NLP bantu cegah osteoporosis, emang bisa?🦴🧓
.
.
.
A thread
.
.
.
A thread
Hayoo, siapa yang udah pernah ke radiologi?
Kita akan memulai thread dari penjelasan mengenai radiologi dulu, biar nanti kedepannya ga bingung hehe.
Radiologi sendiri merupakan cabang dari ilmu medis yang menggunakan teknologi pencitraan untuk mendeteksi, mendiagnosis, dan mengobati penyakit. Biasanya, radiologi ini menggunakan Rontgen, CT scan, MRI, sampai USG
Sehari-harinya, seorang radiologis bertugas untuk menginterpretasikan gambar medis. Biasanya, radiologis ini harus menginterpretasikannya dalam waktu cepat dan secara komprehensif.
Tapi, dengan kemajuan teknologi medis yang ada sekarang, radiologis bisa melakukan interpretasi dengan cepat namun akurat.
Nih contohnya, Departemen Radiologi di University Hospital of Geneva dalam sehari ngehasilin 12.000 gambar di tahun 2002. Nah, gimana tuh cara nganalisa semua gambar itu dalam waktu singkat?
Untungnya, machine learning bisa diterapkan di dunia medis, termasuk di radiologi ini. Pertama-tama, radiologis bisa menggunakan Content-based Image Retrieval (CBIR) untuk hasil CT dan MRI.
CBIR ini bisa digunakan oleh radiologis untuk mendiagnosa penyakit dengan cara melihat gambar yang memiliki fitur serupa atau dari kasus sebelumnya yang memiliki diagnosa yang sama.
CBIR sendiri merupakan penerapan dari computer vision yang memungkinkan artificial intelligence untuk mendapatkan insight dari data visual. Nah, untuk membuat sistem CBIR yang praktis dan efektif, ada 3 komponen utama yang harus diperhatikan, yakni:
(1) Feature extraction. Komponen ini berfungsi buat mengurangi jumlah fitur yang ada di dataset dengan cara membuat fitur baru berdasarkan fitur original lalu membuang fitur originalnya.
Dulu mimin pernah bahas salah satu feature extraction, yaitu PCA, cek thread nya di sini yaa:
https://twitter.com/pacmannai/status/1373967708669276162
(2) Content comparator. Komponen ini membandingkan antara query image dengan database yang kita punya. Dulu tuh El-Naqa dkk pernah melakukan penelitian tentang content comparison buat digital mammography CBIR.
Mereka menggunakan two stage supervised learning network buat mempelajari similarity function untuk setiap query image dengan database. Pada stage pertama, mereka menggunakan linear classifier untuk mengidentifikasi database yang cukup mirip dengan query image.
Lalu pada stage kedua, mereka menggunakan regresi SVM dan general regression neural network untuk mempelajari optimal similarity function nya.
(3) Query engine, yakni komponen yang bertugas untuk ‘menerjemahkan’ permintaan user ke dalam bahasa yang mudah dipahami oleh database.
Oke, terus apa lagi nih fungsi machine learning yang bisa ngebantu radiologis?
Hmm, coba deh kalau kalian habis rontgen / CT scan / MRI, pasti kalian ga cuma dapet gambar doang deh, tapi juga report, ya kan?
Yang namanya report / laporan, pasti ada tulisannya dongg? Nah, report yang pernah dibuat oleh radiologis bisa dikumpulkan dalam satu text database. Terus, dengan menggunakan natural language processing (NLP) atau natural language understanding (NLU).
NLP dan NLU ini mempermudah radiologis untuk mencari report dan tentunya memudahkan mereka untuk melakukan diagnosa. NLP / NLU ini juga dapat menghandle data berskala besar dan mencari insight yang mungkin ga di sadarin sama manusia.
Contohnya nih, ada penelitian yang berfokus ke radiology report untuk identifikasi osteoporosis. Jadi osteoporosis (penurunan kepadatan tulang) kan rawan dialami oleh lansia, nah pada situasi tertentu, mereka rentan patah tulang karena osteoporosis.
Jadi kalau kita bisa mengidentifikasi dan melakukan pengawasan terhadap pasien yang pernah mengalami patah tulang, maka kita bisa mengurangi biaya perawatan dan mencegah patah tulang di masa mendatang secara signifikan.
Berangkat dari masalah ini, maka Yanshen Wang dkk mengembangkan NLP untuk mengidentifikasi 20 lokasi patah tulang spesifik yang diambil dari laporan radiologi Mayo Clinic.
Nah, data report ini kemudian dibagi jadi 2, 70% nya dipakai buat training data buat mengembangkan NLP, dan 30% sisanya digunakan untuk testing dan nge evaluasi si NLP ini. Detailnya bisa kalian liat di tabel ini yaa: 
Nah, dari training data ini, peneliti kemudian mengembangkan rules untuk mengidentifikasi jenis fraktur (patah tulang) berdasarkan pengetahuan dan pengalaman radiologis, kemudian rules ini diverifikasi lagi sama radiologis.
Regular expression di NLP dari setiap jenis fraktur pada penelitian ini bisa kalian lihat di gambar sebelah kiri, sedangkan untuk modifiers nya bisa dilihat di gambar sebelah kanan.
Terus selama menyempurnakan NLP ini, radiologis dan peneliti menambahkan beberapa rules pengecualian untuk mengurangi jumlah ‘false positive’ dalam data training. Setelah itu, baru deh NLP ini dievaluasi menggunakan testing data.
Evaluasi ini menggunakan matriks sensitivity, specificity, Positive predictive value (PPV), negative predictive value (NPV), dan F1-score yang didapatkan dari:
Kemudian, hasil evaluasi menunjukan kalau NLP ini memiliki micro average F1- score 0.961 yang menandakan bahwa NLP efektif dalam mengidentifikasi fraktur spesifik dari report radiologi.
PPV dan specificity sama sama menunjukkan micro average 1.0, menandakan NLP memiliki presisi yang tinggi dalam mengidentifikasi positif dan negatif. Nilai sensitivity yang menunjukkan micro average 0.930 juga menunjukkan bahwa rules dalam NLP cukup untuk mengidentifikasi fraktur
Intinyaa adalah, ternyata terbukti nih bahwa memang NLP ini secara efektif dapat membantu identifikasi fraktur spesifik yang berkaitan dengan osteoporosis.
Intervensi yang tepat untuk pasien yang teridentifikasi memiliki resiko tinggi maupun rendah dapat mengurangi patah tulang di masa yang akan datang secara signifikan.
Nah, jadi kita bisa liat kan ternyata machine learning itu juga bermanfaat di berbagai bidang, sampai ke bidang medis. Jadi, ga ada salahnya untuk belajar machine learning dan mengimplementasikannya di industri kalian.
Siapa tau, dengan menerapkan machine learning, industri kalian bisa jadi lebih efektif dan efisien. Kalian bisa banget mulai belajar basic machine learning sampai mengerjakan project secara langsung di non degree program Data Scientist Pacmann.AI! 🤩
Kalau penasaran bakal belajar apa aja sih di Pacmann, silahkan cek brosur kami di bit.ly/BrosurSingkatP… atau langsung tanya tanya kami di bit.ly/WASalesPacmann, see you!
• • •
Missing some Tweet in this thread? You can try to
force a refresh
