Kanker payudara adalah salah satu penyakit paling umum dan mematikan di kalangan wanita secara global. Evaluasi subtipe molekuler yang akurat sangat penting untuk menentukan strategi pengobatan yang dipersonalisasi. Salah satu biomarker kunci adalah Human Epidermal Growth Factor Receptor 2 (HER2). Tingkat ekspresi HER2 secara langsung memengaruhi pemilihan terapi target. Oleh karena itu, penilaian status HER2 yang tepat waktu dan akurat sangatlah krusial.
Metode klinis tradisional untuk pengujian HER2 meliputi Imunohistokimia (IHC) dan In-situ Hybridization (ISH). Meskipun metode ini banyak digunakan, keduanya memiliki keterbatasan. Interpretasi IHC sangat bergantung pada keahlian patolog dan dapat bervariasi antar-pengamat maupun antar-laboratorium. Sementara itu, ISH melibatkan protokol yang kompleks dan reagen yang mahal, membatasi penggunaannya di daerah dengan sumber daya terbatas, seperti beberapa wilayah di Indonesia. Selain itu, alur kerja IHC/ISH standar dapat memakan waktu beberapa hari untuk mendapatkan hasil, menunda pengambilan keputusan klinis yang cepat.
Tantangan dalam Diagnostik HER2 Konvensional
Metode tradisional untuk mendeteksi status HER2, seperti IHC dan ISH, menghadapi beberapa kendala signifikan. Interpretasi hasil IHC seringkali bersifat subjektif, bergantung pada pengalaman patolog, yang dapat menyebabkan variabilitas hasil. Munculnya kategori penilaian baru seperti “HER2-low” semakin menyoroti kesulitan dalam interpretasi kasus borderline secara konsisten. ISH, meskipun memberikan informasi genetik yang berharga, memerlukan prosedur yang rumit dan biaya tinggi, membuatnya kurang dapat diakses di banyak fasilitas kesehatan.
Keterbatasan ini telah mendorong minat pada evaluasi HER2 yang otomatis dan didukung AI untuk meningkatkan objektivitas dan kecepatan. Upaya awal mencakup analisis gambar berbantuan komputer untuk penilaian skor IHC HER2. Baru-baru ini, teknik deep learning menunjukkan potensi besar dalam patologi digital. Namun, sebagian besar model AI yang ada saat ini hanya memproses satu modalitas (gambar H&E atau IHC) secara terpisah, sehingga mewarisi keterbatasan data unimodal.
Mengatasi Keterbatasan Data Unimodal dengan AI
Gambar histologi yang diwarnai H&E mengungkapkan morfologi jaringan tetapi tidak memiliki informasi langsung tentang ekspresi protein. Sebaliknya, gambar IHC menyoroti distribusi protein HER2 tetapi dapat terganggu oleh variabilitas pewarnaan. Menggabungkan informasi komplementer dari H&E dan IHC secara teoritis dapat memberikan gambaran yang lebih lengkap, menangkap konteks morfologis dan ekspresi molekuler.
Namun, tantangan praktis muncul dalam alur kerja klinis nyata: seringkali gambar dari kedua modalitas (H&E dan IHC) tidak selalu tersedia secara bersamaan untuk pasien yang sama, karena kendala biaya, waktu, atau ketersediaan jaringan. Model AI multimodal yang ada umumnya berasumsi bahwa semua data modalitas selalu lengkap. Jika salah satu modalitas hilang, model tersebut akan gagal atau menggunakan imputasi sederhana yang dapat merusak distribusi fitur dan menurunkan kinerja.
Inovasi AI: Solusi Fleksibel untuk Prediksi HER2
Menyadari tantangan ketersediaan data multimodal, inovasi terbaru dalam bidang AI patologi menghadirkan kerangka prediksi yang adaptif dan fleksibel. Kerangka kerja ini dirancang untuk mendukung input tunggal (H&E saja atau IHC saja) maupun input ganda (H&E dan IHC bersamaan) secara fleksibel. Tujuannya adalah mengatasi ketergantungan kaku pada kelengkapan input yang ada pada model konvensional.
Inti dari inovasi ini adalah mekanisme pemilihan cabang dinamis (dynamic branch selection) yang memungkinkan prediksi dimulai hanya dengan gambar H&E atau IHC saja, sambil tetap mempertahankan kemampuan inferensi gabungan multimodal jika kedua data tersedia. Pendekatan ini memungkinkan institusi kesehatan untuk mencapai akurasi analisis yang mendekati multimodal tanpa harus mewajibkan akuisisi kedua modalitas secara sinkron, menawarkan solusi berbiaya lebih rendah, terutama di daerah dengan infrastruktur pewarnaan IHC yang terbatas.
Bagaimana Teknologi Ini Bekerja (Sederhana)
Kerangka kerja AI yang inovatif ini menggunakan beberapa komponen kunci untuk mencapai fleksibilitas dan akurasi. Pertama, terdapat pemilih cabang modalitas hilang (missing-modality branch selector). Komponen ini bertindak seperti “penjaga gerbang” cerdas yang secara otomatis mendeteksi apakah kedua jenis gambar (H&E dan IHC) tersedia atau hanya salah satunya. Berdasarkan deteksi ini, sistem akan mengaktifkan alur pemrosesan yang sesuai.
Jika hanya satu modalitas yang tersedia, sistem akan mengaktifkan pipeline rekonstruksi-prediksi unimodal. Di sinilah inovasi teknis utama lainnya berperan: Jaringan Adversarial Generatif Lintas-Modal Bidireksional (Bidirectional Cross-Modal Generative Adversarial Network – CM-GAN). CM-GAN ini tidak menciptakan gambar visual yang hilang, melainkan merekonstruksi “fitur” atau representasi data dari modalitas yang hilang di ruang fitur AI, berdasarkan konteks dari modalitas yang tersedia. Proses ini memungkinkan AI untuk “mengisi kekosongan” informasi yang hilang dengan cara yang cerdas dan berbasis data.
