Prevalensi gigi molar ketiga yang gagal tumbuh sempurna — atau yang dalam dunia kedokteran gigi disebut impaksi — mencapai 73,5 persen secara global. Angka itu bukan sekadar statistik. Di baliknya ada ribuan pasien yang datang ke klinik dengan keluhan nyeri, infeksi, atau pembengkakan, dan di hadapan mereka ada dokter gigi yang harus memutuskan: seberapa berisiko operasi pengangkatan gigi ini? Apakah saraf mandibula di bawah gigi itu cukup aman?
Pertanyaan terakhir itulah yang kini coba dijawab oleh kecerdasan buatan.
Sebuah artikel tinjauan yang diterbitkan dalam The Saudi Dental Journal pada 2024 menelaah secara sistematis bagaimana teknologi Deep learning bekerja dalam membaca foto panoramik untuk mendeteksi, mengklasifikasikan, dan mengevaluasi hubungan gigi bungsu rahang bawah dengan saluran mandibula. Artikel ini merupakan bagian dari tugas akhir sarjana Amalia Nur Faadiya dari FKG UGM, dengan pembimbing antara lain drg. Pingky Krisna Arindra, Sp.B.M.M.Subsp.Ped.O.M.(K) dari Departemen Bedah Mulut dan Maksilofasial, serta Dr. drg. Rini Widyaningrum, M.Kes., Sp.R.K.G.(K) dari Departemen Radiologi Dentomaksilofasial FKG UGM.
Ketika Foto Rontgen Menjadi Data Latihan
Foto panoramik sudah lama menjadi standar pemeriksaan sebelum odontektomi — prosedur pembedahan untuk mengangkat gigi impaksi. Dari foto ini, dokter gigi bisa melihat posisi gigi bungsu, sudut kemiringannya, dan seberapa dekat akarnya dengan saluran mandibula yang di dalamnya berjalan saraf alveolar inferior. Kerusakan pada saraf ini bisa menyebabkan mati rasa permanen pada bibir dan dagu.
Masalahnya, interpretasi foto panoramik bersifat dua dimensi, dan penilaian hubungan gigi dengan saraf tidak selalu mudah bahkan bagi dokter berpengalaman. Di sinilah Deep learning masuk sebagai kandidat “pembaca kedua” yang tidak mengenal lelah.
Tinjauan ini menganalisis 12 artikel utama dari 49 literatur yang memenuhi kriteria seleksi, semuanya menggunakan arsitektur jaringan saraf tiruan berbeda — mulai dari U-Net, ResNet-34, VGG-16, hingga YOLOv3 dan YOLOv4 — yang dilatih menggunakan ribuan foto panoramik.
Hasilnya cukup menjanjikan. Untuk deteksi dan klasifikasi posisi gigi impaksi berdasarkan klasifikasi Winter dan Pell & Gregory, akurasi Deep learning berkisar antara 78,91 hingga 90,23 persen. Sementara untuk mengevaluasi apakah gigi bungsu bersentuhan atau tidak dengan saluran mandibula, akurasinya bergerak lebih lebar: dari 72,32 hingga 99 persen, tergantung arsitektur dan jumlah data latihan yang digunakan.
Angka Tinggi, tapi Belum Seragam
Rentang akurasi yang lebar itu bukan sekadar variasi teknis — ia mencerminkan masalah yang lebih mendasar dalam cara penelitian-penelitian ini dirancang.
Tim penulis menemukan bahwa sebagian besar studi menggunakan formula matematis yang tidak konsisten untuk mengukur performa diagnostik. Sensitivitas, spesifisitas, nilai prediktif positif, dan nilai prediktif negatif dihitung dengan cara berbeda-beda antar penelitian, sehingga angka-angka itu tidak bisa langsung dibandingkan satu sama lain. Standar yang seharusnya mengacu pada protokol uji diagnostik medis justru kerap digantikan oleh pendekatan dari dunia ilmu komputer semata.
“Penelitian lebih lanjut tentang deep learning untuk aplikasi medis dan gigi seharusnya mempertimbangkan penggunaan perhitungan performa diagnostik yang lebih konsisten dengan uji diagnostik yang umum digunakan dalam studi medis dan kesehatan.”
Temuan lain yang menarik: model multitask yang dirancang untuk mengklasifikasikan beberapa parameter sekaligus ternyata tidak selalu mengungguli model single-task yang bekerja satu per satu. Perbedaan karakteristik antara klasifikasi Winter (yang menilai sudut kemiringan gigi) dan Pell & Gregory (yang mempertimbangkan kedalaman dan ruang tersedia) membuat model gabungan kesulitan menemukan satu pola representasi yang optimal.
Kolaborasi Lintas Disiplin sebagai Kunci
Salah satu pesan terkuat dari tinjauan ini bukan soal angka akurasi, melainkan soal ekosistem riset yang dibutuhkan agar teknologi ini benar-benar berguna di klinik.
Saat ini, dokter gigi dan spesialis bedah mulut yang aktif terlibat dalam pengembangan Deep learning masih sangat sedikit. Padahal, tanpa keterlibatan klinisi, algoritma yang dihasilkan berisiko tidak relevan dengan kebutuhan nyata praktik kedokteran gigi. Siapa yang menentukan apa yang perlu dianotasi dalam foto? Siapa yang tahu bahwa posisi bukolingual gigi terhadap saluran mandibula lebih sulit dibaca dari panoramik dibanding posisi vertikal?
Riset terbaik dalam tinjauan ini, seperti yang dilakukan Fukuda dkk. menggunakan arsitektur GoogLeNet dengan 600 radiograf dan augmentasi data, menunjukkan sensitivitas 88 persen dan spesifisitas 96 persen untuk membedakan kontak dan non-kontak antara gigi bungsu dan saluran mandibula. Studi lain oleh Zhu dkk. bahkan menunjukkan bahwa ketika dokter gigi menggunakan Deep learning sebagai alat bantu, performa diagnostik mereka meningkat signifikan dibanding bekerja sendiri.
Namun teknologi CBCT — yang menghasilkan citra tiga dimensi dan dianggap sebagai baku emas pemeriksaan impaksi — tetap belum tergantikan sepenuhnya. Deep learning yang andal pada panoramik justru bisa menjadi penjaga gerbang yang efisien: membantu dokter memutuskan kapan pemeriksaan CBCT benar-benar diperlukan, dan kapan panoramik sudah cukup.
Di daerah dengan kekurangan radiologis, manfaat ini menjadi jauh lebih konkret. Sebuah algoritma yang berjalan di komputer sederhana bisa menjadi “konsultan” pertama yang membantu dokter gigi umum membaca kerumitan kasus sebelum merujuk.Pertanyaannya tinggal satu: kapan algoritma itu cukup matang untuk dipercaya?
Sumber DOI : https://doi.org/10.1016/j.sdentj.2023.11.025
Penulis : Nanda Ayu , drg. Achmad Zam Zam Aghasy, M.Kes.
Foto : Freepik
