Sebuah foto panoramik gigi menyimpan informasi yang luar biasa padat. Dalam satu gambar berukuran 2.880 × 1.504 piksel, terdapat 32 gigi, tulang rahang, sinus, sendi, dan struktur anatomi lain yang saling bertumpuk. Di antara semua itu, dokter harus menemukan satu anomali kecil namun berdampak besar: gigi kaninus yang terpendam, atau dalam istilah klinis disebut impacted canine. Pekerjaan ini membutuhkan mata terlatih, waktu, dan konsentrasi tinggi. Kini, sebuah sistem kecerdasan buatan yang dikembangkan peneliti dari KU Leuven, Belgia, mengklaim bisa melakukannya dengan akurasi hampir sempurna.
Ketika Gigi Taring Bersembunyi di Balik Tulang
Gigi kaninus, atau gigi taring, adalah gigi dengan akar terpanjang di rongga mulut. Posisinya strategis, membentuk sudut lengkung gigi dan berperan penting dalam fungsi pengunyahan maupun estetika wajah. Ketika gigi ini gagal erupsi dan tertahan di dalam tulang rahang, kondisi ini disebut impaksi. Kaninus impaksi bukan kasus langka: ia menempati posisi kedua kasus impaksi paling sering setelah gigi molar ketiga, dan bila tidak tertangani, dapat menyebabkan resorpsi akar gigi di sekitarnya, kista, hingga gangguan oklusi yang kompleks.
Mendeteksinya di foto panoramik bukan perkara mudah. Ukuran gambar yang besar, variasi posisi impaksi yang beragam, serta kepadatan struktur anatomi di sekitarnya membuat proses identifikasi manual memakan waktu dan rentan terhadap kesalahan interpretasi. Inilah titik berangkat penelitian yang melibatkan drg. Rellyca Sola Gracea, Sp.RKG. Subsp.RDP (K), dosen Fakultas Kedokteran Gigi Universitas Gadjah Mada yang saat ini bergabung dengan OMFS-IMPATH Research Group di KU Leuven bersama peneliti Sirin Guner Onur, Soroush Baseri Saadi, dan Reinhilde Jacobs.
Dua Langkah, Satu Tujuan
Tim peneliti merancang sistem deep learning dengan pendekatan dua tahap yang elegan. Alih-alih meminta algoritma langsung menganalisis foto panoramik berukuran penuh yang sangat besar, sistem bekerja seperti seorang dokter yang pertama-tama menyapu pandangan ke seluruh gambar, lalu memperbesar area yang mencurigakan untuk diperiksa lebih teliti.
Tahap pertama menggunakan model deteksi berbasis YOLOv8 yang bertugas mengidentifikasi lokasi kaninus impaksi dalam gambar penuh, menandainya dengan kotak pembatas (bounding box). Begitu lokasi ditemukan, tahap kedua mengambil alih: model segmentasi bekerja pada area yang sudah dipotong dan diperkecil itu, menggambar kontur gigi impaksi secara presisi piksel demi piksel.
Dataset yang digunakan terdiri dari 143 foto panoramik dengan resolusi tinggi, yang dibagi menjadi 114 gambar untuk pelatihan dan validasi, serta 29 gambar untuk pengujian. Seluruh proses pelatihan menggunakan fivefold cross-validation, sebuah metode yang memastikan performa sistem tidak hanya bagus di satu kelompok data tertentu.
Hasilnya melampaui ekspektasi. Model deteksi mencatat presisi 0,941 dan recall 0,887. Model segmentasi bahkan lebih tajam: presisi 0,956 dengan recall 0,905. Yang paling mengesankan adalah nilai mean average precision (mAP) pada ambang batas IoU 0,50, yaitu 0,986 untuk kedua tugas sekaligus. Angka ini mendekati sempurna dalam skala 0 hingga 1.
“The proposed two-stage deep learning pipeline demonstrates high accuracy in detecting and segmenting impacted canines, offering a reliable automated tool for clinical diagnosis and treatment planning in dental practice.” — drg. Rellyca Sola Gracea, Sp.RKG. Subsp.RDP (K) et al., Journal of Dentistry, 2026
Dari Piksel ke Meja Perawatan
Apa artinya angka-angka itu bagi pasien yang duduk di kursi dental? Secara praktis, sistem ini berpotensi memangkas waktu interpretasi radiograf, mengurangi risiko diagnosis terlewat, dan memberikan visualisasi yang lebih informatif bagi dokter maupun pasien. Output sistem tidak hanya berupa data numerik, tetapi juga gambar dengan kontur gigi impaksi yang disuperimposkan langsung pada foto panoramik asli, memudahkan dokter gigi dalam merencanakan perawatan ortodontik atau bedah.
Kontribusi drg. Rellyca, yang juga merupakan spesialis Radiologi Kedokteran Gigi dengan sub-spesialisasi Radiologi Dentomaksilofasial Pediatri dari FKG UGM, memberi dimensi penting pada penelitian ini: perspektif klinis dari praktisi yang memahami tantangan diagnosis radiografi sehari-hari. Penelitian ini dipublikasikan dalam Journal of Dentistry (2026), salah satu jurnal kedokteran gigi paling bergengsi di dunia.
Tentu saja, sistem ini belum sempurna. Dataset 143 gambar relatif kecil untuk standar pelatihan deep learning, dan performa pada populasi pasien yang lebih beragam masih perlu diuji lebih lanjut. Namun sebagai bukti konsep, sistem ini meletakkan fondasi yang kokoh: bahwa kecerdasan buatan bukan sekadar alat bantu administratif di klinik gigi, melainkan mitra diagnostik yang semakin layak diperhitungkan.
Di suatu titik di masa depan yang tidak terlalu jauh, mungkin saja foto panoramik yang baru dicetak sudah langsung hadir dengan anotasi otomatis, menandai setiap anomali sebelum dokter sempat menyentuh mouse-nya. Yang tersisa kemudian adalah hal yang tidak bisa diambil alih algoritma mana pun: keputusan klinis, empati kepada pasien, dan pertimbangan yang utuh dari seorang dokter.
Sumber DOI : https://doi.org/10.1016/j.jdent.2026.106463
Penulis : Anny Anggraini , drg. Achmad Zam Zam Aghasy, M.Kes.
Foto : Pexels
