digilib@itb.ac.id +62 812 2508 8800

Dokumen Asli
PUBLIC Open In Flip Book Dessy Rondang Monaomi

Perkembangan pesat telemedisin dan digitalisasi dalam bidang kesehatan telah meningkatkan efisiensi dan aksesibilitas layanan medis secara global. Teleradiologi, khususnya, telah menjadi alat penting dalam praktik radiologi klinis, memungkinkan transfer gambar diagnostik yang lancar dan memfasilitasi konsultasi jarak jauh. Kemajuan telemedisin juga berdampak besar pada prosedur endoskopi, memungkinkan diagnosis jarak jauh dan perawatan kolaboratif. Namun, dengan meningkatnya adopsi teknologi pencitraan digital dan komunikasi, potensi manipulasi jahat terhadap gambar medis, yang dikenal sebagai deepfake, telah muncul sebagai masalah yang mendesak. Serangan fraud pada Medicare menyebabkan kerugian yang signifikan terhadap fasilitas kesehatan. Laporan dan penelitian sebelumnya menunjukkan bahwa Medicare mengalami kerugian akibat klaim penipuan atau klaim yang tidak diperlukan. Manipulasi pada radiografi merupakan masalah serius yang dapat digunakan dalam klaim asuransi kesehatan ilegal. Deepfake merupakan media sintetis yang diciptakan menggunakan algoritma machine learning, mampu memanipulasi atau menghasilkan gambar, audio, dan video dengan sangat meyakinkan. Kemampuan menghasilkan gambar medis yang tampak realistis menimbulkan tantangan etis dan praktis yang signifikan, seperti kesalahan diagnosis dan aktivitas penipuan. Penelitian ini bertujuan untuk mengembangkan algoritma deteksi deepfake yang lebih realistis untuk beberapa jenis gambar medis, seperti gastrointestinal, MRI, CT, dan X-ray. Pengembangan ini penting untuk mengatasi potensi bahaya deepfake dalam konteks medis, seperti kesalahan diagnosis dan penipuan asuransi. Dalam penelitian ini, BlobGAN digunakan sebagai dasar pembuatan dataset pelatihan dan dimodifikasi dengan penambahan self-attention layer untuk menghasilkan gambar deepfake yang lebih realistis. Hasil evaluasi menunjukkan bahwa Blob Generative Adversarial Network (BlobGAN) yang dimodifikasi menghasilkan kualitas citra sintetis yang lebih baik dibandingkan dengan model generatif lainnya. Uji validasi dilakukan terhadap tenaga medis untuk memastikan seberapa realistis citra yang dihasilkan. Gambar ii sintetis ini juga diuji untuk meningkatkan akurasi deteksi model menggunakan YoloV5su, model compact yang sering digunakan dalam penelitian sebelumnya. Untuk mendeteksi gambar medis deepfake, digunakan beberapa algoritma YoloV8 dan YoloV5, termasuk YoloV5nu, YoloV5su, YoloV8n, YoloV8s, YoloV8m, YoloV8l, dan YoloV8x. Penggunaan beberapa versi Yolo ini bertujuan untuk mengevaluasi kinerja masing-masing algoritma dalam mendeteksi deepfake pada citra medis. Metrik evaluasi yang digunakan meliputi recall, precision, dan Mean Average Precision (mAP). YoloV5su dan Convolutional Block Attention Module (CBAM) menunjukkan kinerja yang bagus dengan tetap mempertahan ukuran model yang compact. Selanjutnya, Pengujian terkait penambahan data deepfake terhadap akurasi deteksi polip menunjukkan kontribusi penambahan mAP sekitar 0.02-0.03. Secara keseluruhan, penelitian ini dapat mengembangkan metode yang dapat menghasilkan citra sintetis yang realistis, khususnya citra radiologi dan endoskopi, serta menguji dan mengukur kualitas citra tersebut menggunakan metrik objektif seperti Inception Score (IS) dan Frechet Inception Distance (FID). Selain itu, validasi kualitas citra sintetis dilakukan melalui penilaian subjektif dari para ahli medis. Model deteksi deepfake berbasis YoloV5su yang dikembangkan dalam penelitian ini menunjukkan kinerja yang baik dalam mengidentifikasi citra medis deepfake. Hasil penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan teknologi deteksi deepfake yang lebih efektif serta mengeksplorasi potensi pemanfaatan citra sintetis untuk meningkatkan akurasi diagnosis penyakit.