Kembangkan AI Deteksi Kanker Serviks, Tim Peneliti UNM Gelar Monev Hibah

1. Pendahuluan

1.1 Latar Belakang Masalah Kanker Serviks

Kanker serviks menempati urutan kedua sebagai jenis kanker yang paling sering menyerang perempuan di Indonesia setelah kanker payudara. Data beban penyakit nasional menunjukkan ribuan kasus baru terdiagnosis setiap tahun, dengan mayoritas pasien datang pada stadium lanjut akibat minimnya skrining rutin. Tingkat kematian akibat penyakit ini tetap tinggi karena deteksi dini belum menjangkau seluruh lapisan masyarakat.

Skrining konvensional di Indonesia mengandalkan metode pemeriksaan sitologi melalui Pap smear serta metode skrining visual langsung menggunakan Inspeksi Visual Asam Asetat (IVA). Kedua metode ini menghadapi hambatan operasional:

Skrining Pap smear membutuhkan fasilitas laboratorium sitopatologi, rantai logistik pengiriman sampel yang memadai, dan interpretasi oleh dokter spesialis patologi anatomi. Jumlah dokter spesialis patologi anatomi terkonsentrasi di kota-kota besar, menyebabkan penumpukan antrean sampel dan waktu tunggu hasil hingga berminggu-minggu.
Metode IVA lebih mudah diterapkan pada fasilitas pelayanan kesehatan dasar karena biaya rendah dan hasil langsung. Namun, akurasi IVA sangat bergantung pada subjektivitas, pengalaman, dan ketajaman visual tenaga kesehatan pemeriksa. Variasi tingkat kesalahan manusia pada pembacaan IVA manual memperbesar peluang terjadinya false negative (kasus positif yang terlewat) dan false positive (rujukan berlebih).
Wilayah Terdepan, Terluar, dan Tertinggal (3T) mengalami kesenjangan akses diagnostik paling parah akibat keterbatasan alat pemeriksaan canggih dan kelangkaan tenaga medis terlatih.

1.2 Inisiatif Tim Peneliti Universitas Negeri Makassar (UNM)

Menanggapi tantangan diagnostik tersebut, tim peneliti dari Universitas Negeri Makassar (UNM) mengembangkan inovasi berbasis Artificial Intelligence (AI) atau kecerdasan buatan untuk otomatisasi deteksi lesi prakanker serviks berbasis citra digital. Proyek riset ini memanfaatkan pengolahan citra digital serviks guna memberikan analisis awal yang objektif, cepat, dan presisi tinggi pada pemeriksaan visual leher rahim.

Proyek ini memperoleh pendanaan skema hibah penelitian kompetitif nasional dari kementerian terkait. Sebagai wujud transparansi, pertanggungjawaban akademis, dan jaminan mutu luaran, tim peneliti menggelar agenda Monitoring dan Evaluasi (Monev) Hibah. Forum Monev ini menjadi tahapan penting untuk meninjau pencapaian indikator kinerja riset, validasi algoritma, dan kesiapan transisi teknologi dari laboratorium ke lingkungan operasional klinis.

2. Inovasi AI untuk Deteksi Kanker Serviks

                   +------------------------------------+
                   |  Perekaman Citra Serviks Digital   |
                   |  (Kamera Portabel / Kolposkop)     |
                   +-----------------+------------------+
                                     |
                                     v
                   +------------------------------------+
                   | Preprocessing & Reduksi Artefak    |
                   | (Pencahayaan, Glare, Penghalau)    |
                   +-----------------+------------------+
                                     |
                                     v
                   +------------------------------------+
                   | Segmentasi Citra Otomatis (U-Net)  |
                   | Batas Zona Transformasi & Lesi     |
                   +-----------------+------------------+
                                     |
                                     v
                   +------------------------------------+
                   | Ekstraksi Fitur & Klasifikasi CNN  |
                   | (Normal / Asetowhite / Keganasan)  |
                   +-----------------+------------------+
                                     |
                                     v
                   +------------------------------------+
                   | Hasil Prediksi & Rekomendasi Medis |
                   | Tampil di Antarmuka FKTP (Edge AI) |
                   +------------------------------------+

2.1 Arsitektur dan Cara Kerja Teknologi AI

Sistem AI rancangan tim UNM dibangun di atas kerangka Deep Learning (pembelajaran mendalam) dengan modul Convolutional Neural Networks (CNN). Model ini dilatih menggunakan ribuan data citra serviks beranotasi medis standar, mencakup citra IVA digital dan citra kolposkopi resolusi tinggi.

