IAESONLINEIAESONLINE

Indonesian Journal of Electrical Engineering and Informatics (IJEEI)Indonesian Journal of Electrical Engineering and Informatics (IJEEI)

Insiden global gangguan gastrointestinal (GI) telah meningkat secara dramatis dalam beberapa dekade terakhir, terutama didorong oleh perubahan pola makan dan perilaku gaya hidup; bukti epidemiologis menunjukkan hampir dua juta kematian tahunan akibat kondisi ini, yang menekankan beban substansialnya terhadap sistem kesehatan. Meskipun endoskopi merupakan standar diagnostik untuk mendeteksi lesi mukosa seperti polip adenomatosa dan oesophagitis, kinerjanya terhalang oleh variabilitas pengamat, reproduksibilitas terbatas, dan waktu prosedur yang lama. Untuk mengatasi keterbatasan ini, kerangka kerja diagnostik komputer-bantu (CAD) telah terintegrasi ke dalam alur kerja klinis, menawarkan akurasi, throughput, dan efisiensi operasional yang ditingkatkan. Pipa AI yang memanfaatkan arsitektur Machine Learning (ML) dan Deep Learning (DL) yang canggih terbukti sangat efektif dalam deteksi dini kanker GI dan penilaian kuantitatif kedalaman invasi tumor. Teknologi ini tidak hanya mempercepat keputusan klinis yang kritis tetapi juga mendukung pengembangan regimen onkologi presisi yang disesuaikan. Survei ini memberikan penilaian mendalam tentang metodologi ML dan DL yang diterapkan saat ini untuk diagnostik kanker GI dan oesophageal, mengevaluasi biomarker prognostik yang telah mapan, membandingkan metrik kinerja algoritmik, dan mengidentifikasi arah penelitian kunci untuk mengatasi tantangan metodologis dan translasional yang ada. Meskipun sistem diagnostik yang didorong AI memiliki potensi untuk mengubah onkologi GI dengan mengstandarkan alur kerja dan meningkatkan tingkat deteksi, adopsi klinis rutin memerlukan validasi yang ketat dalam uji klinis multicenter dan pendirian pedoman implementasi komprehensif.

Survei ini menunjukkan bahwa kerangka kerja yang didorong AI secara signifikan meningkatkan deteksi dini kanker malignansi GI dan mendukung pengambilan keputusan klinis yang efisien.Model jaringan saraf dalam secara konsisten melebihi pendekatan machine learning konvensional dalam mengklasifikasikan gambar dan urutan video endoskopi, memungkinkan integrasi mulus ke dalam alur kerja yang ada sambil mengurangi beban tinjauan manual.Namun, uji klinis multicenter berskala besar sangat penting untuk mengonfirmasi robust dan generalisasi di seluruh populasi pasien yang beragam.Klasifikasi regulasi alat AI sebagai perangkat medis memerlukan evaluasi keselamatan dan efektivitas yang komprehensif, dan kurangnya dataset pencitraan yang besar dan heterogen saat ini menimbulkan risiko kinerja yang bias.Kepatuhan yang ketat terhadap standar tata kelola data dan privasi tetap penting sepanjang pengembangan dan penerapan model.Integrasi analisis radiomik dengan pemetaan mukosa tiga dimensi dan adopsi teknik XAI seperti heatmap saliensi dan visualisasi jalur keputusan berjanji untuk meningkatkan karakterisasi lesi dan memupuk kepercayaan klinisi.Upaya berkelanjutan dalam perluasan dataset, validasi yang ketat, dan keterjelasan akan menjadi dasar penerjemahan diagnostik yang diaktifkan AI ke dalam endoskopi presisi untuk onkologi gastrointestinal.

Untuk meningkatkan akurasi dan keandalan diagnosis kanker GI dan oesophageal, penelitian selanjutnya dapat berfokus pada pengembangan arsitektur pembelajaran dalam yang efisien secara komputasi dan rendah latensi yang dioptimalkan untuk implementasi pada platform endoskopi sumber daya terbatas, memungkinkan deteksi lesi real-time. Arsitektur ini harus mengintegrasikan modul konvolusi dan transformer yang canggih yang disesuaikan untuk inferensi on-device, menyeimbangkan kompleksitas model dengan kecepatan inferensi dan konsumsi daya. Kemajuan bersamaan diperlukan dalam algoritma rekonstruksi tiga dimensi yang mengintegrasikan bingkai video endoskopi berurutan dengan metadata sensor yang dikalibrasi secara spasial, sehingga memfasilitasi analisis volumetrik dan morfometrik patologi mukosa dengan akurasi spasial yang ditingkatkan. Untuk memastikan kepercayaan klinisi dan kepatuhan regulasi, penting untuk mengintegrasikan metodologi XAI ke dalam sistem ini. Ini termasuk pemetaan saliensi, penjelasan counterfactual, dan teknik atribusi jalur yang menjelaskan proses pengambilan keputusan dan pentingnya fitur dalam prediksi model, sehingga meningkatkan keterjelasan dan memfasilitasi validasi klinis. Alur kerja diagnostik harus beralih ke paradigma adaptif, spesifik pasien dengan mengintegrasikan faktor risiko fenotipik, genomik, dan gaya hidup, memungkinkan strategi pengawasan yang disesuaikan yang mengoptimalkan hasil diagnostik dan alokasi sumber daya. Implementasi dalam kerangka kerja endoskopi yang diaktifkan Internet-of-Things (IoT) memerlukan integrasi modul komputasi tepi yang mampu melakukan inferensi terdistribusi dan memicu peringatan diagnostik otomatis selama pemeriksaan tanpa bergantung pada konektivitas jaringan terus-menerus. Secara bersamaan, pemantauan jarak jauh terus-menerus melalui kapsul endoskop dan biosensor yang dapat dikenakan akan menyediakan aliran data fisiologis dan perilaku longitudinal untuk analisis dan pemodelan prediktif sentral.

  1. A Comprehensive Survey on Artificial Intelligence – Based Classification of Gastrointestinal &... section.iaesonline.com/index.php/IJEEI/article/view/6551A Comprehensive Survey on Artificial Intelligence Ae Based Classification of Gastrointestinal section iaesonline index php IJEEI article view 6551
Read online
File size568.67 KB
Pages15
DMCAReport

Related /

ads-block-test