Hasil Pencarian  ::  Simpan CSV :: Kembali

"Latar belakang: Kanker kolorektal menduduki peringkat tiga sebagai kanker terbanyak di dunia, dan peringkat kedua sebagai kanker dengan angka mortalitas tertinggi, yaitu 862,000 kematian pada tahun 2018. Dalam alur penatalaksanaan kanker kolorektal, pemeriksaan histopatologi memiliki peranan penting dalam menentukan progresivitas kanker yang secara tidak langsung menentukan jenis terapi pada pasien. Subjektivitas dalam pemeriksaan patologi berpotensi untuk menjadi suatu masalah karena dapat menyebabkan diagnosis yang tidak tepat. Hal ini diakibatkan sifat pemeriksaan patologis yang operator dependent yang perlu diminimalkan agar pemeriksaan lebih objektif. Spektroskopi telah digunakan sebagai metode untuk membantu mengkuantifikasikan diagnosis kanker mulai dari quantitative mass sepctrometry, atau quantitative spectroscopic imaging. Namun penggunaan spektroskopi berbasis cahaya tampak belum banyak ditemukan.Tujuan: Studi ini bertujuan untuk mengetahui intensitas cahaya reflektansi dari spektrofotometer reflektans sederhana untuk membedakan jaringan kolon normal, prekanker, dan kanker, serta akurasinya dalam membedakan jaringan. Metode: Studi ini mengukur reflektansi pada jaringan kanker kolon dari mencit (Mus musculus) pada 126 panjang gelombang mulai dari 435-712.6 nm. Data reflektansi dianalisis menggunakan Uji Saphiro Wilk, Uji Kruskal Wallis, dan Uji One Way ANOVA. Kemudian Principle Component Analysis (PCA) dilakukan pada data, lalu dilanjutkan dengan 5-fold cross validation menggunakan algoritma machine learning. Pengukuran parameter akurasi kemudian dilakukan pada model yang dibuat menggunakan machine learning yang mencakup CA (Classification Accuracy), precision, recall, sensitivitas, dan spesifisitas. Hasil: Dalam membedakan 3 kelompok jaringan (normal, prekanker, dan kanker), ditemukan 41 panjang gelombang dengan setidaknya 2 kelompok berbeda bermakna, dan spektrofotometer memiliki akurasi yang rendah (CA 0.429-0.464, precision 0.446-0.481, recall 0.429-0.464). Untuk membedakan jaringan normal dan jaringan abnormal (prekanker dan kanker), ditemukan 57 panjang gelombang dengan perbedaan bermakna, dan spektrofotometer memiliki akurasi dengan skor CA 0.821-0.857, precision 0.819-0.60, recall 0.821-0.857, sensitivitas 88.8-100%, dan spesifisitas 50-70%.Simpulan: Studi ini menyimpulkan bahwa terdapat perbedaan reflektansi antara 3 kelompok jaringan. Spektrofotometer reflektans sederhana dapat membedakan jaringan normal dan jaringan abnormal (prekanker dan kanker) dengan cukup baik, namun tidak dapat untuk membedakan 3 kelompok jaringan.

