Karies gigi merupakan kelainan rongga mulut yang paling sering ditemui di seluruh dunia yaitu mencapai lebih dari 2 milyar penduduk dalam berbagai usia, sedangkan hasil Riset Kesehatan Dasar Kementerian Kesehatan Republik Indonesia tahun 2018 menunjukkan prevalensi karies gigi di Indonesia mencapai 88,80% dan meningkat pada populasi lansia hingga mencapai 95%. Karies gigi merupakan penyakit infeksi multifaktorial yang disebabkan karena demineralisasi enamel dan dentin oleh bakteri penghasil asam, menyebabkan kavitasi (lubang) dan kehilangan struktur gigi.
Diagnosis karies memerlukan pemeriksaan teliti untuk menentukan lokasi maupun kedalamannya. Pemeriksaan klinis saja seringkali tidak memberikan hasil yang akurat sehingga diperlukan pemeriksaan penunjang untuk menegakkan diagnosis karies yaitu pemeriksaan radiografi, baik intraoral maupun ekstraoral. Pemeriksaan radiografi dapat membantu menentukan lokasi, perluasan dan kedalaman karies serta menentukan klasifikasinya.
Dari radiografi intraoral dapat terlihat gambaran detail karies gigi paling banyak tiga gigi dalam satu film, sedangkan radiografi panoramik menghasilkan gambaran yang kurang detail tetapi dapat mencakup seluruh gigi dan jaringan keras rahang atas dan rahang bawah dalam satu lembar film sehingga dapat digunakan untuk skrining karies klinis secara menyeluruh.
Selain pemeriksaan klinis, dan radiografi diperlukan metode diagnostik lainnya yaitu dengan memanfaatkan kecerdasan buatan (Artificial Intelligence/AI). Salah satu metode AI yang memiliki kemampuan sangat tinggi untuk identifikasi pengenalan objek dalam suatu citra yaitu Convolutional Neural Network (CNN). You Only Look Once versi 5 (YOLOv5) merupakan salah satu model yang sudah teruji di bidang kedokteran gigi. Model berbasis AI ini memiliki potensi yang dapat dimanfaatkan untuk membantu meningkatkan pengamatan karies pada radiografi panoramik. Kecerdasan buatan membantu menghasilkan suatu sistem yang dapat melakukan interpretasi radiografi secara otomatis. Interpretasi otomatis bertujuan untuk meningkatkan akurasi dari hasil diagnosis, efektivitas waktu, dan efisiensi kerja. Metode ini memungkinkan identifikasi kelainan gigi dan jaringan penyangga melalui kemampuan klasifikasi, deteksi, dan segmentasi hasil radiograf dengan lebih cepat, akurat, dan mengurangi terjadinya kesalahan.
Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model otomatis berbasis AI untuk deteksi dan klasifikasi tingkat keparahan karies gigi pada radiografi panoramik, mengeksplorasi kegunaannya untuk skrining klinis serta dapat berkontribusi dalam deteksi dini karies gigi.
Penelitian ini menggunakan 500 data set panoramik (untuk training, validasi, dan testing set) dengan proporsi 80:10:10, masing-masing terdiri dari 400:50:50 panoramik yang berbeda. International Caries Classification and Management System™ (ICCMS™) merupakan sistem klasifikasi karies menggunakan Radiographic Scoring System (RSS) untuk mengklasifikasikan kedalaman karies gigi. ICCMS memiliki beberapa klasifikasi karies gigi. Pada penelitian ini digunakan 1 kelas untuk deteksi karies dan 2 kelas untuk klasifikasi karies.
Hasil analisis performa YOLOv5 untuk deteksi karies 1-kelas menunjukkan akurasi (95.16%), sensitivitas (52.78%), spesifisitas (98.38%), presisi (71.25%), dan F1 score (60.64%). Sedangkan performa YOLOv5 untuk klasifikasi 2-kelas menunjukkan akurasi (93.90%), sensitivitas (49.02%), spesifisitas (97.08%), presisi (54.35%), dan F1 score (51.55%). Sedangkan Waktu rata-rata yang dibutuhkan oleh model YOLOv5 untuk mendeteksi karies pada setiap gambar adalah 31.8 ms, yang menunjukkan kemampuannya untuk mendeteksi dan klasifikasi pada radiografi panoramik secara cepat.
Performa YOLOv5 menunjukkan kinerja yang andal dalam mendeteksi karies gigi secara otomatis dan membuat klasifikasi tingkat keparahan karies pada radiografi panoramik meskipun masih diperlukan banyak penelitian berkelanjutan . Analisis yang dibantu AI dapat meningkatkan upaya deteksi dini karies dan berkontribusi pada manajemen karies yang lebih efisien dalam praktek kedokteran gigi.
Penulis: Yunita Savitri
Informasi detail artikel: https://scholar.unair.ac.id/en/publications/deep-learning-based-automated-detection-and-severity-classificati/
