Pengembangan Sistem AI untuk Diagnosis Dini Kanker Paru-Paru
AI-Powered Early Lung Cancer Detection System
Info Proyek
| Kategori | Penelitian Dasar |
| Status | Sedang Berjalan |
| Mulai | 15 Jan 2023 |
| Selesai | 31 Dec 2025 |
Kata Kunci: artificial intelligence lung cancer early detection deep learning medical imaging CNN computer-aided diagnosis
Pengembangan Sistem AI untuk Diagnosis Dini Kanker Paru-Paru
Proyek penelitian ini bertujuan mengembangkan sistem kecerdasan buatan berbasis deep learning untuk mendeteksi kanker paru-paru secara dini dari citra CT scan. Dengan menggunakan arsitektur Convolutional Neural Network (CNN) 3D yang canggih, sistem ini mampu mengidentifikasi nodul paru yang mencurigakan dengan akurasi tinggi.
Latar Belakang: Kanker paru-paru merupakan penyebab kematian tertinggi kedua di Indonesia dengan angka survival rate yang rendah karena diagnosis terlambat. Teknologi AI dapat membantu radiolog dalam mendeteksi nodul kecil yang sulit terlihat oleh mata manusia.
Metodologi: Penelitian menggunakan dataset 10.000 citra CT scan dari rumah sakit rujukan nasional. Model dikembangkan dengan transfer learning dari pre-trained networks dan teknik data augmentation untuk mengatasi keterbatasan data medis.
Inovasi Utama:
- Arsitektur CNN 3D untuk analisis volumetrik
- Explainable AI untuk interpretasi hasil diagnosis
- Integration dengan sistem PACS rumah sakit
- Real-time processing untuk clinical workflow
Dampak: Sistem ini diharapkan dapat meningkatkan akurasi diagnosis kanker paru-paru dari 70% menjadi 95%, sehingga pasien dapat mendapat penanganan lebih cepat dan meningkatkan angka survival rate.
Tujuan Penelitian
Tujuan Penelitian:
- Mengembangkan model deep learning untuk deteksi nodul paru pada CT scan dengan akurasi minimal 95%
- Membuat sistem Computer-Aided Detection (CAD) yang dapat membantu radiolog dalam diagnosis
- Validasi sistem menggunakan dataset lokal Indonesia dengan 10,000+ CT scan images
- Implementasi prototype sistem di 3 rumah sakit rujukan nasional
- Publikasi hasil penelitian di jurnal internasional bereputasi Q1
Metodologi
Metodologi Penelitian:
- Data Collection: Pengumpulan 10,000 CT scan images dari 5 rumah sakit dengan berbagai jenis kasus (normal, nodul jinak, kanker)
- Data Preprocessing: Image enhancement, normalization, dan augmentation untuk meningkatkan kualitas training data
- Model Development: Menggunakan arsitektur 3D CNN dengan ResNet dan DenseNet backbone, transfer learning dari pretrained models
- Training & Validation: 5-fold cross validation dengan split 70:15:15 untuk training, validation, dan testing
- Clinical Validation: Testing di rumah sakit dengan evaluasi dari 10 radiolog senior
Tim Peneliti
Ketua Peneliti
Prof. Dr. dr. Hartanto Wijaya, Sp.Rad(K)., M.Kes.
Anggota Peneliti
Dr. Siti Aminah, S.Kom., M.Kom. - AI/ML Specialist
dr. Bambang Suryanto, Sp.P(K) - Pulmonologist
Dr. Ir. Ratna Sari, M.T. - Medical Imaging Expert
Agus Setiawan, S.Kom., M.Kom. - Software Engineer
Asisten Peneliti
Dr. Siti Nurhaliza, M.Kom. - Data Scientist
Ahmad Fauzi, S.Kom. - Machine Learning Engineer
Maya Sari, S.Kom. - Research Assistant
Rizky Pratama, S.T. - Software Developer
Mahasiswa Terlibat
Andi Kurniawan - Research Focus: 3D CNN Architecture for Lung Nodule Detection
Siti Rahmawati - Research Focus: Explainable AI for Medical Diagnosis
Budi Santoso - Thesis: Transfer Learning for Medical Image Classification
Fitri Handayani - Thesis: Data Augmentation Techniques for Small Medical Datasets
Rizky Pratama - Thesis: Real-time Inference Optimization for Medical AI
Maya Kusuma - Thesis: Multi-task Learning for Lung Disease Classification
Dian Purnama - Thesis: Federated Learning for Privacy-Preserving Medical AI
Ahmad Fauzi (TA: AI Model Training)
Siti Rahmawati (TA: Data Preprocessing)
Rudi Hermawan (TA: Clinical Validation)
Maya Sari (TA: System Integration)
Dian Purnama (TA: User Interface Development)
Kolaborasi
Mitra Akademik
dr. Maya Sari, Sp.Rad
Penyedia data CT scan dan validasi klinis sistem AI
Mitra Pemerintah
Dr. Ahmad Santoso
Penyedia dana hibah penelitian dan fasilitas laboratorium AI
Dampak & Pencapaian
Pencapaian & Prestasi
- Best Paper Award pada Indonesian Conference on AI for Healthcare 2024
- Sistem mencapai sensitivity 96.2% dan specificity 91.8% pada validation set
- Pilot testing di RS Cipto Mangunkusumo dengan 500+ kasus
Dampak Sosial
Proyek ini diharapkan dapat meningkatkan deteksi dini kanker paru-paru di Indonesia, dimana angka survival rate masih rendah karena terlambat terdiagnosis. Dengan sistem CAD ini, radiolog dapat lebih cepat dan akurat dalam mendeteksi nodul paru yang mencurigakan, sehingga pasien dapat mendapat penanganan lebih cepat.
Dampak Ekonomi
Sistem CAD ini memiliki potensi komersialisasi dengan nilai pasar global CAD untuk kanker paru mencapai USD 2.3 miliar pada 2025. Di Indonesia, dengan 400+ rumah sakit dan 2000+ radiolog, potensi pasar mencapai Rp 500 miliar.
Dampak Kebijakan
Hasil penelitian ini berkontribusi pada pengembangan regulasi telemedicine dan AI di bidang kesehatan. Sistem ini dapat menjadi acuan untuk implementasi AI dalam diagnosis medis di Indonesia.
Progress & Milestone
Milestone & Target
| Milestone | Target Date | Status | Progress |
|---|---|---|---|
| Dataset Collection (10K CT Images) | June 2023 | Completed | 100% |
| AI Model Development v1 | December 2023 | Completed | 100% |
| Clinical Validation Phase 1 | June 2024 | Completed | 100% |
| Model Optimization v2 | December 2024 | In Progress | 75% |
| Clinical Validation Phase 2 | June 2025 | Planned | 0% |
| Final Publication & Deployment | December 2025 | Planned | 0% |
Kegiatan Saat Ini
Aktivitas Saat Ini:
- Pengumpulan data CT scan tambahan dari RSUP Dr. Sardjito Yogyakarta
- Pengembangan model deep learning dengan attention mechanism
- Clinical validation di 3 rumah sakit rujukan
- Persiapan publikasi di jurnal internasional
Langkah Selanjutnya
Langkah Selanjutnya:
- Scale-up implementasi ke 10 rumah sakit nasional
- Pengembangan mobile application untuk radiolog
- Integrasi dengan sistem PACS rumah sakit
- Pengembangan versi untuk kanker lainnya (payudara, serviks)