Perpustakaan Digital ITB
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.