Framework Deep Learning 2.5D Longitudinal untuk Deteksi Dini Alzheimer dengan ADNI MRI

Penyakit Alzheimer (AD) merupakan gangguan neurodegeneratif progresif yang sulit dideteksi pada tahap awal. Untuk menangani tantangan ini, Dr. Soegianto Soelistiono dari Universitas Airlangga (UNAIR) mengembangkan sebuah framework deep learning longitudinal 2.5D yang dapat menjelaskan proses perkembangan penyakit Alzheimer menggunakan data MRI dari ADNI (Alzheimer's Disease Neuroimaging Initiative).

Perlunya Model Deep Learning Longitudinal yang Valid dan Interpretabel

Magnet Resonance Imaging (MRI), khususnya tipe T1-weighted, mampu menangkap perubahan struktur otak yang terjadi pada Alzheimer. Namun, metode deep learning yang ada kerap berperilaku sebagai black-box, sehingga sulit untuk dijelaskan dan diandalkan secara klinis. Selain itu, studi-studi sebelumnya sering menggunakan pembagian data berdasarkan scan (cross-sectional) yang berisiko terjadi data leakage dan bias.

Oleh karena itu, peneliti UNAIR merancang sebuah model yang tidak hanya valid secara metodologi, tetapi juga interpretabel dan memperhatikan dinamika waktu (longitudinal) pada data MRI pasien.

Metode dan Dataset

1. Arsitektur Model: Model menggunakan 2.5D Convolutional Neural Network berbasis ResNet-18 dengan modifikasi pada layer awal agar menerima input 5 channel slice sagittal MRI. Pendekatan ini menjadi kompromi antara model 2D yang ringan dan 3D yang informatif.
2. Dataset: Menggunakan data ADNI terdiri dari 256 subjek dengan 433 kunjungan MRI. Subjek dikategorikan menjadi CN (Cognitively Normal), MCI (Mild Cognitive Impairment), dan AD (Alzheimer’s Disease).
3. Strategi Split Data: Pembagian data dilakukan secara subject-level split (70% training, 15% validation, 15% testing) tanpa overlap antar subjek untuk mencegah bias longitudinal, dibandingkan dengan scan-level split yang umum digunakan.
4. Evaluasi Model: Menggunakan metrik akurasi, presisi, recall, F1-score, Macro AUC, dan confusion matrix untuk mengukur kinerja klasifikasi.
5. Explainability (XAI): Grad-CAM dipakai untuk memvisualisasikan area otak penting bagi keputusan model dan menguji stabilitas temporal interpretasi.

Hasil Penelitian

• Performa Model: Model 2.5D CNN mencapai akurasi 47% dengan Macro AUC 0.52. Kinerja terbaik ada pada kelas MCI dengan recall tinggi, sedangkan kelas AD memiliki performa paling rendah. Kesalahan sering terjadi antar kelas yang berdekatan secara klinis (CN–MCI–AD).
• Penggabungan Longitudinal: Dengan majority voting dari beberapa kunjungan MRI, akurasi meningkat dari 47% menjadi 57%, menegaskan pentingnya informasi waktu dalam diagnosis.
• Perbandingan Split Data: Penggunaan subject-level split terbukti lebih valid dan tidak sekadar menurunkan performa, dibandingkan scan-level split yang cenderung bias.
• Baseline Comparison: Model 2.5D CNN menunjukkan keseimbangan klasifikasi lebih baik dibandingkan Logistic Regression (31% akurasi) dan 2D CNN yang kolaps ke kelas MCI.
• Explainability dengan Grad-CAM: Aktivasi model fokus pada lobus temporal dan frontal pada pasien AD, pola lebih tersebar pada MCI, serta aktivasi lemah pada CN, sesuai dengan pengetahuan medis.
• Stabilitas Temporal: Perubahan Grad-CAM antar waktu kecil (mean ≈ 0.097), menunjukkan interpretasi model stabil dan mengikuti progres penyakit.

Diskusi dan Implikasi Klinis

Meskipun performa model terbilang moderat, evaluasi yang ketat dan realistis meningkatkan kepercayaan terhadap hasil. Model ini khususnya efektif mendeteksi fase transisi MCI yang krusial untuk intervensi dini. Interpretasi berbasis Grad-CAM membantu dokter memahami keputusan AI, sehingga model ini lebih tepat digunakan sebagai decision-support tool bukan alat diagnosis mandiri.

Keterbatasan penelitian termasuk penggunaan hanya data MRI tanpa multimodalitas, tidak memakai model 3D penuh, ketidakseimbangan data terutama pada kelas AD, serta belum diuji pada dataset eksternal. Namun, framework ini memberikan baseline yang reproducible dan interpretabel untuk studi Alzheimer selanjutnya.

Analisis Redaksi

Menurut pandangan redaksi, pengembangan model deep learning 2.5D longitudinal yang dapat dijelaskan seperti ini adalah langkah maju penting dalam penelitian Alzheimer di Indonesia dan global. Model ini mengatasi masalah bias data dan keterbatasan interpretasi yang sering menjadi kendala adopsi AI dalam bidang medis. Meski akurasi belum sempurna, fokus pada validitas metodologi dan kemampuan interpretasi membuka peluang untuk integrasi dengan data multimodal dan pengujian lebih luas di masa depan.

Hal yang perlu diperhatikan adalah bagaimana model ini dapat dikembangkan agar mampu memberikan prediksi yang lebih akurat sekaligus tetap transparan, sehingga dokter dapat lebih percaya pada hasilnya. Selain itu, penelitian ini menegaskan pentingnya data longitudinal dalam diagnosis penyakit neurodegeneratif yang progresif, yang kerap terabaikan dalam riset sebelumnya.

Ke depannya, kolaborasi lintas disiplin antara ahli AI, neurologi, dan radiologi sangat dibutuhkan untuk mengoptimalkan pemanfaatan teknologi ini dalam praktik klinis sehari-hari. Pembaca disarankan untuk terus mengikuti perkembangan riset ini melalui publikasi resmi UNAIR dan jurnal terkait.

Untuk detail lengkap penelitian ini dapat diakses melalui situs resmi UNAIR dan publikasi jurnal di ScienceDirect.