Alur kerja arsitektur sistem:

Akuisisi dan Pra-pemrosesan Citra (Preprocessing): Citra leher rahim yang diambil via kamera digital portabel diproses untuk standardisasi resolusi, koreksi pencahayaan, reduksi pantulan cahaya (specular reflection), dan penajaman kontras jaringan epitel.
Segmentasi Lesi Otomatis: Model segmentasi berbasis arsitektur U-Net memisahkan area transformation zone (zona transformasi) dan mendeteksi perubahan epitel seperti area acetowhite (bercak putih setelah aplikasi asam asetat).
Ekstraksi Fitur dan Klasifikasi: Jaringan CNN menganalisis pola mikroskopis, tekstur permukaan, dan ketidakteraturan batas lesi. Sistem mengklasifikasikan citra ke dalam kategori diagnostik: normal, radang/atipikal, lesi prakanker tingkat rendah (NIS 1), lesi prakanker tingkat tinggi (NIS 2/3), hingga dugaan karsinoma invasif.

2.2 Akurasi, Sensitivitas, dan Spesifisitas Model

Pengujian performa model kecerdasan buatan dilakukan melalui validasi silang (cross-validation) dengan membandingkan prediksi algoritma terhadap diagnosis standar baku emas (gold standard) berbasis biopsi histopatologi:

Sensitivitas Tinggi: Model mencapai sensitivitas di atas 90% dalam mendeteksi lesi prakanker tingkat tinggi, menekan tingkat false negative sehingga risiko keterlambatan penanganan pasien dapat diminimalkan.
Spesifisitas Optimal: Spesifisitas model dirancang stabil untuk mengurangi kejadian false positive, mencegah tindakan medis invasif atau rujukan rumah sakit yang tidak perlu.
Konsistensi Hasil: Pembacaan AI tidak terpengaruh oleh kelelahan operator atau variasi subjektivitas manusia, menjamin standardisasi mutu diagnosis lintas fasilitas kesehatan.

2.3 Keunggulan Implementasi

Sistem deteksi berbasis AI ini memiliki karakteristik praktis untuk penerapan di lapangan:

Komputasi Waktu Nyata (Real-Time): Waktu inferensi model membutuhkan kurang dari 5 detik untuk menghasilkan segmentasi visual dan kategori risiko sejak citra diunggah.
Efisiensi Perangkat Keras (Edge AI): Model dapat dijalankan pada komputer spesifikasi menengah hingga perangkat cerdas berbasis tablet tanpa kewajiban bergantung penuh pada koneksi komputasi awan (cloud).
Antarmuka Pengguna Sederhana: Dasbor sistem menyajikan peta panas (heatmap) area abnormal yang memudahkan interpretasi visual oleh bidan atau dokter umum di fasilitas kesehatan tingkat pertama.

3. Pelaksanaan Monitoring dan Evaluasi (Monev) Hibah Penelitian

3.1 Agenda dan Tujuan Monev

Pelaksanaan Monev Hibah Penelitian merupakan forum verifikasi akademik dan manajerial yang dihadiri oleh tim peneliti UNM, tim peninjau (reviewer) independen, dan perwakilan pengelola hibah riset.

