Deteksi Tipe Kanker Paru-Paru Berdasarkan Citra sebagai Pertimbangan Tambahan dalam Proses Diagnosis Tenaga Kesehatan
Kata Kunci:
Kanker paru-paru, Vision Transformer, Benign Lung Tissue, Lung Adenocarcinomas, Lung Squamous CellAbstrak
Vision Transformer merupakan sebuah pendekatan baru dalam bidang klasifikasi citra. Dalam makalah ini, pendekatan
tersebut dimanfaatkan untuk melakukan klasifikasi terhadap citra hispatologis yang terdiri dari tipe-tipe kanker paru-paru yaitu: Benign Lung
Tissue, Lung Adenocarcinomas, dan Lung Squamous Cell. Klasifikasi citra dari gambar hispatologis dengan menggunakan pendekatan Vision
Transformer juga memberikan keunggulan dari segi presisi dan akurasi, yang kemudian diharapkan dapat membantu deteksi dini dari tipe
kanker paru-paru agar penanganan dan pencegahan kepada penderita bisa dilakukan lebih cepat dan tepat. Selain itu, penggunaan model
ini dapat membantu mengatasi isu disparitas tenaga kesehatan dan bias dalam proses diagnosis tipe kanker paru-paru. Hasil eksperimen
memperlihatkan bahwa Vision Transformer unggul dibandingkan beberapa model yang lain.
Referensi
M. Abadi dkk. Tensorflow. https://www.tensorflow.org/, 2015.
M. Al-Jabbar, M. Alshahrani, E. M. Senan, dan I. A. Ahmed. Histopathological analysis for detecting lung and colon cancer malignancies using hybrid systems with fused features. Bioengineering, 10(3):383, 2023.
A. N. Attriani. Tantangan dan isu strategis sumber daya kesehatan manusia kesehatan pada puskesmas di indonesia. Jurnal Kesehatan Tambusai, 3(3):363–368, 2022.
N. Baranwal, P. Doravari, dan R. Kachhoria. Classifi- cation of histopathology images of lung cancer using convolutional neural network (cnn). Disruptive Devel- opments in Biomedical Applications, page 75, 2021.
A. A. Borkowski, M. M. Bui, L. B. Thomas, C. P. Wilson,
L. A. DeLand, dan S. M. Mastorides. Lung and colon cancer histopathological image dataset (lc25000). arXiv preprint arXiv:1912.12142, 2019.
T. Brown, B. Mann, N. Ryder, M. Subbiah, J. D. Ka- plan, P. Dhariwal, A. Neelakantan, P. Shyam, G. Sastry,
A. Askell, dkk. Language models are few-shot learners.
Advances in neural information processing systems, 33: 1877–1901, 2020.
B. S. Chhikara dan K. Parang. Global cancer statistics 2022: the trends projection analysis. Chemical Biology Letters, 10(1):451–451, 2023.
F. Chollet dkk. Keras. https://github.com/keras-team/ keras, 2015.
J. Devlin, M.-W. Chang, K. Lee, dan K. Toutanova. Bert: Pre-training of deep bidirectional transformers for language understanding. In Proceedings of the 2019 Con- ference of the North American Chapter of the Association for Computational Linguistics, pages 4171–4186, 2019. URL https://www.aclweb.org/anthology/N19-1423/.
A. Dosovitskiy, L. Beyer, A. Kolesnikov, D. Weis- senborn, X. Zhai, T. Unterthiner, M. Dehghani, M. Min- derer, G. Heigold, S. Gelly, dkk. An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv:2010.11929, 2020.
C. Goutte dan E. Gaussier. A probabilistic interpretation of precision, recall and f-score, with implication for eval- uation. In European conference on information retrieval, pages 345–359. Springer, 2005.
K. He, X. Zhang, S. Ren, dan J. Sun. Deep residual learn- ing for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 770–778, 2016.
G. Huang, Z. Liu, L. van der Maaten, dan K. Q. Wein- berger. Densely connected convolutional networks, 2018.
M. Lewis, Y. Liu, N. Goyal, M. Ghazvininejad, A. Mo- hamed, O. Levy, V. Stoyanov, dan L. Zettlemoyer. Bart: Denoising sequence-to-sequence pre-training for natu- ral language generation, translation, and comprehension. Proceedings of the 58th Annual Meeting of the As- sociation for Computational Linguistics, pages 7871– 7880, 2020. URL https://www.aclweb.org/anthology/ 2020.acl-main.703/.
J. Malhotra, M. Malvezzi, E. Negri, C. La Vecchia, dan
P. Boffetta. Risk factors for lung cancer worldwide.
European Respiratory Journal, 48(3):889–902, 2016.
S. Mangal, A. Chaurasia, dan A. Khajanchi. Con- volution neural networks for diagnosing colon and lung cancer histopathological images. arXiv preprint arXiv:2009.03878, 2020.
K. Simonyan dan A. Zisserman. Very deep convolutional networks for large-scale image recognition, 2015.
D. Srivastava dan L. Bhambhu. Data classification using support vector machine. Journal of Theoretical and Applied Information Technology, 12:1–7, 02 2010.
C. Szegedy, S. Ioffe, V. Vanhoucke, dan A. Alemi. Inception-v4, inception-resnet and the impact of residual connections on learning, 2016.
C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, dan
Z. Wojna. Rethinking the inception architecture for computer vision. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 2818– 2826, 2016.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Cyrill Adrian Wicaksono, Gusti Faturrahman Rais, Gregorius Samuel Hutahean, Alfan Farizki
Artikel ini berlisensi Creative Commons Attribution-NonCommercial 4.0 International License.
