Asisten Kanker Payudara

Portal Penelitian Breast Cancer

Abstrak

Kanker payudara adalah kondisi di mana sel-sel berkembang biak secara abnormal dan menyebar dengan sangat cepat ke bagian lain tubuh, terkadang bahkan menyebabkan kegagalan organ tertentu. Deteksi kanker payudara merupakan kondisi medis yang serius. Sangat penting untuk mendapatkan diagnosis dini agar dapat mengobati kondisi tersebut dan mencegah perkembangannya. Dalam tinjauan sistematis ini, kami meninjau total 53 studi untuk menyajikan tinjauan komprehensif tentang deteksi kanker payudara menggunakan deep learning, baik dengan metode machine learning klasik, deep learning, maupun metode ensemble. Penelitian ini melakukan tinjauan literatur sistematis (SLR) menggunakan paradigma PRISMA. Dari tahun 2019 hingga 2024, kami mencari database Scopus dan sumber terindeks lainnya untuk materi yang relevan. Berdasarkan kriteria tertentu, kami memilih 53 publikasi dari total 196 penelitian. Tinjauan ini menganalisis teknik deep learning, modifikasi dataset menggunakan metode prapemrosesan dan segmentasi, serta metrik evaluasi yang digunakan. Selain itu, evaluasi meta-analitik dilakukan pada metrik kinerja untuk mengidentifikasi tren di antara dataset yang berbeda dalam pembangkitan model deep learning. Kami juga secara singkat menguraikan tren baru seperti ensembel dan fungsi blok, terutama dalam CNN, dengan beberapa catatan penting dari perspektif klinis. Masih ada masalah kunci yang perlu diatasi, seperti masalah bias dataset, skalabilitas dalam lingkungan dengan sumber daya terbatas, dan jaminan generalisasi. Metodologi terstruktur diterapkan dalam tinjauan ini dalam bentuk tabel, untuk mengidentifikasi dan mengekstrak tren teknologi deep learning. Ekspedisi sistematis ini diharapkan dapat memicu rasa ingin tahu terhadap kompleksitas operasi deep learning dan memberikan pandangan luas tentang perkembangan teknologi di bidang kecerdasan buatan. Hasilnya akan mendukung langkah-langkah penting di bidang di mana kesehatan dan teknologi saling beririsan.

No Type BC Dataset Model Overview of CNN Blocks Result Author Keterangan
21 Breast Pathology The dataset consisted of 120 female patients with breast lumps admitted to a hospital in Changsha, Hunan Province, China In AI, integrating residual and inception blocks within the SSD (Single Shot MultiBox Detector) architecture enhances feature representation and improves multi-scale object detection efficiency. Reported Acc=0.9476, for differentiating benign and malignant breast lesions Acc=0.9822, Sens=0.9713, Spec=0.9432 Multimodal Imaging of Target Detection Algorithm under Artificial Intelligence in the Diagnosis of Early Breast Cancer
22 Breast carcinoma Breast Cancer Database of Coimbra, UCI (University of California Irvine) repository Comparative study Machine Learning Decision Tree, Random Forest, KNN, ANN, SVM, dan Logistic Regression Not reported RF Acc=0.8330, Sens=1, Spec=0.6400 AUC=0.8810 Application of Machine Learning Models to the Detection of Breast Cancer
23 Breast Pathology Wisconsin breast cancer (WBC) An ensemble of four machine learning models?SVM, Logistic Regression, Na?ve Bayes, and Decision Tree?was combined, and the final diagnosis and prognosis of breast cancer were generated using an Artificial Neural Network (ANN). Reported The best diagnostic ensemble (SVM+LR+NB+DT) Acc=0.9767 without and 0.9883 with upsampling, while the best prognostic ensemble (SVM+LR+RF+NB) reached 0.8315 and 0.8833, showing improvements of 1.16% and 5.18%, respectively. An Automatic Detection of Breast Cancer Diagnosis and Prognosis Based on Machine Learning Using Ensemble of Classifiers
24 Breast Pathology This study employed a public mammography dataset from the University of South Florida (USF). Reconstruction Independent Component Analysis (RICA) Not reported RICA+SVM RBF: Acc=0.9488, ROC=0.9914 RICA + texture using SVM Gaussian: Acc=0.9755, ROC=0.9976 RICA + morphological using SVM Polinomial: Acc=0.9622, ROC=0.9878 Automated breast cancer detection by reconstruction independent component analysis (RICA) based hybrid features using machine learning paradigms
25 Mass Lesions BC This research employed a DCE-MRI breast dataset of 110 patients, consisting of 60 cases (847 images) for model training and 50 cases (721 images: 438 mass-type, 283 non-mass-type) for evaluation, obtained from Affiliated Jiangmen Hospital of Sun Yat-sen U The Active Contour Model (ACM) integrates Extreme Learning Machine (ELM) and fuzzy C-means clustering (FCM). Not reported Dice=0.8939, Jacc=0.6416, Active contour model of breast cancer DCE-MRI segmentation with an extreme learning machine and a fuzzy C-means cluster
26 Invasive Breast Cancer (IC) The dataset comprised 115,457 H&E slides from 25,874 cases for algorithm development, 2,153 annotated slides, and over 2 million labeled patches for training. Internal testing included 2,252 slides from 1,090 cases, while external validation used 841 slid Deep multi-magnification networks apply a deep learning approach. Not reported Invasive Cancer: Sens=0.9902, Spec=0.9827, AUC=0.9980 DCIS: Sens=1, Spec=0.9864, AUC=0.9990 Validation and real-world clinical application of an artificial intelligence algorithm for breast cancer detection in biopsies
27 Invasive Ductal Carcinoma (IDC) Data from 238 asymptomatic breast cancer patients screened by ultrasound at Seoul National University Hospital Algoritma deep convolutional neural network berbasis ResNet-34, yang diimplementasikan dalam perangkat lunak komersial Lunit INSIGHT MMG versi 1.1.4.0 (Lunit, Seoul, Korea) Not reported AI detected 66 of 253 breast cancers (26.1%), mainly in dense tissue or cases misread by radiologists, with detection influenced by larger tumor size (OR 2.2). In 160 controls, AI generated 19 false positives (11.9%). Artificial Intelligence Improves Detection of Supplemental Screening Ultrasound-detected Breast Cancers in Mammography
28 Breast Pathology Wisconsin breast cancer (WBC) Ensemble Machine Learning (EML) Stacking Ensemble Model ( stack-1 NN) Not reported Acc=0.9989, Prec=1, F1-score=1, ROC=1, Sens=1, Spec=0.999, AUC=1 Enhancing Breast Cancer Detection and Classification Using Advanced Multi-Model Features and Ensemble Machine Learning Techniques
29 Breast Pathology Mammographic Image Analysis Society (MIAS) Metode klasifikasi SVM, RF, ANN, NB, dan DT + algoritma Median Filter (MF), Contrast Limited Adaptive Histogram Equalization (CLAHE), dan Unsharp Masking (USM) Not reported SVM+CLAHE+USM: Acc=1, F1-score=1, Sens=1, Spec=1 RF+CLAHE+USM: Acc=0.970 F1-score=0.969, Sens=0.941, Spec=1 ANN+CLAHE+USM: Acc=1, F1-score=1, Sens=1, Spec=1 A Novel Medical Image Enhancement Algorithm for Breast Cancer Detection on Mammography Images Using Machine Learning
30 Invasive Ductal Carcinoma (IDC) This study utilized 378 digital mammograms collected from several public hospitals in Jeddah, Saudi Arabia AI, MammoScreen, sebuah sistem berbasis CNN (Convolutional Neural Networks) Not reported Acc=0.923, ROC=0.923, Sens=0.928, Spec=0.919 Application of Artificial Intelligence in the Mammographic Detection of Breast Cancer in Saudi Arabian Women
Kesimpulan