Agenda utama Monev meliputi:

Audit kesesuaian target capaian luaran wajib, mencakup prototipe perangkat lunak AI, publikasi ilmiah pada jurnal bereputasi, pendaftaran Hak Kekayaan Intelektual (HKI/Paten), serta dokumen spesifikasi teknis.
Verifikasi serapan anggaran riset guna memastikan kepatuhan terhadap regulasi pembelanjaan dana hibah negara.
Pengawasan linimasa riset untuk memastikan seluruh fase pengembangan berjalan tepat waktu sesuai peta jalan penelitian.

Aspek Penilaian	Target Luaran Hibah	Realisasi Saat Monev	Status Capaian
Prototipe Sistem	Aplikasi Deteksi Berbasis AI (Versi Web & Mobile)	Prototipe TRL 5 siap uji klinis terbatas	Selesai
Publikasi Ilmiah	1 Jurnal Internasional Terindeks Scopus	Diterima (Accepted) pada jurnal bereputasi Q2	Selesai
Kekayaan Intelektual	Hak Cipta Perangkat Lunak & Paten Algoritma	2 Hak Cipta terdaftar, draf paten terverifikasi	Sesuai Target
Validasi Dataset	1.000 citra beranotasi patologi anatomi	1.500 citra teranotasi dan tervalidasi	Melampaui Target
Serapan Anggaran	100% dari termin berjalan	94,8% dengan bukti administratif lengkap	Sesuai Target

3.2 Temuan Progres dan Uji Lapangan

Dalam pemaparan tim UNM, terungkap bahwa Tingkat Kesiapan Teknologi (Technology Readiness Level / TRL) telah mencapai level 5 dan menuju level 6. Model telah divalidasi menggunakan dataset citra klinis yang diperoleh dari kerja sama dengan rumah sakit rujukan daerah.

Dataset mencakup spektrum variasi kasus leher rahim dari pasien lintas usia. Hasil uji coba lapangan awal menunjukkan integrasi antara perangkat tangkapan visual portabel dengan modul AI berjalan stabil tanpa kendala latensi kritis.

3.3 Evaluasi Tim Reviewer dan Masukan Strategis

Tim reviewer memberikan evaluasi positif terhadap kemajuan prototipe dan kelengkapan dokumen pendukung. Masukan strategis yang diberikan meliputi:

Mitigasi Bias Dataset: Reviewer menyarankan penambahan dataset dari populasi geografis yang lebih luas untuk menghindari bias algoritma terhadap variasi warna kulit, kontras jaringan, dan teknik pencahayaan alat tangkapan berbeda.
Kepatuhan Regulasi Etika Data Medis: Peneliti diwajibkan memastikan seluruh data citra medis telah melalui proses anonimisasi data ketat sesuai regulasi perlindungan data pribadi dan lolos kaji etik kesehatan (ethical clearance).
Penyempurnaan Penjelasan Model (Explainable AI): Model AI perlu memperkuat fitur interpretabilitas visual agar dokter pemeriksa memahami dasar keputusan matematis yang diambil oleh algoritma.

4. Rencana Hilirisasi dan Integrasi Layanan Medis

[Pemeriksaan di Puskesmas / FKTP]
         |
         v
[Tangkapan Citra Serviks Digital]
         |
         v
[Analisis AI Waktu Nyata]
         |
         +--------------------------------+
         |                                |
         v                                v
[Hasil: Normal / Risiko Rendah]   [Hasil: Dugaan Lesi Tinggi / Positif]
         |                                |
         v                                v
[Skrining Rutin Berkala]          [Rujukan Telekonsultasi Spesialis / RSUD]

4.1 Implementasi pada Fasilitas Kesehatan Tingkat Pertama (FKTP)

Tujuan akhir pengembangan sistem AI oleh tim UNM adalah penerapan operasional di Pusat Kesehatan Masyarakat (Puskesmas) dan klinik primer swasta.

