Systematic Review: Pemanfaatan Deep Learning untuk Diagnosis Penyakit Menggunakan MRI
DOI:
https://doi.org/10.54082/jupin.1336Kata Kunci:
Citra Medis, Deep Learning, DiagnosisAbstrak
Seiring dengan pesatnya perkembangan teknologi, kecerdasan buatan (Artificial Intelligence/AI) mulai digunakan dalam dunia medis untuk membantu analisis citra medis, termasuk MRI. Tujuan dari penelitian ini adalah untuk menyajikan analisis komprehensif mengenai pemanfaatan CNN dalam diagnosis penyakit menggunakan MRI. Penelitian ini adalah rapid review yang menggunakan strategi pencarian di database seperti Google Scholar, PubMed, dan Scopus dengan kata kunci deep learning, diagnose, dan medical image, serta seleksi artikel berdasarkan kriteria inklusi dan ekslusi. Hasil penelitian menunjukkan bahwa CNN dapat meningkatkan akurasi diagnosis penyakit melalui MRI, dengan tingkat akurasi berkisar antara 73,6% hingga 98,7%. Model seperti 3D CNN dan U-Net terbukti efektif dalam mendeteksi dan mengklasifikasikan berbagai penyakit. Kesimpulannya adalah CNN memberikan hasil yang menjanjikan dalam analisis MRI, meningkatkan akurasi dan efisiensi diagnosis. Meskipun masih ada tantangan seperti kebutuhan data berkualitas tinggi dan validasi klinis, AI berpotensi besar merevolusi dunia medis.
Referensi
Al-Otaibi, S., Rehman, A., Raza, A., Alyami, J., & Saba, T. (2024). CVG-Net: novel transfer learning based deep features for diagnosis of brain tumors using MRI scans. PeerJ Computer Science, 10, 1–24. https://doi.org/10.7717/peerj-cs.2008
Arabahmadi, M., & Farahbakhsh, R. (2022). Deep Learning for Smart Healthcare: A Survey on Brain Tumor. Sensors, 22, 1–27.
Ardan, I. S., & Indraswari, R. (2024). Sistem Berbasis Deep Learning untuk Segmentasi dan Klasifikasi Tingkat Keganasan Tumor Otak Menggunakan Citra MRI 3D. ILKOMNIKA: Journal of Computer Science and Applied Informatics, 6(2), 117–126.
Arunachalam, V., & N, K. (2024). Deep Learning-based Thigh Muscle Investigation Using MRI For Prosthetic Development for Patients Undergoing Total Knee Replacement (TKR). Current Medical Imaging, 20, 1–15. https://doi.org/10.2174/0115734056284002240318055326
Aulia, A. B. A. I., & Alamsyah. (2024). Peningkatan Giperparameter Framework Deep Learning VGG-16 untuk Pendeteksian Tumor Otak pada Teknologi MRI. Indonesian Journal of Mathematics and Natural Sciences, 47(2), 99–107.
Brima, Y., Kamal Tushar, M. H., Kabir, U., & Islam, T. (2022). Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class Classification. Dhaka University Journal of Applied Science and Engineering, 6(2), 14–29. https://doi.org/10.3329/dujase.v6i2.59215
Candra, D., Wibisono, G., Ayu, M., & Afrad, M. (2024). Transfer Learning model Convolutional Neural Network menggunakan VGG-16 untuk Klasifikasi Tumor Otak pada Citra Hasil MRI. LEDGER: Journal Informatic and Information Technology, 3(1), 11–18.
Farwati, M., Salsabila, I. T., Navira, K. R., & Sutabri, T. (2023). Analisa Pengaruh Teknologi Artificial Intelligence (AI) dalam Kehidupan Sehari-hari. Jurnal Sistem Informatika Dan Menejemen, 11(1), 39–45.
Hidayaturrahman, F. (2024). Klasifikasi Tumor Otak pada Citra Magnetic Resonance Imaging Menggunakan Convolutional Neural Network Berbasis Web.
Hong, Z., Yan, X., Zhang, R., Ren, Y., Tong, Q., & Altrjman, C. (2023). Application Exploration of Medical Image-aided Diagnosis of Breast Tumour Based on Deep Learning. Current Medical Imaging, 20, 1–14. https://doi.org/10.2174/0115734056261997231217085501
Hussain, E., Hasan, M., Hassan, S. Z., Azmi, T. H., Rahman, M. A., & Parvez, M. Z. (2020). Deep Learning Based Binary Classification for Alzheimer’s Disease Detection using Brain MRI Images. Proceedings of the 15th IEEE Conference on Industrial Electronics and Applications, ICIEA 2020, 1115–1120. https://doi.org/10.1109/ICIEA48937.2020.9248213
IBM. (2023). Manfaat AI dalam Layanan Kesehatan | IBM. International Business Machines Corporation. https://www.ibm.com/id-id/think/insights/ai-healthcare-benefits
Li, L., Qin, J., Lv, L., Cheng, M., Wang, B., Xia, D., & Wang, S. (2023). ICUnet++: an Inception-CBAM network based on Unet++ for MR spine image segmentation. International Journal of Machine Learning and Cybernetics, 14(10), 3671–3683. https://doi.org/10.1007/s13042-023-01857-y
Li, S., Qu, H., Dong, X., Dang, B., Zang, H., & Gong, Y. (2024). Leveraging Deep Learning and Xception Architecture for High-Accuracy MRI Classification in Alzheimer Diagnosis. 1–9.
