Kanker payudara masih menjadi salah satu penyebab utama kematian pada wanita di seluruh dunia. Deteksi dini menjadi kunci penting untuk meningkatkan peluang kesembuhan. Dalam dunia medis modern, gambar medis seperti hasil MRI atau mammografi sering digunakan untuk mendeteksi keberadaan sel kanker. Tapi tahukah kamu bahwa kini kecerdasan buatan (AI) juga bisa ikut membantu dokter dalam mengenali area kanker hanya dari gambar?

Komputer tidak “melihat” gambar seperti manusia. Bagi AI, gambar adalah kumpulan angka piksel. Agar AI bisa memahami gambar medis dan mengenali area yang mencurigakan, dibutuhkan proses yang disebut segmentasi citra medis. Segmentasi ini berarti memisahkan bagian gambar yang berisi kanker dari bagian yang sehat, seperti mewarnai bagian tertentu agar bisa dipelajari lebih lanjut.

Salah satu teknologi yang terbukti efektif dalam tugas ini adalah U-Net, sebuah arsitektur deep learning yang dirancang khusus untuk segmentasi gambar medis. U-Net bekerja dengan cara memproses gambar secara bertahap, mengekstrak fitur-fitur penting, dan kemudian memetakan bagian-bagian gambar yang menunjukkan kemungkinan adanya kanker.

Proses lengkap segmentasi menggunakan Attention U-Net dapat divisualisasikan melalui diagram berikut:

Gambar 1.  Diagram alur kerja segmentasi kanker payudara dari citra USG menggunakan Attention U-Net. Proses dimulai dari input gambar ultrasound, kemudian diproses oleh arsitektur Attention U-Net. Hasil prediksi awal (mask) selanjutnya disempurnakan melalui tahapan post-processing sebelum dievaluasi menggunakan metrik seperti Dice coefficient dan IoU.

Namun dalam penelitian terbaru, U-Net ditingkatkan dengan menambahkan fitur Attention Mechanism, yaitu teknik yang memungkinkan AI untuk lebih fokus pada bagian-bagian gambar yang penting. Ibaratnya seperti mata manusia yang tahu ke mana harus melihat saat mencari sesuatu—attention membantu AI menaruh “perhatian” pada area yang paling relevan.

Dalam studi berjudul Enhancing Breast Cancer Segmentation with Attention Mechanisms in U-Net Architectures, model Attention U-Net dibandingkan dengan U-Net standar dan varian lainnya. Hasilnya menunjukkan bahwa model ini memiliki Dice coefficient sebesar 97.99%, IoU sebesar 93.41%, dan akurasi mencapai 95.91%—angka yang menunjukkan tingkat ketepatan yang sangat tinggi dalam mendeteksi area kanker.

Gambar 2. Contoh proses segmentasi kanker payudara berbasis AI dari citra USG. Dari kiri ke kanan: (1) gambar USG asli, (2) mask asli dari anotasi dokter, (3) hasil prediksi model AI, dan (4) hasil overlay antara gambar asli dan segmentasi prediksi. Warna kuning menunjukkan area yang terdeteksi sebagai kanker.

Temuan ini menunjukkan bahwa AI, khususnya model deep learning yang semakin canggih, dapat menjadi alat bantu yang sangat potensial bagi tenaga medis. Meskipun AI tidak menggantikan dokter, teknologi ini bisa membantu mempercepat proses diagnosis dan meningkatkan akurasi pengambilan keputusan.

Dengan perkembangan teknologi seperti ini, harapannya adalah semakin banyak pasien yang bisa mendapatkan penanganan dini dan tepat, sehingga peluang kesembuhan pun semakin besar.

Referensi:

Prasetyo, S. Y. (2024). Enhancing Breast Cancer Segmentation with Attention Mechanisms in U-Net Architectures. Procedia Computer Science, 245, 906–913. Elsevier. Link