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
51 Breast Pathology Mammographic Image Analysis Society (MIAS) Hybrid (K-means dan Gaussian Mixture Model (GMM) Not reported Acc=0.955, Error Rate=0.186 A Novel Hybrid K-Means and GMM Machine Learning Model for Breast Cancer Detection Spec
52 Breast Pathology Numerical dataset Wisconsin breast cancer (WBC) 1D-CNN (Convolutional Neural Network 1D) + XGBoost Not reported Acc=0.982, Prec=0.98, Rec=0.98, F1-score=0.98 A Hybrid Method of 1D-CNN and Machine Learning Algorithms for Sens
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)