Meningkatkan Deteksi Kanker Payudara dan Otomatisasi Kesehatan Melalui Integrasi Cerdas IoT dan CNN Deep Pembelajaran di Lingkungan Perumahan dan Layanan Kesehatan

 

1. Pendahuluan

Para peneliti telah meningkatkan minat mereka dalam mengembangkan sistem prediksi dalam upaya kontemporer untuk mengotomatisasi penilaian kesehatan untuk kondisi kritis seperti kanker payudara. Salah satu tujuan utama dari inisiatif ini adalah mendigitalkan pemberian layanan kesehatan kanker melalui inovasi teknologi seperti sensor berbasis IoT dan teknik pembelajaran mendalam seperti jaringan saraf coevolutionary (CNN) untuk mengembangkan model dan sistem prediktif yang efektif. Sistem prediksi kanker menggabungkan komponen perangkat keras seperti server, komputer, perangkat seluler, perangkat IoT seperti aktuator, sensor, perangkat yang dapat dikenakan, dan perangkat lunak, menciptakan gudang data waktu nyata. Model dan sistem prediktif ini berfungsi sebagai aset berharga yang mampu menyediakan layanan kesehatan payudara penting untuk membantu pasien dan profesional kesehatan dalam mendeteksi atau mendiagnosis perkembangan kanker stadium 0 atau stadium 1, baik di rumah tempat pasien tinggal atau di rumah sakit tempat pasien berada. pekerjaan profesional kesehatan. Studi ini berupaya menyelidiki proses dan metode terbaik yang diperlukan untuk mengintegrasikan berbasis IoT dengan Machine Learning (ML), yang dapat memodernisasi lanskap layanan kesehatan kanker dalam lingkungan perumahan seperti rumah sakit, rumah pendidikan, dan rumah tempat tinggal. Penelitian ini lebih lanjut mengusulkan sistem pemantauan kanker real-time yang komprehensif untuk membantu mencegah berbagai risiko yang mengancam jiwa yang ditimbulkan oleh kanker payudara terhadap umat manusia. Menurut laporan Perserikatan Bangsa-Bangsa (2023), diperkirakan pada tahun 2040, kejadian kanker tahunan global diperkirakan melebihi 3 juta kasus, dengan perkiraan 1 juta kematian. Khususnya, sekitar 75% dari kasus kematian ini diperkirakan terjadi di negara-negara yang mempunyai pendapatan rendah dan menengah.

2.  Tinjauan Pustaka

Dalam deteksi kanker payudara, mengintegrasikan kamera inframerah dengan teknologi CNN menghadirkan jalan yang menjanjikan. Hal ini melibatkan pengambilan gambar individu, penggunaan CNN untuk mengidentifikasi jenis kelamin, dan penggunaan gambar termal Electronic Health Record (EHR) untuk mengidentifikasi sel kanker di payudara. Tantangannya terletak pada kurangnya sistem yang mampu memperbesar suhu payudara, sehingga memerlukan pengembangan sistem berbasis IoT yang mendeteksi perubahan infestasi kanker payudara menggunakan sistem nirsentuh terdistribusi. VGG16, VGG19, dan ResNet50 adalah arsitektur jaringan neural konvolusional terkemuka yang umum digunakan dalam klasifikasi gambar, dengan VGG16 dan VGG19 menekankan kesederhanaan dan ResNet50 memperkenalkan koneksi sisa untuk mengatasi tantangan pelatihan di jaringan dalam. VGG16, VGG19, dan ResNet50 telah berkontribusi secara signifikan terhadap deteksi kanker payudara dengan berfungsi sebagai arsitektur jaringan saraf konvolusional yang kuat, memungkinkan klasifikasi gambar yang akurat dan membantu mengidentifikasi pola kanker dalam kumpulan data pencitraan medis. Berbagai penelitian telah mencapai akurasi yang berbeda-beda karena kekuatan komputasi canggih dan skalabilitas inovasi teknologi, yang memungkinkan kekuatan memori tambahan untuk meningkatkan peningkatan kinerja. Penelitian sebelumnya telah menguraikan tantangan, termasuk keterbatasan dalam kumpulan data yang representatif, kinerja kernel yang buruk, dan model CNN kelas berat, yang mendorong upaya di masa depan untuk mengoptimalkan kumpulan data, menggunakan algoritma augmentasi, dan menerapkan teknik segmentasi dengan kernel yang efektif untuk membangun model CNN yang ringan. Sementara penelitian sebelumnya menunjukkan akurasi 100% dalam prediksi kanker payudara, penyelidikan selanjutnya oleh Gupta dan rekannya melaporkan penurunan akurasi mulai dari 76% hingga 96,88%. Studi ini berupaya menilai efektivitas model terkait dalam mengidentifikasi parameter yang berkontribusi paling signifikan terhadap sistem deteksi.

