Perpustakaan Digital ITB

Deteksi bakteri tahan asam atau acid-fast bacilli (AFB) dari Mycobacterium tuberkulosis (MTB) pada sampel dahak yang telah diwarnai Ziehl-Neelsen (ZN) secara mikroskopis merupakan hal yang penting dalam mendiagnosa penyakit TB. Pada rutinitasnya, para ahli patologi banyak menghadapi tantangan yang dapat mengakibatkan kesalahan diagnosis, seperti bentuk AFB-MTB yang heterogen, tampilan warna AFB-MTB yang bervariasi, variasi intensitas pewarnaan ZN, dan proses pemindaian setiap Field of View (FoV) menggunakan mikroskop konvensional sangat memakan waktu dan beresiko terjadinya human error karena tergantung konsentrasi mata. Untuk mengatasi masalah ini, peneliti mengusulkan metode berbasis algoritma You Only Look Once v7 (YOLOv7) dalam membuat computer-aided diagnosis (CAD) penyakit tuberculosis (TB). CAD- TB ini mengklasifikasikan sampel dahak yang telah diwarnai ZN ke dalam skala International Union Against Tuberculosis and Lung Disease (IUATLD) menjadi negatif, scanty, TB1+, TB2+, dan TB3+. Langkah awal dari CAD-TB adalah mendeteksi AFB-MTB pada setiap lapang pandang, deteksi ini dilakukan secara digital pada citra sampel dahak dengan pewarnaan ZN. Setelah dideteksi dan dihitung jumlah AFB-MTB pada setiap lapang pandang, kemudian dipetakan pada skala IUATLD menjadi lima kelas. Untuk mendukung CAD-TB, pada penelitian ini juga membuat database baru, yaitu Microscopic Imaging Database of Tuberculosis Indonesia (MIDTI). MIDTI diakuisisi secara Whole Slide Imaging (WSI) sesuai pedoman WHO dan skala IUATLD dengan sistem pemindai mikroskop Olympus CX-31 terkoneksi dengan DSLR 700D yang difasilitasi oleh Institut Teknologi Bandung. Dari hasil pengujian klasifikasi 40 sampel dahak uji pada MIDTI ke dalam skala IUATLD menggunakan algoritma YOLOv7-RepVGG, diperoleh tingkat presisi 93.75%, sensitifitas atau recall 96.77%, F1-score 95.24%, spesifisitas 77.78%, dan tingkat akurasi 92.50%. Setiap hasil pengujian pada penelitian disertasi ini telah divalidasi oleh tim ahli patologi di laboratorium mikrobiologi Research Center for Care and Control of Infectious Disease, Fakultas Kedokteran, Universitas Padjadjaran (RC3ID FK UNPAD), Bandung. Adapun peluang untuk penelitian kedepannya adalah yang pertama dari sisi metode deteksi AFB-MTB, perlu pengembangan ataupun optimasi dari algoritma yang digunakan sehingga dapat menghitung secara presisi dalam mendeteksi jumlah AFB-MTB yang berkoloni. Peluang yang kedua adalah membuat auotomatic scanner baru ataupun mengintegrasikan metode deteksi dengan auotomatic scanner yang sudah ada pada penelitian sebelumnya.