SUARAMALANG.COM, Kota Malang – Laboratorium Fisika Medis dan Biofisika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Brawijaya (FSTeM UB) terus memperkuat pengembangan kecerdasan artifisial (Artificial Intelligence/AI) di bidang kesehatan melalui Grup Riset AI for Medical Physics yang dipimpin oleh Prof. Chomsin S. Widodo, S.Si., M.Si., Ph.D., Guru Besar Bidang Ilmu Fisika Medis dan Radiologi.
Fokus utama riset diarahkan pada pengembangan sistem pendukung diagnosis klinis yang tidak hanya memiliki akurasi tinggi, tetapi juga transparan sehingga hasil analisisnya dapat dipahami dan diverifikasi oleh tenaga medis.
Dalam profil riset yang dipaparkan, laboratorium tersebut mengintegrasikan ilmu fisika, pencitraan medis, radiologi, biomedis, dan machine learning untuk menyelesaikan berbagai persoalan di bidang fisika medis, radiologi diagnostik, hingga elektrodiagnostik.
Pendekatan tersebut memanfaatkan data citra medis, parameter dosis radiasi, informasi anatomi, serta sinyal biomedis guna menghasilkan sistem analisis yang objektif, efisien, dan memiliki dasar ilmiah yang kuat.
Salah satu fokus utama penelitian adalah pengembangan Explainable Artificial Intelligence (Explainable AI). Berbeda dengan model AI yang bekerja layaknya “kotak hitam”, pendekatan Explainable AI dirancang agar setiap keputusan yang dihasilkan dapat dijelaskan berdasarkan parameter medis yang dapat dipertanggungjawabkan secara klinis.
Riset Mengembangkan Tingkat Keparahan Pasien
Selain itu, tim riset juga mengembangkan sistem klasifikasi tingkat keparahan penyakit menggunakan machine learning, analisis Nerve Conduction Study (NCS) untuk diagnosis gangguan saraf, hingga evaluasi hubungan antara parameter paparan radiasi, dosis radiasi, dan karakteristik citra mamografi.
Penelitian tidak hanya menitikberatkan pada peningkatan akurasi prediksi model AI, tetapi juga meningkatkan keterlacakan (traceability) hasil analisis melalui penggunaan parameter klinis yang dapat diverifikasi, seperti Cardiothoracic Ratio (CTR), amplitudo dan latensi sinyal saraf, kecepatan konduksi saraf, parameter paparan radiasi, Mean Glandular Dose (MGD), hingga fitur-fitur radiomics.
Dengan pendekatan tersebut, sistem AI yang dikembangkan diharapkan mampu memberikan dasar kuantitatif bagi dokter dalam mengambil keputusan medis, bukan sekadar menghasilkan label diagnosis.
Empat Portofolio Penelitian Strategis
Grup riset AI for Medical Physics saat ini mengembangkan sejumlah penelitian unggulan, antara lain:
1. Explainable AI untuk diagnosis kardiomegali
Penelitian ini mengembangkan sistem diagnosis pembesaran jantung melalui citra rontgen dada menggunakan model UBNet-Seg, yaitu modifikasi jaringan U-Net yang lebih ringan. Sistem melakukan segmentasi paru, menentukan batas anatomi, kemudian menghitung Cardiothoracic Ratio (CTR). Nilai CTR lebih dari 0,50 digunakan sebagai indikator kardiomegali sehingga keputusan AI dapat dijelaskan langsung berdasarkan parameter anatomi.
2. Analisis NCS untuk diagnosis dan tingkat keparahan polineuropati
Penelitian Pasien di RSUD Syaiful Anwar Malang
Penelitian memanfaatkan data pasien RSUD Dr. Saiful Anwar Malang periode 2022–2025 dengan desain retrospektif cross-sectional. Variabel yang dianalisis meliputi raw waveform, amplitudo, latensi, kecepatan konduksi, hingga F-wave saraf sensorik dan motorik guna meningkatkan objektivitas diagnosis polineuropati.
3. Klasifikasi tingkat keparahan radikulopati lumbosakral berbasis NCS
Model machine learning dikembangkan untuk mengklasifikasikan tingkat keparahan radikulopati menjadi kategori ringan (mild), sedang (moderate), dan berat (severe) berdasarkan parameter NCS saraf Peroneal, Tibial, dan Sural. Dataset penelitian melibatkan 706 pasien dengan pembagian data pelatihan dan pengujian sebesar 80:20.
4. Optimasi parameter paparan radiasi dan radiomics mamografi
Penelitian Mengevaluasi Berbagai Parameter
Penelitian eksperimental menggunakan Phantom ACR pada sistem mamografi digital dengan mengevaluasi berbagai kombinasi parameter seperti kV, mAs, target/filter, serta mode Automatic Exposure Control (AEC).
Luaran penelitian meliputi analisis Mean Glandular Dose (MGD) dan karakteristik fitur radiomics menggunakan perangkat lunak PyRadiomics untuk mendukung peningkatan kualitas pencitraan sekaligus menekan dosis radiasi pasien.
Selain pengembangan model AI, kegiatan laboratorium juga mencakup akuisisi dan kurasi data klinis, pengolahan citra medis, segmentasi objek anatomi, ekstraksi fitur, analisis statistik, pengembangan model machine learning dan deep learning, validasi sistem, hingga pembangunan antarmuka aplikasi.
Seluruh penelitian dilaksanakan melalui kolaborasi dengan berbagai fasilitas pelayanan kesehatan dan diarahkan untuk menghasilkan publikasi ilmiah bereputasi, perangkat lunak pendukung pelayanan medis, peningkatan kualitas pendidikan mahasiswa, serta implementasi teknologi AI yang aman, transparan, dan bermanfaat bagi pelayanan kesehatan di Indonesia.
Pewarta : * Halim Ali
