai kualitas kontur tersebut setara dengan kontur yang dibuat secara manual.
Temuan tersebut masih perlu disempurnakan meskipun menunjukkan hasil yang memuaskan. Salah satunya adalah akurasi sistem pada beberapa anatomi spesifik dengan struktur kompleks dan variasi yang besar antarpasien seperti pada internal mammary nodes, dan supraclavicular nodes. Namun, temuan ini menunjukkan bahwa kecerdasan buatan dapat membantu dokter menyelesaikan pekerjaan berulang dengan lebih cepat dan konsisten. Dengan demikian, dokter dapat lebih fokus pada evaluasi klinis dan pengambilan keputusan terapi.
[BACA JUGA: Awas! Piutang Bisa Jadi Celah Kecurangan Jika Pengendalian Internal Lemah Kecurangan Masih Menjadi Ancaman Perusahaan]
Penulis: Adrian Dwi Nugroho
Editor: Vioretha (Tim Vokasi Branding)