Jika kedua modalitas tersedia, sistem akan melewati proses rekonstruksi dan langsung menggunakan proses inferensi gabungan multimodal end-to-end. Selain itu, modul perhatian saluran (Channel Attention Module – CAM) diintegrasikan untuk menyesuaikan bobot fitur secara real-time berdasarkan kualitas input modalitas yang sebenarnya. Ini berarti jika salah satu gambar (misalnya, IHC) memiliki kualitas rendah (pudar atau overstain), AI dapat memberikan bobot yang lebih besar pada informasi dari gambar H&E yang mungkin lebih jelas.
Dampak dan Manfaat Nyata bagi Layanan Kesehatan
Implementasi teknologi prediksi HER2 berbasis AI yang fleksibel ini membawa dampak signifikan pada layanan kesehatan, khususnya di Indonesia. Dengan kemampuan untuk memproses input unimodal (H&E saja atau IHC saja) dengan akurasi tinggi (penelitian menunjukkan peningkatan akurasi prediksi H&E unimodal dari 71.44% menjadi 94.25%), fasilitas kesehatan yang mungkin belum memiliki infrastruktur lengkap untuk pewarnaan IHC tetap dapat memanfaatkan AI untuk prediksi HER2 yang andal.
Akurasi prediksi yang tinggi (mencapai 95.09% dengan input ganda dan 90.28% dengan input tunggal) berarti diagnosis dapat dilakukan lebih cepat dan objektif dibandingkan metode manual. Ini sangat penting untuk mempercepat pengambilan keputusan terapi bagi pasien kanker payudara. Pengurangan ketergantungan pada ketersediaan kedua modalitas secara bersamaan juga menurunkan biaya operasional dan logistik yang terkait dengan pengumpulan sampel ganda.
Solusi “mengutamakan multimodal, kompatibel dengan unimodal” ini meningkatkan aksesibilitas deteksi HER2, terutama di daerah terpencil atau fasilitas dengan sumber daya terbatas di seluruh Indonesia. Ini memungkinkan lebih banyak pasien mendapatkan penilaian HER2 yang akurat, yang pada gilirannya mengarah pada pemilihan terapi target yang lebih tepat dan hasil pengobatan yang lebih baik. Teknologi ini tidak hanya meningkatkan efisiensi operasional fasilitas kesehatan tetapi juga secara langsung berkontribusi pada peningkatan kualitas layanan dan harapan hidup pasien.
Bagaimana ARSA Technology Dapat Membantu?
ARSA Technology, sebagai perusahaan teknologi AI dan IoT terkemuka di Indonesia yang berpengalaman sejak 2018, memiliki keahlian dalam mengembangkan dan mengimplementasikan solusi berbasis AI Vision dan analitik data untuk berbagai sektor, termasuk kesehatan. Konsep di balik prediksi HER2 yang fleksibel ini, yaitu penggunaan AI untuk menganalisis gambar medis, menangani data yang tidak lengkap, dan memberikan insight diagnostik, sangat selaras dengan kemampuan dan penawaran solusi kami.
Kami memahami tantangan spesifik yang dihadapi fasilitas kesehatan di Indonesia, mulai dari keterbatasan sumber daya hingga kebutuhan akan solusi yang dapat diintegrasikan dengan sistem yang sudah ada. Solusi teknologi kesehatan mandiri ARSA, yang sudah mencakup modul AI Medical Imaging Support untuk analisis X-ray dan MRI, menunjukkan kapasitas kami dalam menerapkan AI untuk interpretasi gambar medis yang kompleks. Kami dapat berkolaborasi dengan institusi kesehatan untuk mengadaptasi dan mengimplementasikan teknologi analitik video AI yang canggih ini untuk kebutuhan spesifik, termasuk prediksi biomarker dari gambar patologi.
Dengan tim R&D internal yang kuat dan pengalaman implementasi di berbagai industri di Indonesia, ARSA siap menjadi mitra Anda dalam mewujudkan transformasi digital di sektor kesehatan. Kami dapat membantu mengintegrasikan solusi AI analitik gambar ke dalam alur kerja patologi Anda, meningkatkan akurasi diagnostik, mempercepat proses, dan pada akhirnya, meningkatkan kualitas layanan pasien di rumah sakit atau laboratorium Anda.
Kesimpulan
Prediksi status HER2 yang akurat adalah langkah penting dalam penanganan kanker payudara. Keterbatasan metode tradisional dan tantangan ketersediaan data multimodal dalam alur kerja klinis nyata membutuhkan pendekatan baru. Teknologi AI yang fleksibel, yang mampu memprediksi HER2 dari input gambar unimodal atau multimodal dengan akurasi tinggi, menawarkan solusi inovatif untuk tantangan ini.
Dengan mengatasi masalah data yang hilang melalui rekonstruksi fitur cerdas dan adaptasi dinamis, AI dapat memberikan prediksi yang andal bahkan di lingkungan dengan sumber daya terbatas. Ini secara signifikan meningkatkan aksesibilitas diagnostik HER2 dan memungkinkan pengambilan keputusan terapi yang lebih cepat dan tepat. ARSA Technology memiliki keahlian dan pengalaman untuk membawa inovasi AI Vision dan analitik medis semacam ini ke fasilitas kesehatan di Indonesia, mendukung upaya peningkatan kualitas layanan diagnostik dan perawatan kanker payudara.
Siap mendiskusikan bagaimana AI dapat meningkatkan diagnostik patologi di institusi Anda? Dapatkan konsultasi gratis dengan tim ahli ARSA Technology.
