RRI.CO.ID, Banda Aceh - Saat seseorang tiba-tiba mengalami kesulitan berbicara, salah satu sisi tubuh melemah, atau wajah tampak menurun sebelah, waktu menjadi sangat berharga. Di tengah kondisi darurat tersebut, setiap detik keterlambatan dapat merusak jutaan sel otak manusia yang berdampak fatal bagi kehidupan pasien.

Menjawab tantangan kritis ini, sebuah inovasi kecerdasan buatan bernama MTL-StrokeNet hadir membawa angin segar bagi dunia medis. Berbasis deep learning, model cerdas ini dikembangkan untuk menganalisis hasil pemindaian CT scan otak secara cepat, komprehensif, dan akurat.

Inovasi AI ini adalah karya Rizal Wahyudi, seorang mahasiswa doktoral Matematika dan Aplikasi Sains Bidang Kecerdasan Buatan, Universitas Syiah Kuala (USK), Banda Aceh. Di bawah bimbingan Prof. Dr. Taufik Fuadi Abidin, S.Si., M.Tech., dan pakar neurologi, Prof. Dr. dr. Syahrul, Sp.S(K), dan Associate Profesor dari Universiti Teknologi Malaysia (UTM), Siti Sophiayati Yuhaniz, Ph.D.

Pendekatan kecerdasan buatan bertajuk Multi-Task Learning (MTL) membuat MTL-StrokeNet berbeda dari model AI diagnostik pada umumnya. Jika model biasa hanya mengidentifikasi ada atau tidaknya stroke, MTL-StrokeNet mampu menentukan ada atau tidaknya stroke serta jenis stroke jika ada, model juga akan memetakan lokasi dan menghitung volume kerusakan (lesi iskemik/penyumbatan) jaringan otak secara bersamaan.

Dalam membedakan kondisi otak normal dan penderita stroke, MTL-StrokeNet mencatatkan ketelitian prediksi citra normal dan stroke dengan akurasi mencapai 97,64% dan F1-score 97,62%. Untuk klasifikasi hemoragik dan iskemik model juga menunjukkan performa yang sangat baik dengan akurasi 98,65% dan F1-score 98,66%. Performa tersebut membuktikan bahwa tingkat kesalahan klasifikasi model rendah. Tak hanya itu, MTL-StrokeNet mampu memprediksi lesi stroke iskemik dengan nilai Dice Similarity Coefficient (DSC) 82,31%.

Tantangan pengembangan model AI medis tidaklah sederhana karena citra CT scan memiliki karakteristik yang jauh lebih rumit dibanding citra RGB biasa. Dalam satu pemeriksaan, mesin CT scan menghasilkan beberapa potongan gambar (slice) sehingga AI harus dilatih secara spesifik untuk memilah potongan mana yang menunjukkan indikasi kerusakan sel otak.

Pengembangan MTL-StrokeNet diperkirakan akan selesai dalam 2 tahun ke depan. Nantinya, inovasi ini tidak dirancang untuk menggantikan peran dokter atau diakses secara umum, melainkan dipakai secara khusus oleh tenaga medis sebagai opini tambahan dalam membantu pengambilan keputusan klinis. Pada akhirnya, di balik barisan algoritma yang kompleks, tujuan MTL-StrokeNet tetap sederhana, membantu tenaga medis bekerja lebih cepat demi menyelamatkan lebih banyak nyawa penderita stroke.