Penggunaan teknologi kecerdasan buatan (AI) dalam sektor kesihatan semakin menunjukkan perkembangan yang memberangsangkan terutamanya dalam usaha mengesan penyakit kritikal seperti kanser paru-paru pada peringkat awal. Pendekatan berasaskan pembelajaran mesin (Machine Learning) kini dilihat sebagai satu kaedah yang mampu meningkatkan ketepatan diagnosis serta menyokong keputusan klinikal dengan lebih baik.

Perkembangan ini selari dengan pelaksanaan saringan kesihatan paru-paru kendalian Kementerian Kesihatan Malaysia (KKM) yang telah menunjukkan hasil positif dalam tempoh singkat. Program yang bermula pada Julai 2025 berjaya mengesan 22 kes kanser paru-paru dalam tempoh dua bulan, sekali gus membuktikan potensi besar penggunaan AI dalam bidang kesihatan awam.

Menurut Menteri Kesihatan, Datuk Seri Dr. Dzulkefly Ahmad, saringan tersebut dilaksanakan di tujuh klinik kesihatan di seluruh negara dengan fokus kepada individu berisiko tinggi seperti perokok dan pekerja industri. Sebanyak 3,482 pemeriksaan sinar-X telah dijalankan melibatkan responden berumur 18 tahun ke atas yang mengenal pasti 3,778 penemuan berisiko termasuk 229 kes ketumbuhan paru-paru. Daripada jumlah tersebut, 22 kes telah disahkan sebagai kanser paru-paru.

Beliau turut menjelaskan bahawa penggunaan AI dalam proses saringan membolehkan pengesanan dilakukan dengan lebih pantas dan tepat berbanding kaedah konvensional. Keupayaan ini memberi kelebihan besar dalam memastikan pesakit menerima rawatan lebih awal dan meningkatkan peluang pemulihan.

Kanser paru-paru merupakan antara penyumbang utama kepada kematian berkaitan kanser di seluruh dunia. Cabaran utama dalam menangani penyakit ini adalah kerana kebanyakan kes hanya dikesan pada peringkat lewat iaitu apabila simptom menjadi lebih jelas dan rawatan menjadi lebih kompleks. Oleh itu, penggunaan teknologi yang mampu membantu pengesanan awal amat diperlukan dalam sistem kesihatan moden.

Dalam konteks ini, pembelajaran mesin memainkan peranan penting sebagai komponen utama dalam teknologi AI. Ia membolehkan sistem komputer menganalisis data dalam jumlah yang besar serta mengenal pasti corak tertentu yang berkaitan dengan risiko penyakit. Melalui pendekatan ini, ramalan dapat dibuat dengan lebih sistematik dan konsisten berbanding analisis manual.

Kaedah tradisional seperti pemeriksaan imej perubatan masih menjadi asas dalam diagnosis kanser paru-paru. Walau bagaimanapun, tafsiran imej sering bergantung kepada pengalaman dan penilaian subjektif pakar perubatan. Dalam keadaan tertentu, tanda-tanda awal penyakit mungkin sukar dikenal pasti, terutamanya jika perubahan pada imej tidak begitu ketara. Oleh itu, penggunaan AI membantu mengurangkan kebergantungan kepada faktor subjektif ini dengan menyediakan analisis tambahan yang lebih objektif.

Pengaplikasian pembelajaran mesin dalam kesihatan melibatkan penggunaan data pesakit seperti umur, jantina, sejarah merokok, pendedahan kepada pencemaran serta latar belakang kesihatan. Data ini diproses untuk melatih model ramalan yang mampu mengenal pasti individu berisiko tinggi. Pelbagai algoritma digunakan dalam proses ini contohnya Regresi Logistik (Logistic Regression), Hutan Rawak (Random Forest) dan Mesin Vektor Sokongan (Support Vector Machine) yang mana setiap algoritma ini mempunyai keupayaan tersendiri dalam menganalisis data.

