AI Deteksi Cacat Lahir Langka pada Ultrasound Janin

ARTIFICIAL intelligence (AI) deep learning dengan cepat muncul sebagai alat diagnostik inovatif untuk ilmu dan perawatan kesehatan. Sebuah studi baru menunjukkan bagaimana deep learning AI dapat digunakan untuk mendiagnosis gangguan perkembangan embrio langka yang disebut cystic hygroma dalam trimester pertama kehamilan dari gambar USG janin.

“Dalam studi pembuktian konsep ini, kami mendemonstrasikan potensi deep learning untuk mendukung identifikasi kistik higroma awal dan andal dari pemindaian ultrasound trimester pertama,” tulis Dr Mark Walker MD, FRCSC, MSc, MHCM, dari Fakultas Kedokteran Universitas Ottawa (uOttawa) dan tim penelitinya.

BACA JUGA:

Bahaya Hipertensi Untuk Ibu Hamil dan Janin

Walker ialah seorang ahli perinatologi, ahli epidemiologi klinis, dokter kandungan berisiko tinggi, salah satu pendiri OMNI (Obstetrics, Maternal and Newborn Investigations) Research Group di The Ottawa Hospital, yang merupakan kelompok penelitian ibu dan bayi terbesar di Kanada, dan seorang profesor dan Wakil Dekan Internasionalisasi dan Kesehatan Global di Fakultas Kedokteran Ottawa. Dia telah menerbitkan lebih dari 160 artikel peer review.

Cystic hygroma disebabkan oleh malformasi atau penyumbatan sistem limfatik yang terjadi pada 1 dari 800 kehamilan dan 1 dari 8.000 kelahiran hidup menurut The Fetal Medicine Foundation. Mayoritas higroma kistik terletak di leher di mana ada kelebihan akumulasi cairan. Hygroma kistik dapat menyebabkan keguguran atau lahir mati.

Prediksi dengan 93 persen akurasi

Sekitar minggu kesepuluh kehamilan, USG prenatal dapat membantu mendiagnosis higroma kistik dengan munculnya ruang yang disebut ketebalan nuchal, atau nuchal translucency (NT).

Sonogram, atau USG janin, adalah metode pencitraan yang menghasilkan gambar janin di dalam rahim menggunakan gelombang suara. Ultrasonografi janin biasanya dilakukan pada trimester pertama.

Model dilatih menggunakan data gambar ultrasound dari The Ottawa Hospital. Secara khusus, dataset memiliki 289 gambar USG janin sagital, 129 di antaranya memiliki higroma kistik, dan 160 adalah kontrol ketebalan nuchal normal.

Tim peneliti menggunakan Dense Convolutional Network (DenseNet), model PyTorch DenseNet169, yang menghubungkan lapisan secara feed-forward. Dalam kecerdasan buatan, DenseNet adalah jenis arsitektur Convolutional Neural Network (CNN) yang mengurangi jumlah parameter, meningkatkan propagasi fitur, mengatasi masalah gradien hilang, dan mendorong penggunaan kembali fitur.

BACA JUGA:

Krisis Iklim Pengaruhi Kesehatan Jantung Janin

Convolutional Neural Network adalah jaringan saraf tiruan (JST) yang sering digunakan untuk visi komputer, gambar, dan klasifikasi teks, serta pengenalan objek. CNN berisi banyak lapisan yang belajar mengenali fitur gambar.

Studi ini menunjukkan bahwa model deep learning AI dapat memprediksi higroma kistik dengan akurasi rata-rata keseluruhan 93 persen.

“Temuan kami menunjukkan kelayakan menggunakan model deep learning untuk menginterpretasikan gambar ultrasound janin dan mengidentifikasi diagnosis cystic hygroma dengan kinerja tinggi dalam kumpulan data pemindaian ultrasound trimester pertama,” para peneliti menyimpulkan.

Studi ilmiah ini hanyalah permulaan. Menurut para peneliti, dengan pengujian tambahan dengan kumpulan data multi-situs yang besar dan validasi eksternal, model pembelajaran mendalam AI mereka dapat digunakan untuk memprediksi anomali janin lainnya dari ultrasonografi.(aru)

BACA JUGA:

Bukan Karena Corona, Faktor ini yang Buat Angka Kematian Ibu dan Janin Meningkat