Jadwal Sholat

Memuat jadwal sholatโ€ฆ

Editorial Ilmu Komputer & AI

Open AccessOA2025

Diagnosis dan prognosis melanoma dari citra dermoskopi menggunakan machine learning dan deep learning: tinjauan literatur sistematis

Tinjauan sistematis ini menganalisis 34 studi tentang machine learning dan deep learning untuk diagnosis dan prognosis melanoma menggunakan citra dermoskopi, dan menemukan bahwa arsitektur seperti DenseNet dan DCNN mencapai akurasi di atas 95% pada dataset benchmark. Tantangan utama masih ada pada keragaman data, interpretabilitas model, dan kebutuhan komputasi untuk adopsi klinis.
Hoda Naseri; A. Safaeiยท BMC Cancerยท 2025ยท DOI 10.1186/s12885-024-13423-y

Masalah inti

Melanoma adalah bentuk kanker kulit yang sangat agresif, dan diagnosis dini yang akurat sangat penting untuk memperbaiki luaran pasien. Dermoskopi, teknik pencitraan non-invasif, meningkatkan deteksi melanoma dengan memvisualisasikan struktur kulit di bawah permukaan, tetapi interpretasinya tetap subjektif dan bervariasi antar klinisi. Kemajuan terbaru dalam machine learning (ML) dan deep learning (DL) menawarkan solusi yang menjanjikan dengan mengotomatiskan analisis citra dermoskopi untuk meningkatkan presisi diagnostik. Tinjauan sistematis ini bertujuan mengonsolidasikan bukti terbaru tentang aplikasi ML dan DL untuk diagnosis dan prognosis melanoma menggunakan citra dermoskopi, mencakup studi yang diterbitkan antara 2016 dan 2024. Tinjauan ini menjawab kebutuhan akan gambaran menyeluruh tentang arsitektur model, dataset, metodologi, dan metrik evaluasi, serta mengidentifikasi celah untuk penelitian selanjutnya.

Inovasi

Pencarian literatur menyeluruh dilakukan di berbagai database, menghasilkan 34 studi yang memenuhi kriteria inklusi. Tinjauan ini berfokus pada studi yang menerapkan teknik ML dan DL pada citra dermoskopi untuk diagnosis atau prognosis melanoma. Data yang diekstraksi dari setiap studi mencakup arsitektur model (misalnya DenseNet, ResNet, DCNN), karakteristik dataset (misalnya HAM10000, ISIC), metodologi pelatihan, dan metrik kinerja seperti akurasi, sensitivitas, dan spesifisitas. Kualitas studi dinilai, dan temuan disintesis untuk mengidentifikasi tren, kekuatan, batasan, dan arah masa depan. Protokol tinjauan mengikuti pedoman tinjauan sistematis untuk memastikan reproduksibilitas dan kelengkapan.
Pendahuluan
Melanoma adalah bentuk kanker kulit yang sangat agresif, dan diagnosis dini yang akurat sangat penting untuk memperbaiki luaran pasien. Dermoskopi, teknik pencitraan non-invasif, meningkatkan deteksi melanoma dengan memvisualisasikan struktur kulit di bawah permukaan, tetapi interpretasinya tetap subjektif dan bervariasi antar klinisi. Kemajuan terbaru dalam machine learning (ML) dan deep learning (DL) menawarkan solusi yang menjanjikan dengan mengotomatiskan analisis citra dermoskopi untuk meningkatkan presisi diagnostik. Tinjauan sistematis ini bertujuan mengonsolidasikan bukti terbaru tentang aplikasi ML dan DL untuk diagnosis dan prognosis melanoma menggunakan citra dermoskopi, mencakup studi yang diterbitkan antara 2016 dan 2024. Tinjauan ini menjawab kebutuhan akan gambaran menyeluruh tentang arsitektur model, dataset, metodologi, dan metrik evaluasi, serta mengidentifikasi celah untuk penelitian selanjutnya.

Mengapa penting

Tinjauan ini menyoroti potensi transformatif ML dan DL dalam diagnosis melanoma, namun beberapa tantangan harus diatasi sebelum adopsi klinis yang luas. Keragaman data menjadi perhatian utama; sebagian besar studi menggunakan sejumlah terbatas dataset publik yang mungkin tidak mewakili populasi global, sehingga berpotensi menimbulkan bias. Interpretabilitas model adalah isu kritis lainnya, karena model deep learning sering beroperasi sebagai 'black box', sehingga menyulitkan klinisi untuk mempercayai prediksinya. Kebutuhan sumber daya komputasi juga menjadi hambatan, terutama untuk penerapan di lingkungan dengan sumber daya terbatas. Penelitian selanjutnya harus berfokus pada pembuatan dataset yang mudah diakses, besar, dan beragam, pengembangan model yang interpretabel (misalnya melalui mekanisme attention atau explainable AI), serta optimalisasi efisiensi komputasi. Upaya kolaboratif antara klinisi, data scientist, dan pembuat kebijakan sangat penting untuk mentranslasikan teknologi yang menjanjikan ini ke praktik klinis rutin. Pada akhirnya, model ML dan DL dapat memainkan peran sentral dalam memajukan diagnosis melanoma dan meningkatkan perawatan pasien.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten memberโ€ฆ