Perkembangan Diagnostik Nodul Tiroid dengan Artificial Intelligence

Oleh :

dr. Hendra Gunawan SpPD

Artificial intelligence kerap diteliti dan digunakan untuk mengurangi subjektivitas dalam penegakan beberapa penyakit, termasuk nodul tiroid. Hingga saat ini, diagnosis nodul tiroid masih bertumpu pada pemeriksaan ultrasonografi (USG). Bila hasil pemeriksaan USG tiroid mengarahkan kecurigaan pada lesi ganas, maka evaluasi akan dilanjutkan dengan fine needle aspiration biopsy (FNAB) yang lebih invasif.

Dengan begitu, diagnosis nodul tiroid menjadi tantangan tersendiri bagi klinisi oleh karena subjektivitas USG tiroid dan hasil pemeriksaan fine needle aspiration biopsy (FNAB) sering kali tidak konklusif, sehingga diperlukan pengambilan spesimen berulang untuk pemeriksaan histopatologi.[1,2]

Hal tersebut membuat evaluasi nodul tiroid menjadi mahal, tidak efektif, dan tidak efisien. Cheng et al mengembangkan suatu algoritma diagnosis berbasis USG yang dinamakan thyroid imaging report data system (TIRADS).[3] Lebih lanjut, methoxyisobutylisonitrile-single emission computed tomography (MIBI-SPECT) juga digunakan untuk diagnosis nodul tiroid.[4] Walaupun demikian, diagnostik nodul tiroid masih menimbulkan kontroversi oleh karena kompleksitasnya.

(Konten ini khusus untuk dokter. Registrasi untuk baca selengkapnya)

Referensi

1.Haugen BR, Alexander EK, Bible KC, Doherty GM, Mandel SJ, Nikiforov YE, et al. 2015 American Thyroid Association Management Guidelines for Adult Patients with Thyroid Nodules and Differentiated Thyroid Cancer: The American Thyroid Association Guidelines Task Force on Thyroid Nodules and Differentiated Thyroid Cancer. Thyroid. 2015;26(1):1-133.
2.Ali S, Siperstein A, Sadow P, Golding A, Kennedy G, Kloos R, et al. Extending expressed RNA genomics from surgical decision making for cytologically indeterminate thyroid nodules to targeting therapies for metastatic thyroid cancer. Cancer Cytopathology. 2019;127(6):362-9.
3.Horvath E, Majlis S, Rossi R, Franco C, Niedman JP, Castro A, et al. An Ultrasonogram Reporting System for Thyroid Nodules Stratifying Cancer Risk for Clinical Management. Journal of Clinical Endocrinology and Metabolism. 2009;94(5):1748-51.
4.Listewnik MH, Birkenfeld B, Piwowarska-Bilska H, Cichon-Bankowska K, Iglinska-Wagner L, Watrak W, et al. The Application of SPECT/CT Scintigraphy With MIBI-Tc⁹⁹(m) in the Diagnosis of Thyroid Nodules - A Preliminary Report. Endocrinology Poland. 2010;61(5):422-6.
5.Nguyen DT, Pham TD, Batchuluun G, Yoon HS, Ryoung PK. Artificial Intelligence-Based Thyroid Nodule Classification Using Information from Spatial and Frequency Domains. Journal of Clinical Medicine. 2019;8(11):1976.
6.Chang C, Chen S, Tsai M. Application of support-vector-machine-based method for feature selection and classification of thyroid nodules in ultrasound images. Pattern Recognition. 2010;43(3494-3506).
7.Sundar K, Rajamani K, Sai S. Exploring image classification of thyroid ultrasound images using deep learning. Proceedings of the International Conference on ISMAC in Computational Vision and Bio-Engineering. Cham: Springer. 2018. p. 1635-41.
8.Wang L, Yang S, Yang S, Zhao C, Tian G, Gao Y, et al. Automatic thyroid nodule recognition and diagnosis in ultrasound imaging with the YOLOv2 neural network. World Journal of Surgical oncology. 2019;2019(17):12.
9.Thomas J, Haertling T. AIBx, artificial intelligence model to risk stratify thyroid nodules. Thyroid. 2020;30(6):1.
10.Yu Q, Jiang T, Zhou A, Zhang L, Zhang C, Xu P. Computer-aided diagnosis of malignant or benign thyroid nodes based on ultrasound images. European Archives of Otorhinolaryngology. 2017;274:2891-7.