Oleh: Thalia Kaylyn Averil
Artificial Intelligence (AI) sedang mengalami pertumbuhan yang sangat pesat akhir-akhir ini. Dampaknya tidak hanya terbatas pada bidang-bidang tertentu, tetapi juga telah mulai memberikan kontribusi dalam dunia kesehatan. Salah satu contohnya adalah penggunaan AI dalam Magnetic Resonance Imaging (MRI). AI dapat meningkatkan kemampuan MRI secara signifikan melalui beberapa cara, seperti meningkatkan kualitas gambar, memungkinkan interpretasi yang lebih cepat dan akurat, mendeteksi penyakit atau kondisi kesehatan tertentu, hingga membantu dalam perencanaan perawatan yang lebih eksklusif untuk masing-masing pasien.
Dalam beberapa tahun terakhir, salah satu kemajuan MRI adalah teknik pengambilan sampel dan rekonstruksi data yang semakin canggih. Pemindaian MRI dapat dilakukan dengan lebih cepat dengan pendekatan undersampling, yaitu mengurangi jumlah data yang diperlukan untuk akuisisi gambar. Kualitas gambar yang dihasilkan tetap terjaga dengan metode rekonstruksi tingkat lanjut, walaupun dilakukan dengan lebih cepat. Metode rekonstruksi tersebut dirancang dengan sangat baik untuk meminimalisasi artefak domain gambar sehingga menghasilkan gambar berkualitas tinggi. Deep learning adalah salah satu bagian dari AI yang berperan dalam perkembangan metode rekonstruksi yang digunakan dalam MRI. Deep learning dapat mempelajari dan membuat keputusan dari sejumlah besar data medis dengan menggunakan algoritma yang terinspirasi oleh struktur dan fungsi otak manusia untuk memproses data dan mengenali pola pengambilan keputusan. Pendekatan ini tidak hanya mempercepat proses pemindaian MRI, tetapi juga meningkatkan kejelasan dan keakuratan gambar.
AI juga dapat mengoptimalisasi alur kerja (workflow) MRI dengan otomatisasi berbagai tahapan proses pencitraan, seperti perencanaan, pengumpulan data, rekonstruksi, pemetaan parameter, dan segmentasi sehingga dapat meningkatkan efisiensi MRI secara keseluruhan. AI dapat mengatasi limitasi yang sering dihadapi saat MRI, seperti meningkatkan toleransi gerakan yang dilakukan oleh pasien. AI juga dapat meningkatkan kualitas gambar MRI sehingga dapat mendeteksi penyakit dan merencanakan tindakan medis selanjutnya dengan lebih akurat. Selain itu, penggunaan AI dalam MRI memungkinkan penentuan diagnosis dan prognosis secara otomatis sehingga dapat membantu mendeteksi berbagai macam penyakit. Kemajuan AI dalam MRI dapat memberikan dampak lebih lanjut pada penerapan baru untuk memandu prosedur, seperti MRI low-field dan MRI real-time, sehingga dapat memperluas cakupan dan efektivitas teknologi MRI.
Analisis gambar MRI dapat diotomatisasi dengan AI sehingga meningkatkan efisiensi dan akurasi hasil. AI menyederhanakan dan menyempurnakan berbagai aspek MRI, seperti segmentasi struktur dalam gambar secara akurat untuk diagnosis. AI dapat membantu dokter dalam mengidentifikasi masalah yang berpotensi terjadi dengan mendeteksi dan mengklasifikasikan lesi, tumor, dan lain-lain secara otomatis. Karakteristik jaringan dapat diukur dengan tepat menggunakan algoritma AI untuk analisis kuantitatifnya (contoh: mengukur volume tumor dan mendeteksi perubahan yang terjadi dari waktu ke waktu).
