Foto: Roman Samborskyi/Shutterstock
Program AI menunjukkan akurasi hampir 97% dalam mengidentifikasi penyakit melalui pemindaian lidah
Adelaide, Australia — Teknik pengobatan kuno mungkin akan kembali menggunakan teknologi tinggi. Para peneliti dari Australia dan Irak telah mengembangkan sistem canggih yang dapat mendiagnosis penyakit hanya dengan melihat lidah Anda. Ini bukan cara nenek Anda untuk “menjulurkan lidah dan berkata 'ah'” — ini adalah perpaduan kecerdasan buatan dan pengobatan tradisional Tiongkok, dan ini dapat merevolusi cara kita mendeteksi penyakit.
Selama lebih dari dua ribu tahun, praktisi pengobatan tradisional Tiongkok telah memeriksa lidah pasien sebagai jendela untuk mengetahui kesehatan mereka secara keseluruhan. Warna, tekstur, dan lapisan lidah dapat mengungkapkan banyak informasi tentang apa yang terjadi di dalam tubuh. Kini, tim yang dipimpin oleh Ali Al-Naji, seorang profesor madya tambahan dari Middle Technical University dan University of South Australia, telah membawa praktik kuno ini ke abad ke-21 dengan sistem yang menggunakan algoritma pembelajaran mesin untuk menganalisis gambar lidah dan memprediksi potensi masalah kesehatan dengan akurasi yang mencengangkan.
Sistem ini, dijelaskan dalam sebuah makalah baru-baru ini yang diterbitkan dalam jurnal Teknologimenggabungkan webcam sederhana dengan pemrosesan gambar canggih dan kecerdasan buatan untuk memeriksa karakteristik lidah secara langsung. Mirip seperti memiliki praktisi pengobatan tradisional Tiongkok yang sangat terlatih yang siap sedia 24/7, tetapi dengan tambahan kekuatan visi komputer dan analisis data besar.
Bagaimana cara kerjanya?
Bayangkan Anda sedang merasa tidak enak badan dan bertanya-tanya apakah Anda harus menemui dokter. Daripada menjadwalkan janji temu atau pergi ke tempat perawatan darurat, Anda cukup duduk di depan komputer, menjulurkan lidah, dan membiarkan AI bekerja. Sistem akan mengambil gambar lidah Anda, memprosesnya melalui berbagai model warna, dan membandingkannya dengan basis data besar gambar lidah yang terkait dengan berbagai kondisi kesehatan.
Dalam hitungan detik, sistem ini dapat memberi tahu Anda apakah lidah Anda tampak sehat atau menunjukkan tanda-tanda masalah potensial seperti diabetes, masalah pernapasan, atau bahkan tahap awal kanker tertentu. Sistem ini tidak dimaksudkan untuk menggantikan diagnosis medis yang tepat, tetapi dapat berfungsi sebagai sistem peringatan dini, yang mendorong Anda untuk mencari perhatian medis profesional saat dibutuhkan.
Para peneliti melatih sistem mereka pada lebih dari 5.000 gambar lidah, mengkategorikannya ke dalam tujuh warna berbeda: merah, kuning, hijau, biru, abu-abu, putih, dan merah muda (warna lidah yang sehat). Setiap warna dapat menunjukkan kondisi kesehatan yang berbeda. Misalnya, lidah kuning dapat menunjukkan diabetes atau masalah hati, sedangkan lidah ungu dapat menjadi tanda sirkulasi yang buruk atau bahkan kanker.
“Warna, bentuk, dan ketebalan lidah dapat mengungkap berbagai kondisi kesehatan,” kata Ali Al-Naji dalam sebuah pernyataan. “Biasanya, penderita diabetes memiliki lidah berwarna kuning; penderita kanker memiliki lidah berwarna ungu dengan lapisan berminyak yang tebal; dan penderita stroke akut memiliki lidah berwarna merah yang bentuknya tidak biasa. Lidah berwarna putih dapat mengindikasikan anemia; penderita COVID-19 yang parah cenderung memiliki lidah berwarna merah tua; dan lidah berwarna nila atau ungu mengindikasikan masalah pembuluh darah dan gastrointestinal atau asma.”
Yang membedakan sistem ini dari upaya diagnosis lidah terkomputerisasi sebelumnya adalah kemampuannya untuk memperhitungkan berbagai kondisi pencahayaan. Siapa pun yang mencoba mengambil swafoto yang bagus tahu bahwa pencahayaan dapat memengaruhi tampilan warna dalam foto secara drastis. Hal yang sama berlaku untuk gambar lidah. Dengan melatih algoritme mereka pada gambar yang diambil dalam berbagai intensitas cahaya, tim tersebut menciptakan sistem yang dapat menilai warna lidah secara akurat terlepas dari pencahayaan sekitar.
Para peneliti menguji beberapa algoritma pembelajaran mesin untuk menemukan metode yang paling akurat dalam mengklasifikasikan warna lidah. Pemenangnya? Sebuah teknik yang disebut Extreme Gradient Boost (XGBoost), yang mencapai akurasi 98,71% dalam mengidentifikasi warna lidah dengan benar.
Namun, ujian sesungguhnya datang saat tim menerapkan sistem mereka di lingkungan rumah sakit yang sebenarnya. Mereka memeriksa 60 pasien dengan berbagai kondisi di dua rumah sakit di Irak. Hasilnya luar biasa — sistem mendiagnosis 58 dari 60 kasus dengan benar dengan tingkat akurasi 96,6%.