Prestasi model ramalan biasanya dinilai menggunakan beberapa metrik seperti ketepatan (accuracy), kejituan dapatan semula (precision recall) dan luas di bawah lengkung ciri operasi penerima (area under the receiver operating characteristic curve – AUC-ROC). Penilaian ini penting bagi memastikan model yang digunakan benar-benar mampu memberikan keputusan yang boleh dipercayai dalam persekitaran sebenar. Sebagai contoh, jika terdapat 100 pesakit yang benar-benar menghidap kanser paru-paru, model yang baik seharusnya dapat mengenal pasti sebahagian besar daripada mereka (dapatan semula yang tinggi). Pada masa yang sama, model juga perlu memastikan bahawa pesakit yang tidak menghidap kanser tidak disalah klasifikasikan sebagai positif (kejituan yang baik). Gabungan metrik ini membantu memastikan keputusan yang dihasilkan lebih tepat dan boleh digunakan dalam situasi klinikal sebenar.

Bagi meningkatkan lagi prestasi model, teknik pengoptimuman seperti Pengoptimuman Bayesian (Bayesian Optimization) boleh digunakan untuk menyesuaikan parameter secara automatik. Pendekatan ini membantu menghasilkan model yang lebih stabil, tepat dan juga dapat meningkatkan keyakinan terhadap penggunaannya dalam bidang perubatan. Dalam pembangunan model ramalan kanser paru-paru, parameter seperti bilangan pokok dalam model Random Forest atau nilai kadar pembelajaran (learning rate) dalam algoritma tertentu boleh dilaraskan secara automatik bagi mendapatkan prestasi yang optimum. Melalui proses ini, model mampu menghasilkan ramalan yang lebih tepat berbanding penggunaan tetapan parameter secara manual.

Selain aspek ketepatan, kebolehtafsiran model juga menjadi faktor penting. Dalam bidang kesihatan, setiap keputusan perlu dapat difahami oleh pakar sebelum digunakan dalam rawatan. Oleh itu, teknik seperti Penjelasan Tambahan Shapley (Shapley Additive Explanations – SHAP) digunakan bagi menunjukkan faktor-faktor yang mempengaruhi sesuatu ramalan, sekali gus membantu proses membuat keputusan yang lebih telus.

Penggunaan AI dalam saringan kesihatan juga membantu meningkatkan kecekapan sistem kesihatan secara keseluruhan. Dengan pengesanan awal, rawatan dapat dimulakan lebih cepat di samping dapat mengurangkan keperluan kepada rawatan kompleks pada peringkat lanjut. Ini bukan sahaja meningkatkan peluang pemulihan pesakit, malah membantu mengurangkan beban kos dalam sistem kesihatan.

Di peringkat global, isu kesihatan paru-paru turut mendapat perhatian apabila agenda berkaitan telah dibentangkan dalam Perhimpunan Kesihatan Sedunia di Geneva. Inisiatif ini turut mendapat sokongan daripada Pertubuhan Kesihatan Sedunia (WHO) dalam usaha meningkatkan kesedaran terhadap penjagaan kesihatan paru-paru di seluruh dunia.

Secara keseluruhannya, teknologi AI dalam bidang kesihatan menunjukkan potensi besar dalam meningkatkan kualiti diagnosis dan rawatan. Walaupun masih terdapat cabaran seperti pengurusan data dan kebolehtafsiran model, perkembangan teknologi yang pesat akan terus memperkukuh penggunaannya. Pendekatan berasaskan teknologi ini bukan sahaja membantu dalam pengesanan awal penyakit tetapi membuka peluang kepada pembangunan sistem penjagaan kesihatan yang lebih pintar dan responsif. Dengan sokongan berterusan daripada pelbagai pihak, AI dijangka memainkan peranan yang semakin penting dalam meningkatkan kesejahteraan masyarakat pada masa hadapan.

Oleh Dr. Wan Noor Hamiza Wan Ali, Pensyarah Kanan, Fakulti Kecerdasan Buatan, Universiti Teknologi Malaysia (UTM)