Bayangkan seorang dokter gigi yang harus memeriksa ratusan foto rontgen panoramik setiap hari, menilai satu per satu kondisi tulang alveolar di sekitar setiap gigi, lalu memutuskan apakah pasien mengalami periodontitis ringan, sedang, atau berat. Pekerjaan itu melelahkan, dan kelelahan membuka pintu bagi kesalahan. Inilah yang mendorong Dr. drg. Rini Widyaningrum, M.Biotech dari Departemen Radiologi Dentomaxillofasial FKG UGM untuk mengajukan pertanyaan yang tampaknya sederhana: bisakah komputer melakukannya?
Jawabannya, ternyata, adalah ya — dan hasilnya melampaui ekspektasi.
Ketika Foto Rontgen Bertemu Deep Learning
Periodontitis adalah penyakit inflamasi kronis yang merusak jaringan penyangga gigi secara progresif. Bila dibiarkan, kehilangan tulang alveolar berujung pada gigi yang goyang, tanggal, dan akhirnya mengganggu fungsi mengunyah, menelan, hingga kualitas hidup secara keseluruhan. Diagnosis yang akurat adalah kunci, dan foto panoramik adalah salah satu alat utamanya — gambar rontgen satu bidang yang merekam seluruh lengkung rahang sekaligus.
Penelitian yang diterbitkan dalam jurnal Imaging Science in Dentistry (2022) ini membandingkan dua model Deep learning untuk melakukan segmentasi citra pada foto panoramik: Multi-Label U-Net and Mask R-CNN. Tujuannya satu: mendeteksi dan menentukan stadium periodontitis secara otomatis berdasarkan tingkat kehilangan tulang secara radiografis (radiographic bone loss/RBL).
Tim peneliti menggunakan 100 foto panoramik digital dari pasien Rumah Sakit Gigi dan Mulut UGM yang diambil antara Mei dan Juni 2017. Foto-foto tersebut dianotasi secara manual oleh dokter gigi dan periodontis, yang bersama-sama menetapkan konsensus klasifikasi berdasarkan sistem terbaru 2017 World Workshop on Classification of Periodontal and Peri-Implant Diseases. Dari 100 foto asli, proses augmentasi data menghasilkan 1.100 gambar, dengan total 9.907 region of interest (ROI) yang terbagi dalam lima kelas: normal, stadium 1 hingga stadium 4.
Dua Model, Dua Pendekatan, Satu Pemenang
U-Net bekerja dengan prinsip semantic segmentation — ia mengklasifikasikan setiap piksel gambar ke dalam kategori tertentu, menghasilkan peta kondisi tulang secara menyeluruh. Arsitekturnya berbentuk huruf “U”: bagian kiri mengompresi informasi (encoder), bagian kanan memperluasnya kembali (decoder), dengan koneksi langsung di antara keduanya agar detail lokasi tidak hilang dalam proses.
Mask R-CNN bekerja berbeda. Ia melakukan instance segmentation — mampu membedakan setiap objek secara individual, dalam hal ini tulang di sekitar setiap gigi satu per satu. Pendekatan ini secara teori lebih detail, namun juga lebih kompleks.
Hasilnya cukup mengejutkan. Multi-Label U-Net mencapai dice coefficient 0,96 dan IoU score 0,97 — angka yang mendekati sempurna dalam standar segmentasi citra medis. Mask R-CNN tertinggal dengan dice coefficient 0,87 dan IoU score 0,74. Meski begitu, Mask R-CNN masih mencatat akurasi deteksi 95%, dengan precision 85,6%, recall 88,2%, dan F1-score 86,6%.
“Multi-Label U-Net produced superior image segmentation to that of Mask R-CNN. The authors recommend integrating it with other techniques to develop hybrid models for automatic periodontitis detection.” — Dr. drg. Rini Widyaningrum, M.Biotech, dkk., Imaging Science in Dentistry, 2022
Menariknya, Mask R-CNN justru menunjukkan performa terbaik untuk mendeteksi periodontitis stadium 4 — kondisi paling parah dengan kehilangan gigi lima atau lebih — dengan precision 0,97 dan recall 0,95. Ini mengisyaratkan bahwa masing-masing model memiliki kekuatan yang bisa saling melengkapi.
Dari Anotasi Manual ke Otomasi Cerdas
Salah satu tantangan terbesar dalam penelitian ini bukan soal algoritmanya, melainkan soal data. Distribusi sampel yang tidak seimbang — jumlah kasus normal dan stadium 1 jauh lebih banyak daripada stadium 4 — bisa membuat model belajar dengan bias. Solusinya: augmentasi data melalui rotasi gambar dari -5° hingga 5°, yang menghasilkan variasi cukup untuk melatih model tanpa underfitting.
Proses anotasi sendiri dilakukan dengan ketelitian tinggi: setiap puncak dan dinding tulang alveolar di sekitar setiap gigi ditandai dengan kotak persegi pada foto panoramik, disertai kode stadium berdasarkan persentase RBL. Tulang di sekitar gigi yang berjejal parah sengaja dibiarkan tanpa anotasi untuk menghindari ambiguitas.
Hasilnya adalah model yang dilatih bukan sekadar mengenali pola umum, melainkan memahami nuansa anatomi gigi dalam konteks klinis yang sesungguhnya.
Mesin yang Tidak Lelah, Dokter yang Lebih Fokus
Penelitian ini bukan tentang menggantikan dokter gigi atau radiologis. Ini tentang memberi mereka alat yang lebih tajam.
Kelelahan dan beban kerja berlebih adalah faktor nyata yang memengaruhi akurasi diagnosis radiografis. Sistem berbasis Deep learning yang mampu melakukan pra-seleksi dan pemberian label awal pada foto panoramik dapat mengalihkan energi dokter ke keputusan klinis yang lebih kompleks — bukan pada pekerjaan pengukuran yang berulang.
Dr. drg. Rini Widyaningrum dan tim merekomendasikan pengembangan model hibrida: menggabungkan kekuatan Multi-Label U-Net dalam segmentasi presisi tinggi dengan kemampuan Mask R-CNN dalam membedakan objek secara individual. Kombinasi itu, bila berhasil diwujudkan, bisa menjadi fondasi sistem diagnosis periodontitis otomatis yang benar-benar siap pakai secara klinis.
Pertanyaannya bukan lagi apakah mesin bisa membaca foto rontgen. Pertanyaannya sekarang adalah: seberapa cepat kita bisa membangun sistem yang cukup pintar untuk membantu dokter membuat keputusan terbaik bagi pasiennya?
Sumber DOI : 10.5624/isd.20220105
Penulis : Anny Anggraini , drg. Achmad Zam Zam Aghasy, M.Kes.
Foto : Pexels