McGenity, C., Emily L Clarke, Charlotte Jennings, Gillian Matthews, Caroline Cartlidge, Henschel Freduah-Agyemang, Deborah D Stocken, & Darren Treanor. (2023). Artificial intelligence in digital pathology: a diagnostic test accuracy systematic review and meta-analysis. Cornell University, 1–43.
Mgbejime, G. T., Hossin, M. A., Nneji, G. U., Monday, H. N., & Ekong, F. (2022). Parallelistic Convolution Neural Network Approach for Brain Tumor Diagnosis. Diagnostics, 12(10), 1–20. https://doi.org/10.3390/diagnostics12102484
Mostafa, A. M., Zakariah, M., & Aldakheel, E. A. (2023). Brain Tumor Segmentation Using Deep Learning on MRI Images. Diagnostics, 13(9), 1–22. https://doi.org/10.3390/diagnostics13091562
Nayan, A. A., Mozumder, A. N., Haque, M. R., Sifat, F. H., Mahmud, K. R., Al Azad, A. K., & Kibria, M. G. (2023). A deep learning approach for brain tumor detection using magnetic resonance imaging. International Journal of Electrical and Computer Engineering, 13(1), 1039–1047. https://doi.org/10.11591/ijece.v13i1.pp1039-1047
Qodri, K. N. (2024). Analisis Perbandingan Klasifikasi Tumor Otak Menggunakan Deep Learning. Indonesian Journal of Information Technology, 2(1), 1–6.
Rokom. (2024). Diagnosis Penyakit Makin Canggih dengan Stetoskop AI – Sehat Negeriku. Kementrian Kesehatan RI. https://sehatnegeriku.kemkes.go.id/baca/rilis-media/20240616/2145761/diagnosis-penyakit-makin-canggih-dengan-stetoskop-ai/?utm_source=chatgpt.com
Shahzadi, T., Ali, M. U., Majeed, F., Sana, M. U., Diaz, R. M., Samad, M. A., & Ashraf, I. (2023). Nerve Root Compression Analysis to Find Lumbar Spine Stenosis on MRI Using CNN. Diagnostics, 13(18), 1–19. https://doi.org/10.3390/diagnostics13182975
Tajuddin, N. W., Wardhana, Y. W., & Indrati, R. (2024). Pemanfaatan Kecerdasan Buatan (AI) Pada MRI. Jurnal Sudut Pandang, 29–37. http://thejournalish.com/ojs/index.php/sudutpandang/article/view/814%0Ahttps://thejournalish.com/ojs/index.php/sudutpandang/article/download/814/538
Tsai, J. Y., Hung, I. Y. J., Guo, Y. L., Jan, Y. K., Lin, C. Y., Shih, T. T. F., Chen, B. Bin, & Lung, C. W. (2021). Lumbar Disc Herniation Automatic Detection in Magnetic Resonance Imaging Based on Deep Learning. Frontiers in Bioengineering and Biotechnology, 9, 1–11. https://doi.org/10.3389/fbioe.2021.708137
Ullah, Z., Jamjoom, M., Thirumalaisamy, M., Alajmani, S. H., Saleem, F., Sheikh-Akbari, A., & Khan, U. A. (2024). A Deep Learning Based Intelligent Decision Support System for Automatic Detection of Brain Tumor. Biomedical Engineering and Computational Biology, 15, 1–13. https://doi.org/10.1177/11795972241277322
Wernér, K., Anttila, T., Hulkkonen, S., Viljakka, T., Haapamäki, V., & Ryhänen, J. (2024). Detecting Avascular Necrosis of the Lunate from Radiographs Using a Deep-Learning Model. Journal of Imaging Informatics in Medicine, 37(2), 706–714. https://doi.org/10.1007/s10278-023-00964-0
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Nova Nova, Aisyah Mulyanti, Cantika Silmy Aulia Putri Burhanie, Ledistia Mulyani, Ridha Ghina Nurjanah, Widya Utami, Nunung Siti Sukaesih
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
