Model pembelajaran mendalam, terutama transfer learning, menunjukkan hasil menjanjikan dalam skrining kanker serviks dari gambar pap smear. Penelitian ini mengevaluasi 16 model, termasuk ResNet50 dan VGG16, yang menunjukkan akurasi tinggi. Penemuan ini berpotensi mempercepat diagnosa dan meningkatkan perawatan pasien di berbagai negara.
Model pembelajaran mendalam telah menunjukkan potensi besar untuk meningkatkan akurasi klasifikasi kanker serviks dari gambar pap smear. Penelitian ini mengevaluasi 16 model pembelajaran dalam upaya mengotomatiskan skrining kanker serviks, menggunakan dataset Herlev dan Sipakmed, serta memperlihatkan bahwa model ResNet50 mencapai akurasi 95%. Kanker serviks menjadi tantangan global, terutama di negara berkembang yang memiliki keterbatasan sumber daya untuk skrining dan diagnosis. Skrining terotomatisasi menjadi sangat dibutuhkan untuk mendeteksi kanker lebih awal, sesuai dengan target Organisasi Kesehatan Dunia untuk meningkatkan akses skrining dan vaksinasi HPV.
Metode tradisional, seperti pap smear, memerlukan keahlian dan dapat menyebabkan kesalahan interpretasi. Dalam konteks ini, penelitian ini memanfaatkan teknologi transfer learning pada gambar pap smear. Dengan menguji berbagai arsitektur CNN seperti ResNet, VGG, dan DenseNet, penelitian menunjukkan bahwa model-model ini menawarkan hasil yang lebih akurat dan efisien dibandingkan dengan metode manual. Model VGG16 bahkan mencatat akurasi 99,95% dalam analisis dataset Sipakmed untuk tugas klasifikasi biner dan lima kelas.
Fokus penelitian ini tidak hanya pada akurasi, tetapi juga pada kecepatan diagnosis dan hasil untuk pasien. Hasil eksperimen membuktikan bahwa model-model seperti DenseNet dan MobileNet dapat memberikan hasil yang luar biasa walaupun memiliki arsitektur yang ringan. Model ResNet50, yang tampil menonjol pada dataset Herlev, menunjukkan bahwa ia dapat mencapai akurasi lebih dari 90% dalam berbagai tingkat klasifikasi. Penemuan ini menunjukkan potensi besar untuk menerapkan teknologi ini dalam pengaturan klinis.
Penelitian ini membuka jalan untuk solusi penyaringan kanker serviks yang lebih baik dan mendorong kolaborasi antara peneliti dan institusi kesehatan. Penekanan pada perluasan dataset dan pelatihan model yang lebih beragam diperlukan untuk meningkatkan generalisasi. Inisiatif ini tidak hanya memfasilitasi penelitian di masa depan tetapi juga dapat meredefinisi tantangan diagnosis kanker serviks secara global.
Kanker serviks adalah masalah kesehatan global yang signifikan, khususnya di negara berkembang. Dengan akses terbatas ke teknologi skrining, banyak kasus tidak terdiagnosis. Penelitian ini memfokuskan pada penerapan model pembelajaran mendalam dalam meningkatkan akurasi dan efektivitas skrining kanker serviks, bertujuan untuk mengatasi keterbatasan yang ada dalam metode tradisional. Dengan adopsi teknologi baru, diharapkan dapat meningkatkan hasil kesehatan bagi pasien di seluruh dunia.
Penelitian ini menunjukkan bahwa penerapan model pembelajaran mendalam dapat meningkatkan akurasi skrining kanker serviks melalui pengolahan gambar pap smear. Dengan model-model seperti ResNet50 dan VGG16 menunjukkan hasil yang sangat baik, ada potensi untuk mengotomatiskan proses skrining ini dalam pengaturan klinis. Kerjasama antara peneliti dan institusi kesehatan sangat penting untuk mengatasi tantangan yang ada dan memperluas penggunaan teknologi ini.
Sumber Asli: evrimagaci.org
