Fakultas Ilmu Komputer Universitas Indonesia (Fasilkom UI) menyelenggarakan sidang promosi doktor dengan kajian mengenai pengembangan metode klasifikasi status kanker berbasis citra histopatologi dengan deep learning dan komputasi paralel di lingkungan graphics processing unit.

Pada sidang promosi doktor yang dilaksanakan secara daring menggunakan aplikasi Zoom dan dapat disaksikan langsung di kanal Youtube Fasilkom UI, Toto Haryanto dengan promotor Profesor Heru Suhartanto dan kopromotor Profesor Aniati Murni Arymurthy, berhasil mempertahankan disertasinya dan dinyatakan lulus dari Program Doktor Ilmu Komputer Fasilkom UI, Desember lalu.

Salah satu cara untuk mendeteksi kanker adalah melakukan analisis menggunakan citra histopatologi yang merupakan gold standar untuk diagnosis kanker. Citra histopatologi adalah citra yang diambil dari jaringan tubuh pasien yang diduga terkena kanker menggunakan suatu alat (scanner) dengan resolusi yang bervariasi.

Promosi Doktor Toto Haryanto Fasilkom UI. (foto-foto: UI)
Promosi Doktor Toto Haryanto Fasilkom UI. (foto-foto: UI)

Citra tersebut kemudian diberikan pewarnaan tertentu yang biasanya menggunakan pewarnaan hematoxylin dan eosin (H&E). Identifikasi membutuhkan waktu sekitar 5–6 jam untuk setiap sampel agar dapat dikenali sebagai kanker atau tidak.

Pada sidang promosi doktor tersebut, Toto Haryanto menjelaskan bahwa kehadiran berbagai teknik machine learning dan deep learning memberikan peluang bagi bidang ilmu komputer untuk memiliki andil dalam memberikan alternatif untuk menyelesaikan permasalahan tersebut. Machine learning dan deep learning memanfaatkan sejumlah data untuk dilatih dan kemudian akan menghasilkan metode atau bahkan model untuk memprediksi atau identifikasi kanker.

Pengembangan suatu metode berbasis deep learning untuk melakukan prediksi sangat membutuhkan ketersediaan data yang memadai. Oleh karena itu, diperlukan suatu teknik yang dapat menghasilkan atau membangkitkan data histopatologi sebagai dataset untuk proses pelatihan.

Salah satu kebaruan dari disertasi ini adalah telah berhasil melakukan modifikasi dan algoritma sliding window untuk mengatasi keterbatasan data citra histopatologi yang disebut dengan conditional sliding windows. Selain itu, disertasi ini juga telah berhasil merancang arsitektur deep learning yang dilatih pada lingkungan paralel dengan graphics processing unit (GPU) untuk menghasilkan metode identifikasi status kanker dengan akurasi citra histopatologi yang dapat dibandingkan dengan metode terkini yang berkembang.