Model pembelajaran mendalam, terutama transfer learning, menunjukkan hasil yang menjanjikan dalam skrining kanker serviks dari gambar pap smear. Penelitian menggunakan dataset Herlev dan Sipakmed menunjukkan akurasi tinggi dari model-model seperti ResNet50 dan VGG16, menyoroti kebutuhan akan solusi otomatis untuk mempercepat diagnosis dan perbaikan hasil pasien.
Model pembelajaran mendalam, khususnya model transfer mendalam, menunjukkan potensi besar dalam meningkatkan akurasi klasifikasi kanker serviks dari gambar pap smear. Penelitian baru-baru ini membandingkan efektivitas 16 model ini, terutama bagi wanita di negara berkembang, di mana sumber daya untuk skrining dan diagnosis terbatas. Hasil penelitian ini menggunakan dataset Herlev dan Sipakmed, menunjukkan bahwa model ResNet50 mencapai akurasi 95% dalam klasifikasi baik biner maupun multiklas.
Kanker serviks sangat tergantung pada deteksi dini dan pengobatan. Organisasi Kesehatan Dunia (WHO) menetapkan target untuk peningkatan akses skrining dan vaksinasi HPV. Metode skrining tradisional, seperti pap smear, memerlukan tenaga terlatih dan dapat menyebabkan kesalahpahaman serta ketidaknyamanan bagi pasien. Dengan rendahnya angka kanker serviks di negara berpenghasilan tinggi karena program skrining terorganisir, kebutuhan untuk solusi otomatis semakin mendesak.
Studi ini memfokuskan pada penerapan teknologi pembelajaran transfer pada gambar pap smear, bertujuan untuk mengatasi kekurangan algoritma tradisional yang gagal menghasilkan ekstraksi fitur yang akurat. Penelitian ini menguji berbagai arsitektur CNN seperti ResNet, VGG, dan DenseNet, mengindikasikan bahwa model-model ini lebih efektif dan efisien dibandingkan skrining manual. Model VGG16, misalnya, mencapai akurasi luar biasa 99,95% dalam analisis dataset Sipakmed.
Penelitian ini mengevaluasi berbagai model untuk klasifikasi kanker serviks, dengan penekanan pada kinerja, kemudahan penggunaan, dan keunggulan setiap model. Model DenseNet dan MobileNet menunjukkan bahwa arsitektur yang lebih ringan dapat mencapai hasil yang baik jika dioptimalkan dengan benar. ResNet50 tercatat sebagai model unggulan pada dataset Herlev, dengan akurasi di atas 90%.
Kemajuan ini menunjukkan potensi besar dalam penggunaan model-model ini di lingkungan klinis untuk mempercepat waktu diagnosis dan meningkatkan hasil pasien. Temuan keseluruhan menunjukkan perlunya penelitian berkelanjutan di bidang integrasi teknologi inovatif ini dalam infrastruktur kesehatan yang ada. Fokus pada aplikasi pembelajaran mendalam dan dataset dunia nyata menyediakan tolok ukur untuk penelitian di masa depan dan implementasi berskala lebih besar.
Kanker serviks merupakan masalah kesehatan utama bagi wanita, terutama di negara berkembang. Tingginya angka kematian akibat kanker serviks seringkali disebabkan oleh keterbatasan dalam akses skrining dan diagnosis. Teknologi pembelajaran mendalam menjanjikan solusi untuk meningkatkan akurasi skrining melalui otomatisasi proses kreatif dan analisis data lebih lanjut, sehingga berpotensi mengurangi angka kematian yang terkait dengan kanker ini.
Studi ini menunjukkan efektivitas model pembelajaran mendalam dalam meningkatkan akurasi skrining kanker serviks. Dengan penerapan transfer learning, sejumlah model seperti ResNet, VGG, dan DenseNet menunjukkan kinerja yang signifikan. Hasil ini mendorong kolaborasi antara peneliti dan institusi kesehatan untuk terus memperbaiki pelatihan model dan data guna mengatasi keterbatasan yang ada.
Sumber Asli: evrimagaci.org
