Publisher

MARANATHAMARANATHA

Journal Journal of Medicine and HealthJournal of Medicine and Health Abstract

Di masa pandemi Covid-19, foto rontgen menjadi umum digunakan untuk memeriksa pasien diduga Covid-19. Pada citra x-ray paru-paru yang terkena Covid-19 ditemukan adanya bercak putih atau flek; Namun, paru-paru yang memiliki flek ini tidak selalu disebabkan oleh Covid-19. Tujuan penelitian ini adalah untuk mengklasifikasikan beberapa jenis penyakit paru-paru dari citra x-ray, yaitu paru-paru dengan Covid-19, paru-paru dengan pneumonia, dan paru-paru yang memiliki flek dibandingkan dengan yang normal. Proses klasifikasi data pada penelitian ini dilakukan dengan membandingkan dua model yaitu CNN VGG-16 dan ResNet-50 dengan model yang telah dilatih sebelumnya. Metrik evaluasi yang digunakan dalam penelitian ini terdiri dari akurasi, presisi, sensitivitas, spesifisitas, skor F1, dan kecepatan waktu inferensi. Hasil menunjukkan bahwa VGG-16 lebih unggul dari ResNet-50 dalam hal kecepatan inferensi namun tidak dalam hal metrik evaluasi lainnya. Perubahan parameter juga menunjukkan hasil yang berbeda; epoch 200 adalah nilai optimal. Untuk mendapatkan hasil yang optimal diperlukan finetuning dengan menyesuaikan kondisi data yang digunakan. Sebagai simpulan, VGG-16 memiliki kemampuan klasifikasi yang lebih baik dibandingkan ResNet-50, namun perlu terus dikembangkan dengan memperbanyak data klinis yang aktual.

Conclusion

VGG-16 memiliki kemampuan klasifikasi yang lebih baik dibandingkan ResNet-50 dalam klasifikasi data x-ray paru-paru.Kemampuan ini sangat ditentukan oleh dataset dan parameter yang digunakan.Tidak terdapat perbedaan signifikan antara VGG-16 dan ResNet-50 dalam akurasi, spesifisitas, presisi, sensitivitas, dan F1-score.

Future Research

Berdasarkan penelitian ini, satu arah studi menarik adalah bagaimana jika kita mengintegrasikan model VGG-16 dan ResNet-50 ke dalam satu arsitektur hybrid yang dapat menggabungkan kekuatan kecepatan VGG-16 dengan kedalaman analisis ResNet-50, sehingga efektivitas dalam mengklasifikasikan citra x-ray paru-paru meningkat signifikan, mungkin dengan bertanya apakah akurasi bisa mencapai level baru jika model ini dilatih ulang dengan data yang lebih besar dan beragam. Selain itu, penelitian lanjutan dapat mengeksplorasi penggunaan teknik augmentasi data yang lebih canggih, seperti simulasi virtual dari kondisi paru-paru abnormal, untuk mengatasi keterbatasan data klinis aktual, di mana pertanyaan utamanya ¿Apakah dengan menambahkan data simulasi ini, model bisa lebih akurat membedakan pneumonia viral dari covid-19 pada gambar x-ray tanpa perlu bergantung sepenuhnya pada dataset nyata? Terakhir, studi berikutnya bisa melihat integrasi data pasien klinis seperti usia dan gejala dengan citra x-ray, misalnya dengan mengembangkan model multimodal yang menggabungkan gambar dan informasi teks medis, untuk menjawab pertanyaan tentang apakah kombinasi ini dapat mengurangi kesalahan klasifikasi yang masih terjadi, seperti prediksi salah positif pada gambar yang mirip, sehingga mendekatkan teknologi ini ke aplikasi praktis di rumah sakit. Arah-ahrah ini mengembangkan saran dari paper itu sendiri, seperti penambahan data klinis aktual dan pengurangan kesalahan klasifikasi, dengan menciptakan pertanyaan penelitian baru yang mengalir saling terkait. Solusi seperti ini penting karena dunia medis membutuhkan alat bantu diagnosis yang cepat dan akurat, terutama untuk penyakit paru-paru yang sering membingungkan. Dengan menggabungkan inovasi ini, teknologi kita bisa membantu dokter lebih baik lagi. Ini juga memperluas penggunaan transfer learning di bidang kesehatan, membuatnya lebih andal. Penelitian lanjutan harus mempertimbangkan variasi data dari berbagai populasi untuk hasil yang lebih universal. Pada akhirnya, kerja sama antara ahli teknologi dan dokter akan krusial dalam mengembangkan model ini lebih lanjut, memastikan bahwa inovasi tersebut benar-benar membawa manfaat nyata bagi masyarakat.

References

1. The Precision-Recall Plot Is More Informative than the ROC Plot When Evaluating Binary Classifiers on... doi.org/10.1371/journal.pone.0118432The Precision Recall Plot Is More Informative than the ROC Plot When Evaluating Binary Classifiers on doi 10 1371 journal pone 0118432
2. On evaluation metrics for medical applications of artificial intelligence | medRxiv. evaluation metrics... doi.org/10.1101/2021.04.07.21254975On evaluation metrics for medical applications of artificial intelligence medRxiv evaluation metrics doi 10 1101 2021 04 07 21254975
3. MIScnn: a framework for medical image segmentation with convolutional neural networks and deep learning... doi.org/10.1186/s12880-020-00543-7MIScnn a framework for medical image segmentation with convolutional neural networks and deep learning doi 10 1186 s12880 020 00543 7

Subjects

1. #dokter gigi#dokter gigi
2. #scoping review#scoping review

Metadata

File size	752.6 KB
Pages	13
Short Link	https://juris.id/p-97
Lookup Links	Google ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCA	Report