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
31 Breast Pathology VinDr-Mammo in Vietnam, MiniDDSM, Chinese Mammography Database (CMMD) Convolutional Neural Networks (CNN), yaitu EfficientNet dan ConvNeXt. Ensemble model YOLOX untuk ekstraksi ROI dan EfficientNet/ConvNeXt Not reported Prec=0.860, F1-score=0.810 Region-of-Interest Optimization for Deep-Learning-Based Breast Cancer Detection in Mammograms
32 Mass Lesions BC Total of 875 patient studies with complete DBT (digital breast tomosynthesis) and ultrasound images Metode machine learning dan upstream data fusion (UDF) Not reported In 55 test cases, 40% (22/55) showed ML detection across all three modalities (DBT CC, DBT MLO, and US), of which 90.9% (20/22) yielded correct fused detections and accurate lesion classification using UDF. FROC analysis demonstrated 90% sensitivity at only 0.3 false positives per case, whereas ML alone produced an average of 8.0 false alarms per case. Breast cancer detection with upstream data fusion, machine learning, and automated registration initial results
33 Malign Breast Cancer Data klinis di Rumah Sakit Universitas Tampere, Finlandia pada 392 mammogram AI, sistem mammografi MicroDose SI dari Philips Healthcare dan Senographe Essential dari General Electric Medical Systems (GE) Not reported END2END: AUC=0.950, GLAM: AUC=0.888 ,GMIC: AUC=0.93 , DMV CNN: AUC=0.886 Saliency of breast lesions in breast cancer detection using artificial intelligence
34 Tubule segmentation 51 Whole Slide Images (WSIs), 8.225 patch citra encoder: EfficientNetB3, ResNet34, dan DenseNet161 -decoder: EfficientNetB3-U-Net, ResNet34-U-Net, dan DenseNet161-U-Net Reported Rec=0.937, Spec=0.900, Dice=0.953, Tubule-U-Net a novel dataset and deep learning-based tubule segmentation framework in whole slide images of breast cancer
35 Breast Pathology DDSM (Digital Database for Screening Mammography), Inbreast, MIAS, WBC FDCT-WRP (Fast Discrete Curvelet Transform with Wrapping) untuk ekstraksi fitur, diikuti oleh PCA dan LDA untuk reduksi fitur, lalu menggunakan Modified Particle Swarm Optimization (MODPSO) yang dikombinasikan dengan Extreme Learning Machine (ELM) sebagai Not reported DDSM, MIAS, dan INbreast dengan akurasi mencapai sekitar 98.94% (DDSM), 100% (MIAS), serta sensitivitas, presisi, spesifisitas, dan AUC yang tinggi (mendekati 1.0 pada MIAS). Recent advancements in machine learning and deep learning-based breast cancer detection using mammograms
36 Breast Pathology 596 Breast Cancer Dataset from Kaggle Machine Learning klasik dan ensemble soft voting Reported Acc=0.990, Prec=0.980, Rec=1, F1-score=0.990, AUC=1 An Efficient Breast Cancer Detection Using Machine Learning Classification Models
37 HER2 (Human Epidermal Growth Factor Receptor 2) Clinical data, 847 images Convolutional Neural Network (CNN) dengan arsitektur Resnet34 Reported IoU=0.989 Single Vesicle Surface Protein Profiling and Machine Learning-Based Dual Image Analysis for Breast Cancer Detection
38 Malign Breast Cancer MSI (Mammography Image Analysis Society), DDSM (Digital Database for Screening Mammography), INbreast, dan BreakHis (Breast Cancer Histopathological Database) Hybrid CNN and Pruned Ensembled Extreme Learning Machine Reported Acc=0.872, AUC=0.96, Breast Cancer Detection and Analytics Using Hybrid CNN and Extreme Learning Machine
39 Malign Breast Cancer Dual-polarized UWB bra-tenna on ERI breast phantom dataset Logistic Regression (LR), Support Vector Machine (SVM), Random Forest (RF), Gradient Boosting Methods (GBM), Categorical Boost (CatBoost), Adaptive Boosting (AdaBoost), Decision Trees (DT), XGBoost Not reported SVM Acc=0.94, Prec=0.93, Rec=0.96, F1-score=0.94, AUC=0.96 Machine Learning for Breast Cancer Detection with Dual-Port Textile UWB MIMO Bra-Tenna System
40 Pectoral muscle segmentation MIAS, INBREAST, dan DDSM AI incorporating convolutional neural networks (CNNs) Reported Acc=0.989, Dice=0.982, Jacc=0.966 An Artificial Intelligence-Based Tool for Enhancing Pectoral Muscle Segmentation in Mammograms Addressing Class Imbalance and Validation Challenges in Automated Breast Cancer Diagnosis
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)