Klasifikasi Mayo Endoscopic Score (MES) digunakan untuk menilai tingkat keparahan ulcerative colitis, namun penilaian manual sering kali bersifat subjektif dan bervariasi antar dokter. Inovasi ini menghadirkan sistem klasifikasi otomatis berbasis kecerdasan buatan multi-cabang yang menggabungkan beberapa jalur analisis komplementer, yaitu: (1) SE(2) Convolutional Neural Network (CNN) untuk menangkap fitur spasial yang invarian terhadap rotasi, (2) ekstraksi fitur tekstur menggunakan GLCM dan Wavelet, (3) proyeksi non-linear melalui UMAP untuk meningkatkan separabilitas antar kelas sekaligus menjadi dasar jalur rule-based, serta (4) pemahaman konteks visual global menggunakan Vision Transformer (ViT). Sistem menghasilkan dua jalur prediksi utama, yakni model-based dan rule-based, yang digabungkan melalui strategi fusion berbasis confidence threshold untuk memperoleh klasifikasi MES 0–3 yang akurat dan objektif. Untuk meningkatkan stabilitas hasil, terutama pada kasus borderline antara MES 1–2, ditambahkan feedback agent berbasis LightGBM yang berperan sebagai pembelajar otomatis ketika tingkat akurasi model belum memadai. Mekanisme ini meningkatkan akurasi, konsistensi, dan interpretabilitas keputusan akhir. Dalam pengujian menggunakan dataset LIMUC ulcerative colitis, sistem mencapai akurasi 91,78%, presisi 82,07%, sensitivitas 87,12%, dan F1-score 84,05%. Hasil ini menunjukkan bahwa sistem mampu memberikan performa tinggi sekaligus tetap efisien pada saat inferensi. Inovasi ini dirancang untuk mendukung tenaga medis dalam menilai kondisi pasien secara lebih cepat, akurat, terstandar, dan dapat dipertanggungjawabkan, sehingga berpotensi memperbaiki kualitas diagnosis, mengurangi subjektivitas, serta meningkatkan efisiensi layanan klinis.
Inovator Team: Perorangan / kelompok / Institusi / Perusahaan / Organisasi
© 2025 IHIA – Indonesia Healthcare Innovation Awards Made with purpose. Supported by UPQuality
Comment Form