Perpustakaan Digital ITB

Mycobacterium tuberkulosis (MTB) adalah mikroorganisme yang menyebabkan penyakit tuberkulosis (TB), penyakit yang terutama menyerang paru-paru namun mampu merusak bagian tubuh lainnya. TBC merupakan masalah kesehatan masyarakat yang utama karena angka kematiannya yang tinggi. Pada tahun 2022, TBC termasuk dalam sepuluh besar penyebab kematian secara global, dengan Indonesia berada di peringkat kedua setelah India. Diagnosis TBC melibatkan deteksi dan penghitungan bakteri MTB dalam sampel dahak, yang biasanya dilakukan secara manual menggunakan mikroskop optik. Di negara- negara berkembang di Asia dan Afrika, metode pewarnaan Ziehl-Neelsen (ZN) umumnya digunakan karena keterjangkauan dan aksesibilitasnya dibandingkan metode lain seperti mikroskop fluoresensi atau Polymerase Chain Reaction (PCR). Metode ZN mewarnai bakteri MTB dengan warna merah dan latar belakang biru, membantu diferensiasi. Namun pemeriksaan manual ini memakan waktu, seringkali memberikan hasil yang tidak konsisten, dan rentan terhadap kesalahan diagnosis karena variasi kualitas slide. Untuk meningkatkan diagnosis TBC, para peneliti telah mengembangkan teknik berbasis komputer untuk menganalisis gambar mikroskopis digital dari sampel dahak. Metode otomatis ini meningkatkan akurasi dan efisiensi diagnostik, membantu para profesional medis. Salah satu alat tersebut adalah Ziehl-Neelsen Sputum Smear Microscopy Image Database (ZNSM-iDB), sebuah kumpulan data yang tersedia untuk umum yang berisikan berbagai kasus TBC. Dataset tersebut mencakup tujuh kategori berbeda dengan data yang diperoleh dari tiga jenis mikroskop. Dataset ZNSM-iDB mendukung pengembangan algoritma dengan menyediakan kumpulan data yang berfokus pada fokus otomatis, penjahitan otomatis, dan segmentasi manual gambar mikroskop. Namun, hanya kategori kumpulan data yang disegmentasi secara manual yang cocok untuk pelatihan model. Kategori ini berisi gambar TB dengan objek yang ditandai secara manual (bounding box). Meskipun demikian, pengambilan gambar manual untuk setiap Field-of-View (FoV) dapat menyebabkan gambar tumpang tindih, dan kumpulan data ZNSM-iDB tidak memberikan koordinat atau ukuran untuk bounding box setiap objek TB. Tujuan dari penelitian ini adalah untuk mengembangkan sistem deteksi objek MTB yang dapat digunakan dengan mikroskop pemindaian Field-of-View (FoV) (otomatis). Tujuan dari sistem ini adalah untuk mengetahui tingkat keparahan penyakit TBC yang diderita pasien. FoV-Scanning microscope digunakan untuk menangkap data gambar untuk tahap awal proses. FoV- Scanning microscope ini dapat memfilter slide TBC secara otomatis, sehingga diharapkan ii dapat membantu pekerjaan tenaga medis dalam melakukan skrining slide TBC yang sebelumnya dilakukan secara manual, memakan waktu cukup lama, dan rawan terjadinya human error akibat kelelahan. Data yang diperoleh akan digunakan untuk melatih model YOLO. Setelah data uji dimasukkan ke dalam model yang dihasilkan, sistem akan mengeluarkan gambar dengan label yang mewakili bounding box dan jumlah/kuantitas objek MTB di dalam gambar. Tingkat keparahan penyakit TBC dapat dinilai berdasarkan jumlah objek MTB. Sistem yang dikembangkan diharapkan dapat membantu tenaga medis dalam mengidentifikasi tingkat keparahan penyakit TBC pada pasien. Dengan sistem ini, petugas kesehatan tidak perlu lagi memeriksa slide TB secara manual. Metode yang diusulkan terbukti efektif dan efisien dalam mendeteksi objek MTB dari gambar slide mikroskopis TB. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mencapai skor mAP 50 sebesar 0.454 dan skor mAP 50-95 sebesar 0.14, melampaui konfigurasi YOLO V8 Medium dan V8 Large. Sistem dapat mengklasifikasikan tingkat keparahan TBC dengan akurasi 66,67% (2 dari 3 sampel) ketika diuji dengan sediaan slide TBC. Kesimpulan dari penelitian ini adalah sistem mikroskop otomatis berbasis AI efektif dalam mendeteksi Mycobacterium tuberkulosis dan dapat diterapkan di fasilitas kesehatan untuk meningkatkan efisiensi diagnosis TBC. Mikroskop pemindaian Field-of- View yang dikembangkan berhasil melakukan pemindaian otomatis dan menangkap gambar dengan kualitas yang memadai untuk dianalisis.