Skema penerapan di lapangan:

Pemanfaatan perangkat lunak AI yang dipasang pada tablet atau laptop di ruang pemeriksaan KIA (Kesehatan Ibu dan Anak).
Bidan atau dokter umum mengambil citra serviks menggunakan gawai berkamera khusus atau kolposkop digital portabel.
Algoritma AI menganalisis gambar dan menyajikan indikator risiko dalam hitungan detik.
Apabila ditemukan indikasi lesi tingkat tinggi, sistem langsung membuat rekomendasi rujukan terintegrasi ke dokter spesialis obstetri dan ginekologi di rumah sakit rujukan.

4.2 Tahapan Uji Klinis dan Kepatuhan Regulasi

Sebelum didistribusikan secara komersial dan digunakan luas pada fasilitas pelayanan kesehatan, tim UNM menyusun peta jalan legalitas medis:

Uji Validasi Multiklinis: Melibatkan beberapa rumah sakit pendidikan dan laboratorium sitologi di berbagai wilayah provinsi untuk menguji ketahanan model pada data baru (unseen data).
Sertifikasi Alat Kesehatan: Pengajuan izin edar perangkat lunak sebagai Software as a Medical Device (SaMD) kepada Kementerian Kesehatan Republik Indonesia.
Uji Kelaikan Keamanan Informasi: Audit keamanan data pasien untuk menjamin kepatuhan terhadap standar enkripsi rekam medis digital.

4.3 Dampak terhadap Penghematan Anggaran Kesehatan

Integrasi teknologi AI dalam program penapisan nasional memberikan dampak ekonomi langsung bagi sistem pembiayaan kesehatan negara (BPJS Kesehatan):

Menekan Biaya Terapi Kuratif: Biaya pengobatan kanker serviks stadium III dan IV (kemoterapi, radioterapi, bedah radikal) memakan porsi pembiayaan katastropik tinggi. Deteksi lesi pada tahap prakanker memungkinkan tindakan krioterapi atau LEEP di tingkat primer dengan biaya minimal.
Optimalisasi Jalur Rujukan: Menurunkan angka rujukan palsu (false positive) ke rumah sakit tipe A dan B, mengurangi beban antrean spesialis dan efisiensi utilisasi klaim asuransi kesehatan.
Peningkatan Cakupan Skrining (Screening Coverage): Mempercepat terwujudnya target eliminasi kanker serviks nasional melalui pemerataan akses teknologi diagnostik di seluruh daerah.

5. Kesimpulan

Inovasi kecerdasan buatan untuk deteksi kanker serviks yang dikembangkan oleh Tim Peneliti Universitas Negeri Makassar (UNM) menawarkan solusi teknologi konkret bagi tantangan skrining kesehatan perempuan di Indonesia. Keberhasilan pelaksanaan Monitoring dan Evaluasi (Monev) Hibah membuktikan bahwa riset ini berada pada jalur pengembangan yang akuntabel, tepat sasaran, dan memiliki kesiapan teknologi tinggi. Melalui kolaborasi lanjutan bersama kementerian, asosiasi profesi medis, dan industri alat kesehatan, teknologi AI ini berpeluang menjadi tulang punggung penguatan layanan diagnostik preventif di fasilitas kesehatan tingkat primer.

Pertanyaan yang Sering Diajukan (FAQ)

1. Apa fungsi utama AI deteksi kanker serviks buatan tim UNM?

AI ini menganalisis citra visual leher rahim untuk mendeteksi lesi prakanker dan indikasi kanker serviks secara otomatis dengan cepat dan akurat.

2. Siapa yang mendanai riset AI kanker serviks ini?

Riset didanai melalui skema program hibah penelitian nasional/kementerian untuk mendukung hilirisasi riset perguruan tinggi.

3. Mengapa Monev hibah penelitian penting dilakukan?

Monev memastikan capaian target riset terpenuhi, penggunaan anggaran akuntabel, serta mengevaluasi kesiapan teknologi sebelum uji klinis skala luas.

4. Apakah sistem AI ini menggantikan peran dokter spesialis?

Tidak. AI berfungsi sebagai alat bantu diagnostik (decision support system) untuk mempercepat skrining awal, sementara diagnosis final tetap di bawah wewenang dokter.