Mencoba memecahkan masalah tersebut, para peneliti mengkaji akurasi kombinasi artificial intelligence thyroid (AI tiroid) dan pencitraan seperti magnetic resonance imaging (MRI), sinar X, dan ultrasonografi. Kombinasi modalitas tersebut dinilai akan membantu menegakkan diagnosis nodul tiroid dan diduga dapat menjadi jalan keluar dari masalah ini.[5]

Artificial Intelligence Tiroid (AI Tiroid) dalam Diagnosis Nodul Tiroid

Studi terdahulu mengklasifikasikan nodul tiroid dengan metode handcrafted-based dan deep-learning based. Metode handcrafted-based menggunakan ekstraksi gambar yang dianalisis lebih lanjut dengan support vector machine (SVM), sehingga terbentuk karakteristik nodul tiroid yang diperiksa.[6]

Metode deep-learning based digunakan untuk mengatasi kelemahan metode handcrafted-based, yaitu ketergantungan alat tersebut pada gambar nodul tiroid. Pada metode ini, suatu alat bernama convolutional neural network (CNN) digunakan untuk menganalisis ultrasonografi nodul tiroid.[7]

Akurasi Kecerdasan Artifisial dalam Diagnosis Nodul Tiroid

Pertanyaan berikutnya adalah bagaimana akurasi dari artificial intelligence (AI) untuk mendiagnosis tiroid nodul. Bila kecerdasan AI ditemukan noninferior (setara) dengan metode diagnosis konvensional saat ini, maka AI diharapkan dapat mengurangi kebutuhan akan biopsi tiroid.

Dalam studinya, Wang et al berusaha mengembangkan metode deep-learning based dengan algoritma berupa YOLOv2 neural network. Dalam penelitian tersebut, dilaporkan bahwa AI tiroid dapat dengan tepat mendiagnosis area lesi dengan nilai yang lebih tinggi daripada temuan radiologis.

Selain itu, AI dilaporkan memiliki sensitivitas sebesar 90,5%, nilai prediktif positif 95,2%, nilai prediktif negatif 80,99%, dan akurasi 90,31%. Persentase tersebut ditemukan tidak berbeda secara signifikan dengan temuan radiologis. Ditambah lagi, AI memiliki spesifisitas yang lebih tinggi daripada temuan radiologis (89,91% vs 77,98%).

Jika dibandingkan dengan USG tiroid dengan operator yang berpengalaman, AI memiliki sensitivitas dan akurasi yang setara untuk mendiagnosis nodul tiroid ganas, bahkan kemampuan diagnosis yang lebih baik untuk nodul tiroid jinak.[8]

Baru-baru ini, Thomas dan Haertling melaporkan bahwa AI deep-neural based  memiliki nilai sensitivitas, spesifisitas, akurasi, dan nilai prediktif negatif sebesar 87,8%, 78,5%, 65,9%, dan 93,2%.

Jika dibandingkan dengan teknologi konvensional (USG), AI memiliki sensitivitas, spesifisitas, dan nilai prediktif positif yang lebih baik dalam menstratifikasi risiko kanker tiroid. Hal ini merupakan suatu terobosan baru, mengingat penggunaan diagnosis tiroid berbasis AI sebelumnya terbatas pada lesi ganas atau karsinoma tiroid.[9]

Studi yang sejalan dilakukan oleh Yu et al dan melaporkan bahwa AI memiliki akurasi, sensitivitas, dan spesifisitas sebesar 90%, 88,24%, dan 90,91% untuk deep-learning based dan 86%, 81,25%, 90,91%. Hal ini menandakan bahwa AI lebih baik daripada metode konvensional dan tidak saling noninferior satu sama lain.[10]

Dalam mendeteksi lesi ganas, perlu diketahui bahwa artificial intelligence yang dikembangkan saat ini sebagian besar didasarkan pada penemuan lesi karsinoma papiler tiroid. Sehingga, untuk jenis karsinoma lain seperti limfoma atau karsinoma meduler, diperlukan penelitian lebih lanjut. Selain itu, perlu diperhatikan juga adanya selection bias pada studi yang menilai peran artificial intelligence untuk mendiagnosis nodul tiroid, sehingga masih dibutuhkan penelitian yang lebih lanjut.[8]

Rekomendasi terkait Diagnosis Nodul Tiroid

Menurut American Thyroid Association, USG tiroid dengan evaluasi kelenjar getah bening servikal direkomendasikan untuk dilakukan pada semua pasien dengan dugaan nodul tiroid. Pola pada temuan USG tiroid dan karakteristik nodul akan membantu pengambilan keputusan untuk FNAB.

FNAB merupakan modalitas yang masih dianggap paling akurat untuk mengevaluasi nodul tiroid, terutama untuk nodul ≥1 cm.[1]

Kesimpulan

Hingga saat ini, diagnosis nodul tiroid umumnya tergantung pada pemeriksaan USG dan FNAB. Sayangnya, kedua modalitas tersebut melibatkan penilaian yang subjektif dan keterampilan operator. Selain itu, pemeriksaan FNAB kerap menimbulkan ketidaknyamanan bagi pasien karena sering kali dibutuhkan lebih dari satu kali pengambilan spesimen untuk pemeriksaan ini.

Berbagai permasalahan di atas membuat diagnosis nodul tiroid tidak efektif dan efisien. Oleh karena itu, telah dikembangkan suatu sistem algoritma berbasis artificial intelligence yang dapat digunakan untuk membantu penegakan diagnosis nodul tiroid. Dengan penggunaan AI, diharapkan kebutuhan akan FNAB dapat dikurangi.

Saat ini, teknologi AI untuk mendiagnosis nodul tiroid terdiri dari dua metode, yaitu handcrafted based dan deep-learning based. Beberapa studi yang ada melaporkan bahwa kedua metode tersebut bersifat noninferior satu sama lain dan lebih superior daripada diagnosis konvensional.

Namun, studi yang ada hanya terbatas untuk mendeteksi karsinoma tiroid papiler, sedangkan akurasi dan perannya dalam mendeteksi karsinoma meduler dan limfoma belum dapat dipastikan. Melihat perkembangan saat ini, artificial intelligence dapat mempunyai peran yang lebih lagi dalam diagnosis nodul tiroid di masa mendatang. Oleh karena itu, studi dengan sampel lebih besar dengan metode yang lebih baik diperlukan untuk mendukung perkembangan diagnostik nodul tiroid.