AI memainkan peran penting dalam menentukan diagnosis berdasarkan gambaran MRI sehingga dokter memiliki opini kedua yang dapat mengurangi kemungkinan terjadinya kesalahan (human error). Selain itu, AI dapat menggabungkan data MRI dengan Electronic Health Record (EHR) atau catatan kesehatan elektronik pasien sehingga dokter mendapatkan gambaran lengkap mengenai riwayat kesehatan pasien untuk pengambilan keputusan yang lebih baik. Hal tersebut juga dapat meningkatkan keakuratan diagnosis dan rencana perawatan. Penentuan prognosis dan penilaian risiko adalah contoh peran AI dalam dunia kesehatan untuk analisis prediktif. Dengan menganalisis gambar MRI dan data pasien, AI dapat memperkirakan perkembangan penyakit, mengevaluasi risiko, dan membantu menyesuaikan perawatan yang dipersonalisasi. AI juga dapat mendeteksi tanda-tanda awal penyakit yang sering terlewat sehingga memungkinkan untuk dilakukan intervensi yang tepat waktu.
AI juga berperan dalam memajukan penelitian di bidang radiomik dan radiogenomik. Radiomik adalah proses ekstraksi dan analisis sejumlah besar fitur kuantitatif (contoh: ukuran, bentuk, intensitas, tekstur) dari gambaran medis untuk membantu pengambilan keputusan. Di lain sisi, radiogenomik adalah integrasi radiomik dengan data genomik untuk memahami hubungan antara fitur gambaran dan informasi genetik yang berpotensi memprediksi hasil dan memandu pengobatan. Selain itu, AI dapat meningkatkan seleksi peserta dalam uji klinis dengan menganalisis pemindaian MRI dan data-data lainnya sehingga pemilihan peserta yang sesuai dapat dilakukan dengan lebih efisien.
Di Rumah Sakit Abdi Waluyo, salah satu teknologi terbaru yang telah digunakan adalah perangkat lunak AI bernama AIR Recon DL pada mesin MRI. AIR Recon DL memungkinkan dokter untuk melakukan rekonstruksi gambar MRI dengan kualitas tinggi dan dalam waktu yang lebih singkat sehingga dapat meningkatkan akurasi diagnosis. Teknologi ini memanfaatkan pendekatan deep learning untuk memproses gambaran MRI sehingga menghasilkan gambaran yang jelas dan akurat. Selain itu, analisis otomatis adalah salah satu fitur AIR Recon DL yang dapat membantu membedakan tumor, infeksi, dan jaringan lunak agar dapat menentukan rencana perawatan yang paling akurat dan efektif untuk setiap pasien. Dengan AIR Recon DL, dokter-dokter di Rumah Sakit Abdi Waluyo dapat mengoptimalkan proses diagnostik dan memberikan layanan terbaik kepada pasien.
Referensi:
- Shimron E, Perlman O. AI in MRI: Computational Frameworks for a Faster, Optimized, and Automated Imaging Workflow. Bioengineering (Basel). 2023 Apr 20;10(4):492. doi: 10.3390/bioengineering10040492. PMID: 37106679; PMCID: PMC10135995. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10135995/
- Kang J, Nam Y. Applications of Artificial Intelligence in MR Image Acquisition and Reconstruction. J Korean Soc Radiol. 2022 Nov;83(6):1229-1239. Korean. doi: 10.3348/jksr.2022.0156. Epub 2022 Nov 30. PMID: 36545429; PMCID: PMC9748458. Available from: https://pubmed.ncbi.nlm.nih.gov/36545429/
- Gaube S, Suresh H, Raue M, Merritt A, Berkowitz SJ, Lermer E, Coughlin JF, Guttag JV, Colak E, Ghassemi M. Do as AI say: susceptibility in deployment of clinical decision-aids. NPJ Digit Med. 2021 Feb 19;4(1):31. doi: 10.1038/s41746-021-00385-9. PMID: 33608629; PMCID: PMC7896064. Available from: https://pubmed.ncbi.nlm.nih.gov/33608629/
- Fan H, Luo Y, Gu F, Tian B, Xiong Y, Wu G, Nie X, Yu J, Tong J, Liao X. Artificial intelligence-based MRI radiomics and radiogenomics in glioma. Cancer Imaging. 2024 Mar 14;24(1):36. doi: 10.1186/s40644-024-00682-y. PMID: 38486342; PMCID: PMC10938723. Available from: https://pubmed.ncbi.nlm.nih.gov/38486342/
