Penggunaan Kecerdasan Buatan Generatif untuk Diagnosis Penyakit Hati Berbasis Citra Ultrasonografi

Pendekatan pembelajaran mesin yang dipandu AI generatif untuk deteksi NAFLD dari citra ultrasonografi hati mode-B

Frank Ekpar· IJARCCE· 2025· DOI 10.17148/ijarcce.2025.14301

Masalah inti

Penyakit hati berlemak non-alkoholik (NAFLD) adalah kondisi hati umum yang dapat dinilai secara non-invasif dengan ultrasonografi hati mode-B. Makalah ini menyelidiki apakah kecerdasan buatan generatif (AI), khususnya model bahasa besar (LLM), dapat memandu pembangunan model pembelajaran mesin (ML) untuk deteksi NAFLD otomatis dari citra ultrasonografi. Kendala utamanya adalah ukuran kumpulan data: karena kumpulan data citra yang tersedia minimal, penelitian ini sengaja menghindari *convolutional neural networks* (CNN) dan arsitektur *deep learning* (DL) yang berisiko *overfitting*. Secara formal, masalah pembelajaran dapat dibingkai sebagai estimasi klasifikasi f : X \to {0, 1} yang memetakan representasi x \in X yang berasal dari ultrasonografi ke label biner y \in {0, 1}, di mana y = 1 menunjukkan NAFLD dan y = 0 menunjukkan tidak ada NAFLD. Kontribusi makalah ini bukanlah arsitektur mendalam yang baru, melainkan alur kerja yang dibantu AI generatif untuk memilih dan mengembangkan klasifikasi ML yang lebih sederhana dan sesuai data.

Abstrak melaporkan bahwa eksperimen menunjukkan kinerja yang wajar. Penilaian ini dibingkai mengingat fakta bahwa penggunaan CNN dan pendekatan *deep learning* sejenis dapat menyebabkan *overfitting* data. Dengan kata lain, klasifikasi yang lebih sederhana tidak diharapkan untuk menyamai kapasitas mentah jaringan mendalam, tetapi mereka mungkin menggeneralisasi dengan lebih tepat ketika kumpulan data citra minimal. Abstrak sumber tidak memberikan hasil numerik spesifik, seperti akurasi, sensitivitas, spesifisitas, presisi, *recall*, skor F_{1}, atau AUC. Untuk konteks evaluasi, definisi akurasi standar adalah Accuracy = \frac{T P + T N}{T P + T N + F P + F N}, di mana TP, TN, FP, dan FN masing-masing menunjukkan *true positives*, *true negatives*, *false positives*, dan *false negatives*. Hasil yang dilaporkan bersifat kualitatif: penggunaan klasifikasi *random forest*, regresi logistik, dan *decision tree* yang dipandu AI generatif menghasilkan kinerja yang wajar di bawah kendala data kecil.

Penyakit hati berlemak non-alkoholik (NAFLD) adalah kondisi hati umum yang dapat dinilai secara non-invasif dengan ultrasonografi hati mode-B. Makalah ini menyelidiki apakah kecerdasan buatan generatif (AI), khususnya model bahasa besar (LLM), dapat memandu pembangunan model pembelajaran mesin (ML) untuk deteksi NAFLD otomatis dari citra ultrasonografi. Kendala utamanya adalah ukuran kumpulan data: karena kumpulan data citra yang tersedia minimal, penelitian ini sengaja menghindari *convolutional neural networks* (CNN) dan arsitektur *deep learning* (DL) yang berisiko *overfitting*. Secara formal, masalah pembelajaran dapat dibingkai sebagai estimasi klasifikasi f : X \to {0, 1} yang memetakan representasi x \in X yang berasal dari ultrasonografi ke label biner y \in {0, 1}, di mana y = 1 menunjukkan NAFLD dan y = 0 menunjukkan tidak ada NAFLD. Kontribusi makalah ini bukanlah arsitektur mendalam yang baru, melainkan alur kerja yang dibantu AI generatif untuk memilih dan mengembangkan klasifikasi ML yang lebih sederhana dan sesuai data.

Penelitian ini menggunakan citra ultrasonografi hati mode-B sebagai modalitas masukan. Karena kumpulan datanya kecil, para penulis tidak menggunakan CNN atau sistem DL sejenis yang dibangun di sekitar jaringan saraf tiruan. Sebaliknya, mereka bereksperimen dengan algoritma dan klasifikasi pembelajaran mesin yang lebih sederhana: klasifikasi *random forest*, regresi logistik, dan klasifikasi *decision tree*. AI generatif digunakan sebagai mesin rekomendasi daripada sebagai model diagnostik akhir. LLM diminta dengan *prompt* yang disesuaikan dan direkayasa untuk mendapatkan rekomendasi yang mempertimbangkan karakteristik kumpulan data. Rekomendasi ini menginformasikan pengembangan model ML. Secara konseptual, regresi logistik dapat dinyatakan sebagai P (y = 1 ∣ x) = σ (w^{T} x + b), di mana σ (z) = 1/ (1 + e^{- z}); *random forest* mengagregasi beberapa *decision tree*, \overset{y}{^} = majority_vote {h_{k} (x)}_{k = 1}^{K}; dan *decision tree* mempartisi ruang fitur menjadi wilayah berbasis aturan. Alur kerja diringkas di bawah ini.

Kontribusi analitis utama makalah ini adalah demonstrasi strategi yang dibantu AI generatif untuk pemilihan dan pengembangan model ketika data langka. Dengan meminta LLM menggunakan *prompt* yang disesuaikan, para penulis mencari rekomendasi yang mencerminkan karakteristik kumpulan data daripada menerapkan *pipeline deep-learning* bawaan. Ini penting karena CNN dan pendekatan DL sejenis dapat menyebabkan *overfitting* pada kumpulan data pencitraan medis kecil, menghasilkan kinerja pelatihan yang optimis tetapi generalisasi yang buruk. Pilihan klasifikasi *random forest*, regresi logistik, dan *decision tree* konsisten dengan *bias-variance trade-off*: model-model ini memberlakukan asumsi struktural yang lebih kuat atau batas keputusan yang lebih sederhana, yang dapat menguntungkan ketika jumlah contoh pelatihan terbatas. Pada saat yang sama, abstrak tidak melaporkan perbandingan kuantitatif, validasi eksternal, atau ablasi penuh rekomendasi LLM, sehingga ketahanan dan reproduktibilitas pendekatan tersebut tetap menjadi pertanyaan terbuka. Temuan menunjukkan bahwa AI generatif dapat berfungsi sebagai asisten tingkat meta untuk desain ML dalam pencitraan medis, tetapi pekerjaan di masa depan harus menguji metode ini pada kumpulan data ultrasonografi multi-pusat yang lebih besar dan membandingkannya secara langsung dengan *baseline* CNN/DL dalam kondisi terkontrol.

Praktisi dan peneliti ilmu komputer

Membuka konten member…