Pasbana - Selama puluhan tahun, pencarian bakteri tuberkulosis (TB) di dalam dahak berlangsung dengan cara yang nyaris tak berubah: sampel sputum dibuat menjadi apusan, diwarnai, lalu diamati melalui mikroskop. Di balik lensa itu, mata manusia harus memilah satu per satu objek kecil yang bisa menentukan langkah pengobatan seorang pasien.
Kini, kecerdasan buatan mulai menawarkan cara baru. Penelitian yang dilakukan Atika Ikhwani, Rinda Nur Hidayati, dan Ma'murotun mengembangkan sistem deteksi otomatis bakteri TB dari citra mikroskopis sputum menggunakan YOLOv11, salah satu model deep learning untuk deteksi objek.
Gagasannya sederhana, tetapi potensinya besar: membiarkan komputer membantu mata manusia menemukan Mycobacterium tuberculosis.
Dari Mikroskop ke Algoritma
Dalam penelitian tersebut, proses dimulai dari pengumpulan dan anotasi dataset citra mikroskopis sputum. Gambar kemudian diproses dan digunakan untuk melatih model YOLOv11 agar mampu mengenali karakteristik bakteri TB.
YOLO (You Only Look Once) bekerja dengan pendekatan deteksi objek secara langsung pada sebuah citra. Model tidak sekadar menjawab apakah sebuah gambar mengandung bakteri, tetapi juga mencoba menunjukkan di mana bakteri tersebut berada.
Hasilnya divisualisasikan dalam bentuk bounding box pada layar. Sistem bahkan dirancang untuk menghitung jumlah bakteri sekaligus mengelompokkan tingkat keparahan infeksi menjadi scanty, 1+, 2+, dan 3+.
Yang menarik, teknologi tersebut tidak berhenti sebagai algoritma di komputer. Peneliti mengimplementasikannya menggunakan Python dan OpenCV, kemudian mengintegrasikannya dengan Raspberry Pi 4 serta antarmuka grafis (GUI).
Dengan demikian, konsepnya bergerak menuju perangkat yang lebih ringkas dan mudah digunakan.
Angka yang Menjanjikan
Pada pengujian terhadap 10 sampel, sistem dilaporkan mencapai akurasi 94 persen. Sementara itu, precision mencapai 96,7 persen, recall 93,6 persen, mean Average Precision (mAP) 97,4 persen, dan F1 Score 95,1 persen.
Angka-angka tersebut menunjukkan kemampuan deteksi yang menjanjikan. Namun, ada satu hal penting: hasil tersebut belum berarti perangkat siap menggantikan pemeriksaan klinis.
Jumlah sampel pengujian yang hanya 10 membuat hasil penelitian masih perlu divalidasi dengan dataset yang jauh lebih besar, beragam, dan berasal dari kondisi laboratorium yang berbeda.
Ini penting karena citra mikroskopis tidak selalu ideal. Perbedaan kualitas pewarnaan, pencahayaan, fokus mikroskop, kualitas kamera, jenis sampel, hingga variasi bentuk bakteri dapat memengaruhi performa model.
Penelitian mengenai deep learning untuk deteksi basil tahan asam (acid-fast bacilli/AFB) sendiri memang terus berkembang. Sebuah systematic review menemukan potensi besar teknologi ini untuk membantu klasifikasi dan deteksi bakteri TB pada citra mikroskopis.
Penelitian lain yang lebih baru juga menunjukkan bahwa model deep learning dapat mengotomatisasi analisis apusan sputum dan berpotensi mengurangi waktu serta beban pemeriksaan manual.
Ketika AI Menjadi “Mata Kedua”
Di sinilah nilai terbesar teknologi semacam ini mungkin berada.
AI tidak harus diposisikan sebagai pengganti tenaga laboratorium. Ia dapat menjadi mata kedua yang membantu menemukan objek mencurigakan, menghitung jumlah bakteri, menandai area tertentu, dan mengurangi pekerjaan repetitif.
YOLOv11 sendiri dirancang sebagai model deteksi objek yang menyeimbangkan kemampuan ekstraksi fitur dengan efisiensi komputasi, sehingga menarik untuk aplikasi computer vision hingga perangkat edge.
Konsep tersebut relevan untuk fasilitas kesehatan dengan keterbatasan sumber daya. Perangkat berbasis Raspberry Pi berpotensi membuat teknologi analisis citra lebih portabel dibandingkan sistem komputasi konvensional.
Namun, konteks klinisnya harus tetap jelas.
WHO saat ini merekomendasikan tes diagnostik molekuler cepat sebagai pemeriksaan awal bagi orang dengan gejala atau dugaan TB, bukan menjadikan mikroskopi sebagai satu-satunya metode diagnosis. WHO juga menegaskan bahwa mikroskopi sputum memiliki sensitivitas terbatas dan tidak dapat menentukan apakah bakteri resisten terhadap obat.
Karena itu, sistem AI berbasis citra mikroskopis lebih tepat dilihat sebagai teknologi pendukung, terutama untuk membantu skrining, analisis laboratorium, dan meningkatkan efisiensi pemeriksaan.
Dari Proyek Elektromedis Menuju Diagnostik Cerdas
Penelitian Atika Ikhwani, Rinda Nur Hidayati, dan Ma'murotun memperlihatkan arah menarik perkembangan elektromedis: perangkat kesehatan tidak lagi sekadar mengukur atau menampilkan sinyal.
Kini, perangkat dapat melihat, mengenali, menghitung, dan membantu mengambil keputusan berbasis data.
Perpaduan mikroskop, kamera, embedded system, computer vision, dan deep learning membuka jalan menuju perangkat diagnostik yang semakin cerdas.
Tetapi perjalanan dari prototipe menuju alat medis yang benar-benar dapat digunakan di fasilitas kesehatan membutuhkan lebih dari sekadar angka akurasi tinggi. Diperlukan validasi klinis multisenter, dataset yang representatif, pengujian robustness, standardisasi perangkat keras, keamanan data, serta evaluasi terhadap risiko false positive dan false negative.
Sebab dalam dunia medis, akurasi bukan sekadar angka di tabel penelitian. Ia menyangkut keputusan yang diambil untuk manusia.
Dan mungkin, masa depan pemeriksaan TB bukan tentang memilih antara manusia atau mesin. Melainkan tentang bagaimana mata manusia dan mata buatan bekerja bersama untuk menemukan penyakit lebih cepat, lebih konsisten, dan lebih terjangkau.
Bagi tenaga elektromedis, peneliti, mahasiswa, dan pengembang teknologi kesehatan, perkembangan AI diagnostik seperti ini layak menjadi ruang kolaborasi baru—mempertemukan rekayasa perangkat medis, mikroskopi, ilmu komputer, dan kebutuhan klinis dalam satu ekosistem inovasi. (*)