Bayangkan kemungkinan sistem semacam itu. Di wilayah dengan akses terbatas ke layanan kesehatan, sistem ini dapat berfungsi sebagai alat skrining cepat dan non-invasif untuk membantu mengidentifikasi orang yang memerlukan perawatan medis lebih lanjut. Sistem ini juga dapat menjadi alat yang berharga untuk memantau kondisi kronis atau melacak perkembangan penyakit dari waktu ke waktu.
Tentu saja, seperti halnya teknologi baru lainnya, ada batasan dan pertimbangan etika yang perlu dipertimbangkan. Para peneliti dengan cepat menunjukkan bahwa sistem mereka tidak dimaksudkan untuk menggantikan tenaga medis yang terlatih. Sebaliknya, sistem ini dimaksudkan sebagai alat pelengkap untuk membantu deteksi dini dan pemantauan masalah kesehatan.
Ada pula pertanyaan tentang privasi dan keamanan data. Sistem ini memerlukan pengambilan dan penyimpanan gambar lidah manusia, yang dapat dianggap sebagai informasi medis yang sensitif. Memastikan bahwa data ini dilindungi dan digunakan secara etis akan menjadi hal yang penting seiring dengan perkembangan teknologi ini.
Meskipun ada tantangan ini, manfaat potensial dari sistem diagnosis lidah yang didukung AI ini sangat besar. Sistem ini menggabungkan kearifan praktik medis kuno dengan kekuatan teknologi modern, sehingga berpotensi menawarkan metode yang cepat, non-invasif, dan mudah diakses untuk deteksi penyakit dini.
Saat kita terus mencari cara untuk membuat layanan kesehatan lebih efisien dan mudah diakses, inovasi seperti ini mengingatkan kita bahwa terkadang jawaban yang kita cari sebenarnya sudah ada di depan mata kita – atau, dalam kasus ini, di ujung lidah kita – selama ini.
Ringkasan Makalah
Metodologi
Para peneliti menggunakan kamera web sederhana untuk mengambil gambar lidah pasien. Mereka kemudian menggunakan perangkat lunak komputer untuk memproses gambar-gambar ini, dengan fokus pada bagian tengah lidah. Gambar-gambar tersebut dianalisis menggunakan lima model warna yang berbeda (RGB, YCbCr, HSV, LAB, dan YIQ) untuk mendapatkan informasi warna yang terperinci.
Data ini kemudian dimasukkan ke dalam enam algoritme pembelajaran mesin yang berbeda, yang dilatih pada kumpulan data besar gambar lidah yang terkait dengan berbagai kondisi kesehatan. Sistem ini dirancang untuk bekerja dalam berbagai kondisi pencahayaan guna memastikan keakuratan dalam pengaturan dunia nyata.
Hasil Utama
Dari enam algoritma pembelajaran mesin yang diuji, metode Extreme Gradient Boost (XGBoost) memberikan kinerja terbaik, dengan akurasi 98,71% dalam mengidentifikasi warna lidah dengan benar. Saat diuji pada 60 pasien sungguhan di rumah sakit, sistem mendiagnosis 58 kasus dengan benar, mencapai tingkat akurasi 96,6% dalam kondisi dunia nyata. Sistem ini mampu mengidentifikasi berbagai kondisi, termasuk diabetes, infeksi jamur, asma, dan COVID-19, berdasarkan analisis warna lidah.
Keterbatasan Studi
Penelitian ini menghadapi beberapa tantangan. Beberapa pasien enggan berpartisipasi, sehingga membatasi jumlah data yang dapat dikumpulkan. Pantulan kamera terkadang memengaruhi warna yang terdeteksi, yang dapat memengaruhi akurasi diagnosis. Sistem ini juga belum diuji pada populasi yang besar dan beragam, yang diperlukan untuk memastikan efektivitasnya di berbagai etnis dan kelompok usia.
Diskusi & Kesimpulan
Studi ini menunjukkan potensi penggabungan metode diagnostik tradisional dengan teknologi AI modern. Tingkat akurasi yang tinggi, baik dalam pengaturan terkontrol maupun aplikasi di dunia nyata, menunjukkan bahwa ini dapat menjadi alat yang berharga untuk deteksi dan pemantauan penyakit dini.
Namun, para peneliti menekankan bahwa sistem ini tidak dimaksudkan untuk menggantikan diagnosis medis profesional, melainkan untuk melengkapi praktik perawatan kesehatan yang ada. Penelitian di masa mendatang dapat difokuskan pada penyempurnaan sistem untuk memperhitungkan pantulan kamera dan mengujinya pada populasi yang lebih besar dan lebih beragam.
Pendanaan & Pengungkapan
Makalah ini menyatakan bahwa penelitian ini tidak menerima pendanaan eksternal. Penelitian ini dilakukan sesuai dengan Deklarasi Helsinki dan disetujui oleh Komite Etika Penelitian Manusia di Kementerian Kesehatan dan Lingkungan, Pusat Pelatihan dan Pengembangan Manusia, Irak. Persetujuan tertulis telah diperoleh dari semua partisipan. Penulis menyatakan tidak ada konflik kepentingan.
