Pemanfaatan teknologi kecerdasan di bidang kedokteran gigi dapat digunakan untuk mendeteksi dan mengklasifikasikan berbagai kelainan gigi, yang berguna untuk diagnosis, perawatan, edukasi, dan forensik. Hal tersebut dapat menguntungkan bagi sistem pelayanan kesehatan dapat menghemat waktu, meminimalkan tingkat kesalahan, dan meningkatkan akurasi diagnosis. Radigrafi panoramik umum digunakan untuk keperluan pemeriksaan penunjang di bidang kedokteran gigi yang menampilkan area maksila dan mandibula beserta struktur sekitarnya. Radiografi panoramik memiliki keunggulan seperti waktu pemaparan yang lebih singkat, dosis paparan yang relatif rendah, dan hasil yang akurat.
Radiografi Panoramik
Kelainan gigi dan jaringan pendukung dapat diamati pada radiografi panoramik. Mendiagnosis kelainan gigi pada radiografi dapat memerlukan waktu karena kompleksitas dan variasi kelainan sehingga rentan terjadi kesalahan pada kondisi tertentu. Dokter gigi sering lebih fokus pada area kelainan yang terlihat jelas. Teknik komputasi menggunakan radiografi panoramik untuk deteksi kelainan dapat berguna untuk peningkatan pelayanan kesehatan. Tantangan utama dalam pencitraan radiografi panoramik termasuk kontras yang tidak memadai, noise digital, batas yang kabur, dan tumpang tindih.
Kelainan gigi yang umum dijumpai dalam praktek kedokteran gigi meliputi karies, lesi periapikal, resorpsi, dan molar ketiga impaksi. Penelitian sebelumnya tentang deteksi kelainan gigi mencapai kinerja yang memuaskan untuk salah satu kelainan saja. Namun, pada penelitian ini memanfaatkan radiografi panoramik dengan cakupan area yang luas, termasuk maksila dan mandibula. Alat diagnostik berbasis model deep learning (DL) terbukti dapat diandalkan untuk pengambilan keputusan klinis berdasarkan radiografi panoramik. Sebelum munculnya DL, deteksi kelainan gigi berbasis komputer (CAD) pada radiografi panoramik menggunakan teknik Machine learning. Ketersediaan radiografi panoramik dalam jumlah besar mendorong penelitian menggunakan teknik DL untuk klasifikasi kelainan gigi, yang secara cepat meningkatkan kinerja dalam analisis gambar radiografi panoramik. Banyak penelitian telah fokus pada klasifikasi kelainan gigi menggunakan Convolution Neural Network (CNN). Termasuk karies, molar ketiga impaksi, lesi periapikal, resorpsi, osteoporosis, kista atau tumor, dan membedakan antara kasus normal dan abnormal.
Deteksi Kelainan Gigi Berbasis Komputer
Studi saat ini menunjukkan bahwa memanfaatkan algoritma DL untuk membuat skema CAD sangat menguntungkan dengan menggunakan transfer learning. Transfer learning secara efektif memanfaatkan pengetahuan dari model-model terkemuka yang sudah baik dan mengatasi masalah yang terkait dengan data terbatas dengan menggabungkan informasi eksternal ke dalam proses pengembangan model. Kami menemukan beberapa penelitian yang menerapkan transfer learning untuk klasifikasi citra gigi. Khususnya pada citra intra-oral X-ray menggunakan model-model seperti ResNet, ResNeXt, Inception, dan EfficientNet, menunjukkan potensi yang besar dalam otomatisasi klasifikasi kelainan gigi dengan label dan kelas ganda.
Penelitian ini mengusulkan deteksi otomatis end-to-end dari kelainan gigi dan jaringan pendukung pada pasien. Termasuk karies, lesi periapikal, resorpsi, dan molar ketiga impaksi. Studi ini mengevaluasi efektivitas penggunaan berbagai arsitektur CNN yang telah dilakukan training (pre-trained), termasuk ResNet-50, ResNeXt-50, Inception-V3, dan EfficientNetV2. Teknik normalisasi batch dimasukkan ke dalam lapisan klasifikasi untuk meningkatkan kinerja model. Evaluasi melibatkan kumpulan data latihan sebanyak 1842 data training dan 202 data uji. Teknik pra-pemrosesan data, seperti flip horizontal dan flip vertikal, serta transformasi affine acak, digunakan untuk memperkaya dataset. Selain itu, prosedur normalisasi gambar diterapkan sebelum tahap pelatihan dan prediksi.
Hasil Penelitian
Evaluasi hasil pelatihan pada 1842 gambar dengan strategi augmentasi yang diusulkan memperoleh akurasi tertinggi pada model ResNeXt-50 32×4d yang sudah dipretraining sebesar 98,392%. Hasil prediksi pada 202 gambar menggunakan model ResNeXt-50 32x4d dengan integrasi BatchNorm di lapisan klasifikasi mencapai akurasi, presisi, recall, dan F1-score masing-masing sebesar 83,663%, 81,615%, 81,271%, dan 81,066%. Berdasarkan skor F1, model ResNeXt-50 32x4d dengan integrasi BatchNorm berhasil memberikan prediksi model yang baik untuk anomali gigi dan jaringan pendukung dengan dataset yang tidak seimbang.
Meskipun hasil model sangat baik, studi ini memiliki beberapa kendala. Pertama, meskipun telah berhasil mengumpulkan dan anotasi dataset yang substansial, kinerja dan ketahanan model harus melewati evaluasi lebih lanjut dengan data yang lebih luas dan beragam karena variabilitas citra radiografi panoramik. Kedua, untuk meningkatkan kinerja dan performa model deteksi, penting untuk membuat algoritma untuk pengolahan gambar dan klasifikasi. Penelitian perlu dikembangkan untuk deteksi otomatis yang lebih komprehensif dan meningkatkan akurasi dalam mendeteksi kelainan gigi dan jaringan pendukung. Strategi pra-pemrosesan dan pengembangan model tetap menjadi tantangan yang sedang berlangsung dalam menghasilkan prediksi multi-label, multiclass yang lebih komprehensif untuk radiografi panoramik, bahkan dalam dataset yang tidak seimbang. Penggunaan CAD dalam mengidentifikasi kelainan gigi akan bermanfaat sebagai sistem pendukung keputusan untuk membantu dokter gigi dalam mendiagnosis kelainan gigi.
Penulis : Arna Fariza, Rengga Asmara, Eha Renwi Astuti, Ramadhan Hardani Putra
Informasi detail dapat diakses pada tautan berikut: https://inass.org/wp-content/uploads/2023/10/2024043019-1.pdf
