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
41 Malign Breast Cancer A clinical study at Capio Sankt G?ran Hospital, Sweden, involved 55.581 women. AI-based CAD (Computer-Aided Detection) algorithm called ScreenTrustCAD, integrated with Philips devices Not reported Penggunaan AI membantu radiolog dalam pengambilan keputusan dengan nyaman sebagai pembaca tambahan daripada pembaca independen Radiologists perceptions of using artificial intelligence for breast cancer detection in mammography screening in a clinical setting
42 Malign Breast Cancer Detection of breast cancer using machine learning on time-series diffuse optical transillumination data AI with Support Vector Machine (SVM) dan AutoGluon Reported AUC=0.95, Sens=0.833-0.889, Spec=0.874-0.881 Detection of breast cancer using machine learning on time-series diffuse optical transillumination data
43 Malign Breast Cancer Kohort 1: Berisi 299 kasus sebagai data pelatihan model Kohort 2: Berisi 369 kasus sebagai data validasi eksternal Kohort 3: Berisi 92 kasus sebagai data validasi eksternal AI with Wide ResNet50 Not reported Acc=0.95-0.97 dalam mengidentifikasi HER2 Low dan HER2 Positif sesuai panduan ASCO/CAP 2018. Tingkat kesesuaiannya dengan penilaian ahli (ICC = 0,77) lebih tinggi dibandingkan kesesuaian antar-patolog senior (ICC = 0,4568). Development of a Deep Learning model Tailored for HER2 Detection in Breast Cancer to aid pathologists in interpreting HER2-Low cases
44 Metastasis lymph node Memorial Sloan Kettering Cancer Center WSI's dataset AI by Paige BLN Not reported Waktu baca rata-rata per slide turun dari 129 detik menjadi 58 detik, meningkatkan efisiensi 55% (P<0,001) pada WSI jinak maupun ganas. Dua dari tiga ahli patologi menunjukkan peningkatan sensitivitas signifikan, dari 74,5% ke 93,5%?(P?0,006). Artificial Intelligence Helps Pathologists Increase Diagnostic Accuracy and Efficiency in the Detection of Breast Cancer Lymph Node Metastases
45 Malign Breast Cancer Total 190 specimens, clinical dataset AI by Visiopharm Not reported AI-assisted pathology with IHC reduced risk (RR = 0.680), saved ~?3,000, cut processing time by ~2 min 23 sec, and improved sensitivity by up to 30%, supporting its safety, efficiency, and cost-effectiveness. Clinical implementation of artificial-intelligence-assisted detection of breast cancer metastases in sentinel lymph nodes the CONFIDENT-B single-center, non-randomized clinical trial
46 Breast Pathology VinDr-Mammo dataset Algoritma Ensemble edRVFL (Ensemble Deep Random Vector Functional Link Neural Network) Not reported VGG16 Benign edRVFL: Acc=0.967, Prec=0.967, Rec=0.966, F1-score=0.967, Time=0.77, AUC 0.99 VGG16 Malign edRVFL: Acc=0.964, Prec=0.964, Rec=0.963, F1-score=0.963, Time=0.26, AUC=0.996 DenseNet21 Benign edRVFL: Acc=0.983, Prec=0.984, Rec=0.983, F1-score=0.984, Time=0.30, AUC=1 DenseNet21 Malign edRVFL: Acc=0.983, Prec=0.984, Rec=0.983, F1-score=0.984, Time=0.30 AUC=1 Hybrid ensemble deep learning model for advancing breast cancer detection and classification in clinical applications Jac
47 Invasive Breast Cancer (IC) Histopathology WSIs + clinical data Arsitektur CNN (Convolutional Neural Networks), dengan fokus utama pada Inception V3 Not reported Acc=0.935, Prec=0.958, Spec=0.852, Dice=0.946 Ensemble-based deep learning improves detection of invasive Dice
48 Breast Pathology About 1100 images, clinical dataset Enhanced U-Net dan Capsule Network (UCapsNet) Reported Acc=0.990, Prec=0.92, Dice=0.951, IoU=0.942 UCapsNet: A Two-Stage Deep Learning Model Using U-Net and Capsule Network for Breast Cancer Segmentation and Classification in Ultrasound Imaging AUC
49 Breast Pathology More than 683 patients, clinical dataset Deep Neural Network with Support Value (DNNS) Not reported Acc=0.972, Prec=0.979, Rec=0.97 Breast cancer detection by leveraging Machine Learning ROC
50 Breast Pathology Numerical dataset Wisconsin breast cancer (WBC) Hybrid (algoritma Gradient Boosting Decision Tree (GBDT) dan algoritma optimisasi Mayfly (Mayfly Optimization) Not reported Acc=0.963, Prec=0.972, Rec=0.985, F-measure=0.975, ROC=0.963, Sens=0.972, Spec=0.976, Time=14.25 GBDTMO as new option for early-stage breast cancer detection and classification using machine learning F1-score
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)