Retinoblastoma merupakan salah satu kanker anak paling umum di dunia, dengan insidensi sekitar 1 dari 16.000 hingga 28.000 kelahiran. Di negara maju, angka kesembuhan dapat mencapai 99%, berkat diagnosis dini dan intervensi medis yang cepat. Sebaliknya, di negara dengan infrastruktur kesehatan terbatas seperti Indonesia, keterlambatan deteksi kerap berujung pada kebutaan atau kematian, bahkan 40–70% pasien mengalami dampak klinis berat akibat diagnosis yang terlambat. Realitas ini menyoroti kebutuhan mendesak terhadap metode skrining yang efisien, mudah dijangkau, dan akurat, khususnya untuk layanan kesehatan tingkat pertama.
Berangkat dari urgensi tersebut, tim PKM-KC Universitas Gadjah Mada (UGM) lintas disiplin merancang sistem deteksi dini retinoblastoma berbasis two-step convolutional neural network (TSCNN) yang terintegrasi dalam aplikasi seluler untuk skrining real-time pada anak-anak. Tim ini dipimpin oleh Jonathan Setiawan (Teknik Nuklir 2023) dengan anggota Ammar Ali Yasir (Teknologi Informasi 2023), Ammar (Teknik Mesin 2023), Muhammad Hafidz Al Farisi (Teknologi Informasi 2023), dan Emeliana Putri Ayu Ningsih (Kedokteran 2024), di bawah bimbingan Prof. Dr. Eng. Ir. Herianto, S.T., M.Eng., IPU., ASEAN Eng.
Sistem tersebut diberi nama Rb-AID (Retinoblastoma Artificial Intelligence Detection), yang terdiri atas dua komponen utama:
-
Rb-AID Tool, perangkat bantu pengambilan citra fundus dengan stabilitas tinggi, dan
-
Rb-AID Mobile Decision System, aplikasi analisis berbasis TSCNN untuk interpretasi hasil secara cepat dan objektif.
Pendekatan ini menekan ketergantungan pada keahlian subjektif operator dan memperluas akses skrining ke daerah dengan sumber daya terbatas.
Pada sisi perangkat keras, Rb-AID Tool dirancang melalui alur rekayasa presisi: desain menggunakan Autodesk Inventor, konversi model ke format STL, slicing di Cura, dan pencetakan 3D dengan material PLA yang ringan sekaligus ramah lingkungan. Komponen optiknya memanfaatkan lensa 20D untuk menghasilkan fokus cahaya optimal pada retina dengan jarak kerja ideal ±50 mm. Mekanisme dudukan smartphone pada lengan penyangga memungkinkan sudut pengambilan citra yang konsisten, sementara sistem pencahayaan terintegrasi memastikan kualitas visual yang memadai bahkan dalam kondisi minim cahaya.
Sisi perangkat lunak Rb-AID dikembangkan untuk menganalisis citra fundus menggunakan arsitektur Two-Step Convolutional Neural Network (TSCNN) yang terdiri atas dua tahap pemrosesan: identifikasi area retina dan klasifikasi indikasi retinoblastoma. Model ini dilatih dengan dataset yang mencakup citra fundus normal serta citra dengan anomali seperti massa retina keputihan, pola vaskularisasi tidak teratur, dan refleksi cahaya tidak homogen akibat lesi. Aplikasi Rb-AID memiliki dua mode kerja, yaitu mode offline untuk pemeriksaan langsung dan dokumentasi lokal oleh tenaga medis, serta mode online yang secara otomatis merekomendasikan rujukan ke fasilitas oftalmologi terdekat dan mengirimkan hasil pemeriksaan melalui email, lengkap dengan formulir umpan balik dokter. Sistem ini membentuk loop pembelajaran adaptif, di mana hasil validasi dokter digunakan untuk memperbarui model AI sehingga akurasi deteksi terus meningkat seiring waktu.
Menariknya, Rb-AID menggabungkan stabilisasi optik berbasis perangkat dengan validasi dua tahap berbasis deep learning untuk mengatasi keterbatasan metode sebelumnya yang bergantung pada foto tidak terstandar atau tanpa alat bantu. Pendekatan ini memperkuat reliabilitas skrining sekaligus menurunkan risiko bias operator. Inovasi ini juga memperluas konsep pemanfaatan optik ponsel dari sekadar fotografi medis menjadi sistem skrining fundus terarah dengan kontrol jarak dan intensitas pencahayaan yang terukur.
Rb-AID dikembangkan sebagai platform deteksi dini yang inklusif dan terukur, dengan potensi besar untuk menekan angka kebutaan dan mortalitas akibat retinoblastoma di Indonesia. Program ini sejalan dengan tema PKM 2025: Kesehatan dan Gizi Masyarakat, dan diarahkan menuju luaran berupa prototipe fungsional, laporan kemajuan, serta publikasi edukatif di berbagai kanal media. Dengan sinergi antara desain mekanik presisi, akuisisi citra terkendali, dan algoritma AI dua tahap, Rb-AID diposisikan sebagai fondasi sistem skrining retinoblastoma yang cepat, konsisten, dan terdesentralisasi, menjembatani kesenjangan akses diagnosis antara rumah sakit besar dan fasilitas kesehatan primer di seluruh Indonesia.
Tulisan dan Dokumentasi Oleh Tim PKM-KC: RD-AID Tool
Disunting Oleh Radaeva Errisya
Anggota Tim:
1. Jonathan Setiawan (Teknik Nuklir 2023),
2. Ammar Ali Yasir (Teknologi Informasi 2023),
3. Ammar (Teknik Mesin 2023),
4. Muhammad Hafidz Al Farisi (Teknologi Informasi 2023), dan
5. Emeliana Putri Ayu Ningsih (Kedokteran 2024),
Dosen Pembimbing: Prof. Dr. Eng. Ir. Herianto, S.T., M.Eng., IPU., ASEAN Eng