YOGYAKARTA, Suara Muhammadiyah - Universitas Muhammadiyah Yogyakarta (UMY) tengah mengembangkan lima prototipe kecerdasan buatan (AI) yang dirancang membantu deteksi penyakit, mulai dari limfoma maligna hingga tumor otak.
Kelima prototipe ini dipaparkan oleh Guru Besar UMY bidang Kecerdasan Buatan Terapan, Prof. Ir. Slamet Riyadi, S.T., M.Sc., Ph.D., saat menjadi keynote speaker dalam The 10th International Conference on Sustainable Innovation (The 10th ICoSI) UMY 2026 pada Rabu (5/8), di Ruang Sidang Gedung AR. Fachruddin B lantai 5 UMY.
Kelima prototipe tersebut adalah LymphoScan, myStressD, BrainDetect, myHeartD v3, dan myDBT-Enhance. Masing-masing telah terdaftar hak cipta dan diuji di laboratorium dengan tingkat akurasi tinggi.
Slamet menjelaskan, LymphoScan merupakan aplikasi berbasis web yang menganalisis citra mikroskopis untuk mendeteksi jenis limfoma maligna, termasuk CLL, FL, dan MCL. Sementara itu, myStressD mendeteksi kondisi stres seseorang lewat citra wajah yang diunggah melalui perangkat mobile.
BrainDetect sendiri dirancang untuk mengklasifikasi jenis tumor otak dari citra MRI, lengkap dengan skor keyakinan prediksi. Adapun myHeartD v3 memperkirakan risiko penyakit jantung koroner dari data kuesioner pasien. Terakhir, myDBT-Enhance meningkatkan kualitas citra mammografi untuk mendukung skrining kanker payudara.
“Aplikasi-aplikasi ini dirancang sebagai alat bantu, dan bukan sebagai pengganti evaluasi profesional dari praktisi kesehatan,” tegas Slamet.
Riset UMY yang mendasari pengembangan prototipe tersebut mencakup empat kategori utama.
Kategori pertama adalah pencitraan dada dan pernapasan, termasuk deteksi COVID-19 dari citra rontgen dan CT scan. Kategori kedua meliputi risiko kardiovaskular dan metabolik, seperti klasifikasi risiko penyakit jantung, penyakit arteri koroner, diabetes, dan stroke.
Kategori ketiga adalah pencitraan kanker, mencakup klasifikasi kanker payudara, sel pra-kanker serviks, dan kanker ginjal. Kategori keempat menyasar kepada kesehatan mental dan biosignal, meliputi deteksi stres, emosi, kesehatan mental mahasiswa, serta variabilitas detak jantung.
Slamet menjelaskan, pengembangan model AI ini memanfaatkan sejumlah arsitektur kecerdasan buatan, mulai dari CNN, VGG, hingga EfficientNet untuk pencitraan, serta teknik explainability seperti Grad-CAM dan LIME agar hasil prediksi model dapat ditelusuri alasannya oleh tenaga medis.
“Model yang lebih akurat tidak selalu berarti layanan yang lebih baik. Penerapannya juga bergantung pada kecepatan, memori, dan konteks penggunaan,” ungkap Slamet.
Ia menambahkan, evaluasi sebuah model AI kesehatan tidak cukup diukur dari satu metrik akurasi saja, melainkan juga dari dampak operasional dan klinisnya sebelum benar-benar digunakan dalam layanan kesehatan sehari-hari.
Solusi AI Kesehatan di Indonesia
Selain itu, AI di sektor kesehatan belum bisa disebut solusi Indonesia, jika hanya berfungsi di rumah sakit besar perkotaan. Slamet menyebut kondisi geografis Indonesia sebagai ujian sesungguhnya bagi teknologi AI kesehatan. Sistem yang berhasil di rumah sakit besar kota belum tentu bekerja sama baiknya di puskesmas atau pulau terpencil.
“Kalau sebuah sistem hanya bekerja di rumah sakit tersier, itu belum bisa disebut solusi bagi optimalisasi sistem kesehatan diIndonesia,” ujar Slamet.
Ia memaparkan lima aspek yang membedakan kesiapan tiap daerah: kematangan data, konektivitas internet, ketersediaan tenaga kerja terlatih, alur rujukan pasien, dan tata kelola. Kelima faktor ini, menurutnya, kerap luput dari perhitungan saat sebuah sistem AI dianggap siap diterapkan secara nasional.
Kesenjangan akses layanan spesialis antarwilayah pun menjadi isu lain yang disorot Slamet. Ia menilai bahwa layanan radiologi dan diagnostik khusus masih terpusat, sementara informasi medis pasien sering tak ikut berpindah saat dirujuk antarfasilitas kesehatan.
Slamet mencontohkan uji coba qXR dan qTrack, sistem analisis rontgen dada berbasis AI untuk deteksi tuberkulosis dan lebih dari 20 temuan prioritas lain. Uji coba ini berjalan di tiga rumah sakit: RSUP Fatmawati, RSUP Dr. M. Djamil, dan RSPON.
“Uji coba qXR dan qTrack ini masih berstatus pilot riset klinis, bukan program rutin nasional,” ungkap Slamet.
Dirinya menegaskan bukti keberhasilan sebuah teknologi AI di tahap riset tidak bisa disamakan dengan bukti keberhasilannya saat diterapkan secara luas. Slamet menegaskan bahwa Bukti implementasi harus dipisahkan dari bukti riset dan bukti hasil klinis.
Sebuah sistem AI kesehatan bagi Slamet baru layak diperluas skalanya jika memenuhi lima syarat: kesesuaian konteks dengan alur kerja nyata, kapasitas sumber daya manusia dan infrastruktur, konektivitas yang mendukung interoperabilitas, kepatuhan terhadap validasi dan privasi data, serta kolaborasi lintas pihak mulai dari klinisi hingga pemerintah.
Slamet menekankan bahwa perluasan skala AI kesehatan harus didasarkan pada bukti nyata, bukan sekadar potensi teknologi. (ID)
