Nabila Husna, mahasiswa program doktor Departemen Teknik Elektro Fakultas Teknik UI (FTUI), berhasil menyelesaikan studinya dengan IPK 3.95, predikat Summa Cumlaude dan tercatat sebagai Doktor ke-188 dari Departemen Teknik Elektro serta Doktor ke-626 pada sidang terbuka promosi doktor di FTUI pada Rabu (26/11).
Nabila menyampaikan hasil penelitian program doktornya dengan mengembangkan pendekatan baru yang menggabungkan segmentasi inti sel berbasis StarDist dengan arsitektur Residual Network (ResNet-50) untuk meningkatkan akurasi diagnosis kanker tiroid. Disertasi Nabila sendiri berjudul “Pengembangan Metode Klasifikasi Kanker Tiroid Pada Citra Histopatologi Berbasis Segmentasi Inti Sel dan Residual Network.”
“Kanker tiroid merupakan salah satu jenis kanker yang terus meningkat kasusnya dalam tiga dekade terakhir. Diagnosis standar tetap bergantung pada pemeriksaan histopatologi, namun metode konvensional menghadapi tantangan seperti keterbatasan jumlah ahli patologi, inkonsistensi antar penilai, serta waktu analisis yang panjang. Inovasi berbasis Artificial Intelligence (AI) hadir sebagai peluang besar untuk mendukung proses diagnostik yang lebih cepat dan akurat,” jelas Nabila dalam presentasinya.
Penelitian ini hadir sebagai jawaban atas tantangan diagnosis histopatologi konvensional yang kerap memakan waktu, bergantung pada jumlah ahli patologi yang terbatas, serta sering menghasilkan inkonsistensi antar penilai.
“Berbeda dengan studi-studi sebelumnya yang umumnya hanya membedakan jaringan jinak dan ganas, penelitian ini secara khusus menyoroti pentingnya membedakan kelompok PTC-like dan non–PTC-like yang memiliki perilaku biologis dan pola metastasis berbeda. Dengan memanfaatkan segmentasi inti sel—komponen utama yang digunakan dokter patologi dalam menilai sampel jaringan—model yang dikembangkan mampu memberikan fokus yang lebih tepat pada area diagnostik penting dan menghasilkan representasi morfologis yang lebih kaya,” lanjut Nabila.
Hasil penelitian menunjukkan performa yang sangat tinggi, dengan akurasi 98,55%, sensitivitas 98,55%, dan spesifisitas 98,84% pada pengujian internal, serta performa yang konsisten pada berbagai dataset eksternal termasuk TCGA, Nikiforov, dan dataset primer dari Departemen Patologi Anatomi FKUI–RSCM.
Dalam sidang promosi doktor, Ketua Sidang Prof. Kemas Ridwan Kurniawan, S.T., M.Sc., Ph.D. memberikan apresiasi yang tinggi terhadap kontribusi penelitian ini. Beliau menyatakan, “Disertasi ini menunjukkan bagaimana teknologi kecerdasan buatan dapat dipadukan dengan pemahaman klinis untuk menghasilkan alat bantu diagnosis yang lebih presisi. Integrasi segmentasi inti sel ke dalam model deep learning adalah langkah signifikan yang membawa kita lebih dekat pada praktik medis berbasis AI yang benar-benar dapat diandalkan. Ini adalah kontribusi berharga bagi dunia akademik maupun dunia kesehatan.”
Penelitian ini tidak hanya memberikan terobosan ilmiah, tetapi juga membuka peluang besar bagi pengembangan sistem diagnosis berbantuan komputer yang lebih akurat dan dapat diterapkan di berbagai institusi medis, termasuk di Indonesia. Dengan demikian, karya ini menegaskan pentingnya kolaborasi antara teknik, kedokteran, dan AI dalam meningkatkan kualitas layanan kesehatan dan mendukung pengambilan keputusan klinis yang lebih cepat, tepat, dan dapat dipercaya.
Hasil penelitian dipresentasikan dalam sidang terbuka promosi doktor yang dipimpin oleh Prof. Dr. Kemas Ridwan Kurniawan, S.T., M.Sc., sebagai Ketua Sidang, dengan Prof. Dr. Ir. Dadang Gunawan, M.Eng., sebagai promotor, serta Dr.Eng. Mia Rizkinia, S.T., M.T dan Dr. dr. Agnes Stephanie Harahap, SpPA, Subsp. H.L.E.(K), Ph.D., sebagai ko-promotor. Tim penguji terdiri dari Siti Fauziyah Rahman, S.T., M.Eng., Ph.D., Mohammad Ikhsan, M.T., Ph.D., dan Prof. Dr. Ir. Fitri Arnia, S.T., M.Eng.Sc., IPU.
***
Kantor Komunikasi Publik
Fakultas Teknik Universitas Indonesia
