Publisher

APTISIAPTISI

Journal Aptisi Transactions on Technopreneurship (ATT)Aptisi Transactions on Technopreneurship (ATT) Abstract

Polycystic Ovary Syndrome (PCOS) is a widespread condition in women that is associated with hormonal disorders, absentee or infrequent menstruation, and cyst formation on ovaries. The diagnostic process of PCOS is still difficult because of ambiguity in ultrasound images. Earlier approaches emphasize the detection and classification of follicles for ultrasound images and disregard interpretability, which obscures understanding the models decisions and trustworthiness in critical medical applications. This research proposes a method of diagnosing PCOS in two stages. Initially, follicles are located with a YOLOv8 model that has multiscale feature dose attention. Follicles are subsequently classified with a ResNet50 model that has SE blocks. The last step is for Grad-CAM to show which features of the image were used by the classification model in order to explain its decision and provide meaningful insights regarding the models predictions. Evaluation was performed on two publicly available datasets. The proposed method outperforms all other methods in follicle detection with 92% mean average precision (mAP) and classification accuracies of 98.25% and 94.56% on datasets 1 and 2, respectively. This result makes the proposed model a reliable and transparent technique for robust clinical applications. By providing a scalable, deployable, and interpretable diagnostic pipeline that can be integrated into AI-based health-tech platforms, the suggested method also fits with the objectives of technopreneurship incubator models.

Conclusion

Berbagai penelitian telah dilakukan untuk mendiagnosis PCOS atau mendeteksi dan mengklasifikasikannya secara bersamaan dari gambar ultrasound, namun belum ada yang mempertimbangkan interpretasi model deep learning.Interpretasi sangat dihargai di bidang medis, karena memungkinkan seseorang untuk memahami mengapa prediksi dibuat atau mengapa model mencapai tingkat akurasi tertentu.Dengan menyediakan alur diagnostik yang terukur, dapat diterapkan, dan dapat diinterpretasikan yang dapat diintegrasikan ke dalam platform kesehatan berbasis AI, metode yang disarankan juga sesuai dengan tujuan model inkubator kewirausahaan teknologi.Integrasi deteksi dan klasifikasi meningkatkan akurasi diagnostik, dan penambahan interpretasi memungkinkan para praktisi untuk memahami dasar pemikiran di balik keputusan model, sehingga meningkatkan kepercayaan dan efisiensi klinis.

Future Research

Berdasarkan penelitian ini, beberapa saran penelitian lanjutan dapat diajukan untuk meningkatkan akurasi dan kegunaan model dalam diagnosis PCOS. Pertama, perlu dilakukan penelitian lebih lanjut untuk mengintegrasikan data klinis pasien, seperti riwayat kesehatan dan hasil laboratorium, ke dalam model deep learning. Hal ini dapat membantu model untuk membuat diagnosis yang lebih akurat dan personal. Kedua, penelitian dapat difokuskan pada pengembangan metode interpretasi yang lebih canggih, seperti visualisasi perhatian (attention visualization) atau penjelasan berbasis aturan (rule-based explanations), untuk memberikan pemahaman yang lebih mendalam tentang proses pengambilan keputusan model. Ketiga, perlu dilakukan validasi eksternal model pada dataset yang lebih besar dan beragam dari berbagai populasi dan pusat medis untuk memastikan generalisasi dan keandalan model dalam berbagai kondisi klinis.

References

1. Deep Learning Technique for Interpretable Diagnosis of Polycystic Ovary Syndrome in Ultrasound Imaging... att.aptisi.or.id/index.php/att/article/view/768Deep Learning Technique for Interpretable Diagnosis of Polycystic Ovary Syndrome in Ultrasound Imaging att aptisi index php att article view 768
2. One moment, please.... moment please wait request verified doi.org/10.34306/attOne moment please moment please wait request verified doi 10 34306 att

Metadata

File size	29.9 MB
Pages	14
DMCA	Report