Ulasan literatur sistematis ini mengkaji penerapan metode machine learning dan deep learning dalam deteksi serta segmentasi kanker payudara dengan menjawab empat pertanyaan penelitian (RQ1-RQ4). Hasil kajian menunjukkan bahwa metode machine learning tradisional masih relevan karena efisiensi komputasi dan kinerjanya yang tinggi pada dataset medis berukuran kecil hingga menengah. Namun, deep learning-khususnya Convolutional Neural Network (CNN) dengan arsitektur seperti U-Net, ResNet, DenseNet, dan EfficientNet-menjadi pendekatan yang paling dominan karena kemampuannya dalam mengekstraksi fitur secara otomatis dan menghasilkan performa yang unggul dalam tugas deteksi dan segmentasi. Pendekatan hybrid dan ensemble terbukti memberikan akurasi yang lebih stabil dan konsisten. Selain itu, kualitas dataset, teknik prapemrosesan, strategi segmentasi, serta modifikasi arsitektur model (termasuk mekanisme perhatian dan pretrained weights) berperan penting dalam meningkatkan akurasi, efisiensi komputasi, dan kemampuan generalisasi model. Meskipun demikian, tantangan seperti bias data, keterbatasan sumber daya komputasi, generalisasi model, serta isu etika dan privasi masih menjadi perhatian utama dalam penerapan klinis.
Sebagai bentuk implementasi dan dukungan terhadap penelitian, dikembangkan sebuah aplikasi web yang berfokus pada edukasi kanker payudara sekaligus mendukung proses penyusunan Systematic Literature Review (SLR). Aplikasi ini memanfaatkan data artikel ilmiah yang diperoleh dari OpenAlex untuk membantu pengguna dalam proses pencarian, pengelolaan, dan analisis literatur secara sistematis. Selain menyediakan informasi edukatif terkait kanker, web ini juga mampu menghasilkan laporan SLR secara otomatis serta mendukung pengunduhan diagram dan laporan PRISMA, sehingga mempermudah peneliti dalam mendokumentasikan alur seleksi literatur secara transparan dan terstandar. Pendekatan ini diharapkan dapat meningkatkan efisiensi penelitian, kualitas pelaporan ilmiah, serta akses terhadap pengetahuan yang berbasis bukti

📈 Tren Penelitian Berdasarkan Jenis (Type BC)