SmartCervix

Tentang

Pendahuluan
Metode

Latar Belakang

SmartCervix.com adalah platform inovatif yang dirancang khusus untuk deteksi dini kanker serviks menggunakan teknologi kecerdasan buatan (AI). Platform ini menawarkan solusi cepat dan akurat untuk skrining kesehatan serviks, memungkinkan deteksi dini perubahan seluler yang dapat berkembang menjadi kanker. Didanai melalui Hibah DRTPM dalam skema Penelitian Tahun 2024, SmartCervix.com berfokus pada penyediaan akses skrining yang lebih mudah dan efisien.

Dengan bantuan kecerdasan buatan, platform ini dapat mendeteksi empat jenis kondisi kesehatan serviks yang meliputi:

Normal: Tidak ditemukan kelainan pada sel serviks.

Koilosit (Koilocyt): Mengindikasikan adanya infeksi HPV dengan perubahan sel yang belum berbahaya.

L-SIL (Low-Grade Squamous Intraepithelial Lesion): Lesi derajat rendah yang berhubungan dengan infeksi HPV, yang masih perlu dipantau.

H-SIL (High-Grade Squamous Intraepithelial Lesion): Lesi derajat tinggi yang berpotensi menjadi kanker jika tidak ditangani segera.

Dataset ini bersumber dari RepomedUNM dengan dataset awal sebanyak 400 citra. Dimana tiap kelas berjumlah 100 citra.
Kunjungi RepomedUNM
Dengan akurasi yang tinggi dan analisis yang cepat, SmartCervix.com membantu pengguna dan tenaga medis dalam mengambil langkah yang tepat dan cepat untuk menjaga kesehatan serviks. Deteksi dini adalah kunci, dan SmartCervix.com hadir untuk memudahkan akses ke skrining serviks.

Alur Penelitian

Dataset bersumber dari RepomedUNM.

Tahap 1

Persiapan Data

Total dataset yang digunakan adalah 2762 citra.

Tahap 2

Set up model

Tahap 3

Evaluasi Model

Model Xception: Memiliki akurasi keseluruhan 95% dengan performa yang sangat baik dalam mendeteksi semua kelas. F1-Score tertinggi menunjukkan bahwa model ini seimbang dalam hal presisi dan recall.

Model InceptionResNetV2: Memiliki akurasi keseluruhan 90%, sedikit lebih rendah daripada Xception. Model ini juga menunjukkan performa yang sangat baik, terutama dalam mendeteksi kelas Koilocyt dengan recall yang sangat tinggi (0.99).
Lihat Detail

SmartCervix

Beranda

Diagnosa

Kami melatih dengan 15 model Deep Learning yang berbeda untuk membandingkan yang terbaik terlebih dahulu.

Rincian modelnya (menggunakan weight): models = { 'Xception': Xception, 'VGG16': VGG16, 'VGG19': VGG19, 'ResNet50V2': ResNet50V2, 'ResNet101': ResNet101, 'ResNet152V2': ResNet152V2, 'InceptionV3': InceptionV3, 'InceptionResNetV2': InceptionResNetV2, 'MobileNetV2': MobileNetV2, 'DenseNet201': DenseNet201, 'NASNetLarge': NASNetLarge, 'EfficientNetB7': EfficientNetB7, 'EfficientNetV2B3': EfficientNetV2B3, 'ConvNeXtBase': ConvNeXtBase, 'EfficientNetV2M': EfficientNetV2M }

Dengan parameter:
def create_model(base_model): base_model = base_model(weights='imagenet', include_top=False, input_shape=(224, 224, 3)) x = base_model.output x = GlobalAveragePooling2D()(x) x = Dropout(0.5)(x) x = Dense(1024, activation='relu', kernel_regularizer=tf.keras.regularizers.l2(0.01))(x) x = Dropout(0.5)(x) predictions = Dense(train_generator.num_classes, activation='softmax')(x) model = Model(inputs=base_model.input, outputs=predictions) return model

Dan juga dilakukan hyperparameter tuning:
# Hyperparameter tuning and training results = {} for model_name, model_class in models.items(): print(f"Training model: {model_name}") model = create_model(model_class) model.compile(optimizer=Adam(), loss='categorical_crossentropy', metrics=['accuracy']) # Callbacks early_stopping = EarlyStopping(monitor='val_loss', patience=10, restore_best_weights=True) checkpoint = ModelCheckpoint(os.path.join(model_save_path, f'{model_name}.h5'), monitor='val_loss', save_best_only=True) # Training history = model.fit( train_generator, epochs=50, validation_data=val_generator, callbacks=[early_stopping, checkpoint] ) # Save the results results[model_name] = history

Hasil evaluasi tiap model dapat dilihat di sini:

No	Model	Test Accuracy	Test Loss	Time per Step	Precision	Recall	F1-Score
1	Xception	0.9495	0.3311	65s	0.96	0.95	0.95
2	VGG16	0.2744	1.3785	175s	0.27	0.27	0.27
3	VGG19	0.2744	1.3803	224s	0.27	0.27	0.27
4	ResNet50V2	0.8881	0.5388	51s	0.89	0.89	0.89
5	ResNet101	0.2383	1.7311	104s	0.24	0.24	0.24
6	ResNet152V2	0.9025	0.3728	141s	0.9	0.9	0.9
7	InceptionV3	0.8953	0.3549	36s	0.89	0.89	0.89
8	InceptionResNetV2	0.9061	0.4424	84s	0.91	0.91	0.91
9	MobileNetV2	0.4332	6.3952	14s	0.43	0.43	0.43
10	DenseNet201	0.8845	0.4953	79s	0.88	0.88	0.88
11	NASNetLarge	0.2888	130.9035	168s	0.29	0.29	0.29
12	EfficientNetB7	0.6498	1.2851	167s	0.65	0.65	0.65
13	EfficientNetV2B3	0.5343	1.4725	34s	0.53	0.53	0.53
14	EfficientNetV2M	0.721	0.8624	81s	0.72	0.72	0.72
15	ConvNeXtBase	0.8225	1.3083	78s	0.82	0.82	0.82

Hyperparameter tuning dilakukan untuk setiap model untuk menemukan kombinasi optimal yang memberikan performa terbaik. Setelah pelatihan dan evaluasi, dua model dengan performa terbaik (di atas 90% akurasi) ditemukan: Xception dan InceptionResNetV2.