Bisakah Kecerdasan Buatan Membantu Mendeteksi Kelainan Tersembunyi pada Gigi?
Studi Terbaru Menunjukkan Peran AI dalam Mengenali Pericoronal Radiolucency pada Rontgen Gigi
Mengapa Pericoronal Radiolucency Penting?
Pada pemeriksaan gigi rutin, dokter gigi sering menemukan area gelap di sekitar mahkota gigi yang belum tumbuh atau gigi bungsu yang impaksi pada foto rontgen panoramik (orthopantomogram). Area ini dikenal sebagai pericoronal radiolucency.
Dalam banyak kasus, temuan ini bersifat normal dan tidak berbahaya. Namun, pada kondisi tertentu, pericoronal radiolucency dapat menjadi tanda awal kelainan, seperti kista dentigerous atau tumor odontogenik. Tantangannya, perbedaan antara kondisi normal dan patologis sering kali sulit dikenali, terutama jika pasien tidak menunjukkan gejala apa pun.
Situasi ini mendorong para peneliti untuk mengeksplorasi teknologi baru: bisakah kecerdasan buatan (Artificial Intelligence/AI) membantu dokter gigi membaca rontgen dengan lebih akurat dan konsisten?
Apa Tujuan Penelitian Ini?
Penelitian ini bertujuan untuk mengevaluasi peran AI dalam mendeteksi pericoronal radiolucency pada rontgen panoramik gigi, khususnya pada gigi molar ketiga rahang bawah.
Berbeda dari studi yang menggunakan sistem AI kompleks, para peneliti memilih dua model pembelajaran mesin yang sederhana dan mudah dipahami:
Logistic Regression
Naïve Bayes
Tujuannya adalah menilai apakah model AI yang relatif sederhana tetap dapat memberikan dukungan diagnostik yang bermanfaat dalam praktik kedokteran gigi sehari-hari.
Bagaimana Penelitian Dilakukan?
Penelitian ini menganalisis secara retrospektif 1.070 foto rontgen panoramik digital yang dikumpulkan dari arsip sebuah rumah sakit pendidikan kedokteran gigi di India.
Data tersebut terdiri dari:
315 gambar dengan pericoronal radiolucency
755 gambar gigi molar ketiga normal
Seluruh gambar ditinjau dan diberi label oleh dokter gigi spesialis radiologi mulut yang berpengalaman untuk memastikan ketepatan diagnosis. Selanjutnya, gambar-gambar ini dianalisis menggunakan model AI dan dievaluasi berdasarkan berbagai parameter kinerja, seperti akurasi, sensitivitas, spesifisitas, serta area under the curve (AUC).
Apa Hasil Utama Penelitian?
Logistic Regression Lebih Seimbang dalam Deteksi
Model Logistic Regression menunjukkan akurasi dan kemampuan deteksi yang sedikit lebih baik, terutama dalam mengenali kasus pericoronal radiolucency. Artinya, model ini lebih mampu mengidentifikasi kasus yang berpotensi bermasalah tanpa terlalu banyak melewatkannya.
Naïve Bayes Lebih Minim Kesalahan Positif
Sementara itu, model Naïve Bayes memiliki tingkat presisi yang lebih tinggi. Ini berarti model tersebut cenderung lebih jarang memberikan hasil positif palsu, sehingga dapat mengurangi risiko tindakan berlebihan pada kasus yang sebenarnya normal.
Perbedaan Kinerja Tidak Terlalu Jauh
Secara keseluruhan, kedua model menunjukkan kinerja yang relatif sebanding. Hasil ini menegaskan bahwa bahkan model AI yang sederhana dapat memberikan kontribusi nyata dalam membantu interpretasi rontgen gigi.
Mengapa Temuan Ini Penting?
Studi ini menunjukkan bahwa AI berpotensi menjadi alat bantu pendukung keputusan, bukan pengganti dokter gigi. Dalam praktik klinis yang sibuk, sistem AI dapat membantu:
Menandai area mencurigakan pada rontgen
Meningkatkan konsistensi diagnosis
Mengurangi ketergantungan pada interpretasi subjektif
Mendukung deteksi dini kelainan gigi