3. Usulan Pekerjaan

Model yang diusulkan menggabungkan aspek model yang ada selama pelatihan model. Kumpulan data eksperimental kanker payudara untuk tujuan pelatihan dikumpulkan dalam bentuk gambar kamera termal IoT dan disimpan oleh repositori kumpulan data Kaggle. Selama pra-pemrosesan kumpulan data, gambar mengalami perubahan ukuran dan kompresi. Langkah pra-pemrosesan ini diakhiri dengan deteksi tepi dan filter kebisingan, yang berfungsi sebagai komputasi terdistribusi di ujung jaringan area tubuh untuk meningkatkan efektivitas dan ketepatan sistem deteksi kesehatan untuk menerapkan deteksi tepi dan gambar selanjutnya dibagi menjadi dapat dideteksi. bagian tepi dan bagian tepi yang tidak dapat dideteksi dan gambar kemudian disegmentasi menjadi bagian tepi yang dapat dibedakan dan bagian tepi yang tidak dapat dibedakan. Pada pelatihan bagian model yang diusulkan, berbagai teknik ansambel yang menerapkan beberapa kombinasi lapisan dalam model CNN digunakan untuk pelabelan gambar.

4. Kesimpulan

Pmberian layanan kesehatan tradisional tidak memiliki kecerdasan buatan untuk mengotomatisasi sistem layanan kesehatan untuk deteksi dan diagnosis kanker payudara yang efektif, sehingga menghambat penyediaan catatan penting bagi individu yang menderita kanker. Banyak pasien kanker tidak menyadari status mereka karena gejala yang tertunda atau kurangnya pemeriksaan fisik, terutama di negara-negara terbelakang dan berkembang. Kanker payudara, penyakit global yang menyebabkan kematian yang signifikan, tidak memiliki kerangka deteksi komprehensif yang mengintegrasikan pilar-pilar penting pengobatan kanker: deteksi dini, diagnosis tepat waktu, dan pengobatan.Jika dibiarkan, tantangan ini mengancam realisasi Tujuan Pembangunan Berkelanjutan (SDG) 3 PBB dan dapat menjadi perhatian global. Intensifnya upaya global untuk memberikan layanan kesehatan  jarak jauh yang efektif, khususnya selama pandemi, telah mengurangi penekanan para penyedia layanan kesehatan dan pencari layanan kesehatan pada penyediaan layanan kesehatan fisik. Sistem yang diusulkan bertujuan untuk meningkatkan layanan kesehatan dengan memindai dan berinteraksi secara otomatis pada platform telehealth di dalam rumah institusi atau fasilitas kesehatan melalui sistem jarak jauh tanpa kontak. Sistem deteksi kanker, menggunakan teknologi berbasis IoT dan Convolutional Neural Network (CNN) di sekolah dan rumah institusi lainnya, mengotomatiskan deteksi kanker untuk lingkungan yang lebih sehat di kalangan pengguna perumahan. penelitian ini mengakui kemungkinan meningkatkan efisiensi dalam proses pelatihan, pengujian, dan validasi, menekankan potensi peningkatan akurasi dalam klasifikasi gambar kanker payudara menggunakan VGG 16. Melalui penyetelan parameter zaman dan keacakan, VGG 16 menunjukkan kinerja yang unggul dibandingkan dengan model CNN dan ResNet50. Oleh karena itu, kami menegaskan kinerja pengklasifikasi VGG16 dalam pengembangan sistem deteksi kanker payudara di rumah sakit pintar, rumah institusi, dan institusi pendidikan.

Tugas PKKMB : Muhammad Alfi Syahri