Mahasiswa UGM Kembangkan Teknologi AI untuk Deteksi Dini Kanker Mata
- Istimewa
SLEMAN, VIVA Jogja – Retinoblastoma, salah satu jenis kanker mata yang paling banyak menyerang anak-anak, masih menjadi tantangan besar di Indonesia. Penyakit ini memiliki angka kejadian sekitar 1 dari 16.000 hingga 28.000 kelahiran. Di negara maju, tingkat keberhasilan terapi bisa mencapai 99 persen berkat deteksi dini yang akurat. Namun di Indonesia, keterlambatan diagnosis menyebabkan 40 hingga 70 persen pasien mengalami kehilangan penglihatan, kecacatan permanen, bahkan kematian. Kondisi ini menegaskan perlunya sistem skrining yang cepat, akurat, dan terjangkau untuk meningkatkan peluang kesembuhan sekaligus menekan angka kebutaan pada anak.
Menjawab kebutuhan tersebut, tim mahasiswa Universitas Gadjah Mada melalui Program Kreativitas Mahasiswa bidang Karsa Cipta (PKM-KC) menghadirkan inovasi bernama Rb-AID (Retinoblastoma Artificial Intelligence Detection). Alat ini memanfaatkan sistem two-step convolutional neural network (TSCNN) yang terintegrasi dalam aplikasi seluler untuk melakukan pemeriksaan fundus mata secara real-time pada balita.
Tim pengembang dipimpin oleh Jonathan Setiawan dari Program Studi Teknik Nuklir angkatan 2023, bersama Ammar Ali Yasir (Teknologi Informasi 2023), Ammar (Teknik Mesin 2023), Muhammad Hafidz Al Farisi (Teknologi Informasi 2023), dan Emeliana Putri Ayu Ningsih (Kedokteran 2024). Mereka bekerja di bawah bimbingan Prof. Dr. Eng. Ir. Herianto, S.T., M.Eng., IPU., ASEAN Eng. Jonathan menjelaskan bahwa Rb-AID terdiri dari dua komponen utama, yakni perangkat Rb-AID tool untuk menjaga stabilitas dan kualitas akuisisi citra fundus, serta sistem Rb-AID mobile decision yang menggunakan TSCNN dua tahap untuk menganalisis hasil pemeriksaan secara cepat dan objektif.
Secara teknis, perangkat ini dirancang menggunakan perangkat lunak Autodesk Inventor, dicetak dengan teknologi 3D menggunakan bahan PLA ramah lingkungan, serta dilengkapi lensa 20D untuk menghasilkan visual retina yang tajam. Ponsel dapat dipasang stabil pada dudukan khusus dengan jarak kerja ideal sekitar 50 milimeter, sehingga pencahayaan dan fokus ke retina lebih optimal.
Pada sisi perangkat lunak, sistem kecerdasan buatan dilatih dengan ribuan citra fundus yang mencakup kasus retinoblastoma dan citra normal sebagai pembanding. Melalui arsitektur TSCNN, aplikasi mampu mengenali tanda-tanda klinis seperti massa putih pada retina, pola pembuluh darah abnormal, serta refleksi cahaya yang tidak merata akibat lesi. Aplikasi ini memiliki dua mode kerja, yakni offline dengan rujukan manual oleh petugas, dan online yang secara otomatis merekomendasikan fasilitas oftalmologi terdekat serta mengirim hasil pemeriksaan ke dokter untuk verifikasi.
