Kota Malang, Bhirawa.com – Laboratorium Fisika Medis dan Biofisika FSTeM melalui grup riset AI for Medical Physics terus menelurkan inovasi mutakhir. Dipimpin langsung oleh Guru Besar Bidang Ilmu Fisika Medis dan Radiologi, Prof. Chomsin S. Widodo, S.Si., M.Si., Ph.D., tim peneliti berhasil mengembangkan sistem kecerdasan artifisial (AI) berbasis Explainable AI guna mendukung keputusan klinis yang objektif, akurat, dan dapat dipertanggungjawabkan secara medis.
Penerapan teknologi AI di bidang kedokteran kerap kali dihadapkan pada tantangan “black box” atau ketidaktransparanan proses pengambilan keputusan model. Menjawab tantangan tersebut, Grup Riset AI for Medical Physics memfokuskan pengembangannya pada pengintegrasian prinsip-prinsip fisis, informasi anatomis, parameter dosis, citra medis, hingga sinyal biomedis agar setiap diagnosis dapat dijelaskan secara rasional kepada tenaga medis.
Prof. Chomsin S. Widodo menjelaskan bahwa inovasi yang dikembangkan tidak semata-mata berburu akurasi angka prediksi, melainkan menekankan pada aspek keterlacakan dan relevansi klinis. Langkah ini diwujudkan melalui pemanfaatan variabel medis kuantitatif yang terukur dan dapat diverifikasi secara langsung di lapangan.
”Pendekatan kami diwujudkan melalui parameter yang dapat diverifikasi secara klinis, seperti cardiothoracic ratio (CTR), amplitudo dan latensi sinyal saraf, kecepatan konduksi, parameter eksposi, Mean Glandular Dose (MGD), hingga karakteristik fitur radiomics. Dengan demikian, keluaran AI tidak sekadar memberi label diagnosis akhir, tetapi juga menyajikan dasar kuantitatif yang transparan bagi dokter,” ujar Prof. Chomsin.
Grup riset ini telah menelurkan portofolio penelitian komprehensif yang mencakup empat bidang utama diagnostik dan elektrodiagnostik modern:
• Explainable AI untuk Diagnosis Kardiomegali: Pengembangan sistem diagnosis pembengkakan jantung dari citra x-ray dada menggunakan UBNet-Seg (arsitektur U-Net ringan). Sistem memetakan batas paru dan menghitung rasio CTR >0,50 secara otomatis berbasis penjelasan anatomis langsung (Explainable AI by design).
• Analisis NCS untuk Diagnosis Polineuropati: Studi retrospektif cross-sectional menggunakan data pasien RSUD Dr. Saiful Anwar Malang (2022–2025) untuk memodelkan hubungan kompleks parameter Nerve Conduction Study (NCS) guna meningkatkan objektivitas diagnosis kelainan saraf.
• Klasifikasi Severitas Radikulopati Lumbosakral: Pengembangan model klasifikasi otomatis tingkat keparahan (mild, moderate, severe) radikulopati berbasis sinyal NCS saraf Peroneal, Tibial, dan Sural dari 706 dataset pasien.
• Optimasi Parameter Eksposi & Radiomics Mamografi: Penelitian eksperimental laboratorium menggunakan Phantom ACR pada sistem mamografi digital untuk mengkaji dosis radiasi MGD dan ekstraksi fitur radiomics via PyRadiomics.
Rangkaian kegiatan laboratorium ini dilaksanakan secara sistematis, mulai dari akuisisi dan kurasi data klinis, pengolahan citra dan sinyal biomedis, segmentasi objek anatomis, ekstraksi fitur, hingga pengembangan antarmuka aplikasi user-friendly yang siap digunakan para praktisi medis.
Dalam penerapannya, grup riset aktif menjalin kolaborasi erat dengan fasilitas pelayanan kesehatan dan rumah sakit rujukan. Selain ditujukan untuk publikasi ilmiah di tingkat internasional, pengembangan perangkat lunak ini turut diperuntukkan bagi penguatan pendidikan mahasiswa serta akselerasi transformasi teknologi AI dalam peningkatan mutu pelayanan kesehatan masyarakat.mut