---

Bakcground: Colorectal cancer is the third most prevalent cancer worldwide and is the second place for cancers with the highest mortality (862,000 deaths in 2018. In the guidelines for colorectal cancer therapy, histopathological evaluations plays a major role in determining the progression of the cancer thus indirectly determining the therapy for each patient. Subjectivity in pathological evaluation might lead to problems which would resulted in misdiagnosis. This is due to the operator-dependent characteristic of pathological evalutaion that should be minimalized to increase its objectivity. Spectroscopy have been researched and used as a method to help to quantify cancer diagnosis such as quantitative mass spectroscopy and quantitative spectroscopic imaging. The usage of visible light spectroscopy is limited for now. Objectives: This study aims to evaluate the reflectance measured using simple reflectance spectrophotomoeter in order to differentiate normal colon, precancer lesion, and colon cancer tissue, and its accuracy in differentiating tissues.Methods: This study measures the reflectance of the Mus musculus rodents' colon tissue in 127 wavelength from 435-712.6 nm. The reflectance then analyzed using Saphiro Wilk test, One Way ANOVA, and Kruskal Wallis. PCA is conducted, then a 5-fold cross validation is done using machine learning algorithms. A accuracy testing including CA (Classification Accuracy), precision, recall, sensitivity, and specificity is done to the models made by machine learning algorithm.Results: In differentiating 3 tissue category (normal, precancer, and cancer) 41 wavelengths are identified with a p-value of <0.05. To differentiate 3 tissue category, simple spectrophotometer have low accuracy (CA 0.429-0.464, precision 0.446-0.481, recall 0.429-0.464. In differentiating abnormal tissue (precancer and cancer) from normal tissue, 57 wavelengths are identified with a p-value of <0.05. To differentiate these 2 categories, simple reflectance spectrophotometer have an accuracy with CA score equals 0.821-0.857, precision equals 0.819-0.60, recall equals 0.821-0.857, sensitivity equals 88.8-100%, and spesificity equals 50-70%.Conclusion: This study concludes that there is a significant difference in reflectance from 3 tissue samples. Simple reflectance spectrophotometer could differentiate normal and abnormal (precancer and cancer) tissue well but it is unable to differentiate normal, precancer, and cancer tissue to 3 different categories."

"Latar Belakang: Data GLOCOBAN tahun 2018 menunjukkan bahwa kanker lambung merupakan penyebab kematian akibat kanker nomor tiga di dunia. Hingga saat ini, belum terdapat deteksi dini untuk kanker lambung. Kanker lambung sering ditemukan dalam kondisi yang sudah berat, karena 25,8% kasus tidak terdiagnosis ketika dilakukan upper endoscopy. Sejumlah penelitian menunjukkan bahwa spektrofotometri dapat digunakan dalam mendeteksi jaringan kanker, antara lain spektroskopi Raman dan optik. Hingga saat ini belum ada penelitian yang mendeteksi jaringan kanker lambung berdasarkan spektrofotometri sederhana.Tujuan: Studi ini dilakukan untuk mengetahui ambang batas perbedaan panjang gelombang reflektansi pada jaringan kanker normal dengan jaringan pra-kanker dan jaringan kanker lambung serta menganalisis akurasi spektrofotometer dalam klasifikasi jaringan..Metode: Reflektansi jaringan mencit Mus musculus diukur menggunakan spektrofotometer konvensional pada panjang gelombang 431.5-705.2 mm. Hasil reflektansi kemudian digunakan dalam model machine learning untuk menentukan klasifikasi berdasarkan reflektansi.Hasil: Machine learning Tree menggunakan panjang gelombang 431,5, 494,2, dan 502.5 nm. Analisis Principal Component Analysis menunjukkan adanya penumpukkan antara jaringan prekanker dengan jaringan kanker. Metode Random Forest (CA: 0.857, precision: 0.872, recall: 0.857) lebih baik dalam mengklasifikasikan jaringan kanker lambung dibandingkan metode Tree (CA;0,607, precision:0,619, dan recall:0,607) dan logistic regression (CA:0,750, precision: 0,739, dan recall:0,750). Spektrofotometri reflektans sederhana memiliki sensitivitas sebesar 68.42%-89.47% dan spesifisitas sebesar 44-88.89% dalam mendeteksi jaringan pra-kanker dan jaringan kanker.Kesimpulan: Dengan rentang panjang gelombang 431,5, 494,2, dan 502.5 nm, spektrofotometri sederhana tidak dapat membedakan jaringan pra-kanker dan kanker karena terdapat penumpukan protein seperti miglobin, dan juga tingkat sensitivitas dan spesifisitas yang baik dalam membedakan jaringan normal dan tidak normal.

---

Background: GLOCOBAN in 2018 shows that gastric cancer is the third leading cause of death for cancer-related disease. Until now, there’s no early detection for gastric cancer. This causes gastric cancer to be diagnosed at a later stage, because 25,8% gastric cancer cases are undiagnosed even with upper endoscopy 3 years before diagnosis.A number of study has shows that spectrophotometry can be used for detecting gastric cancer, such as Raman spectroscopy and optical. Until now, there is no research that detect gastric cancer using conventional spectrophotometer.

Objectives This study aims to understand the difference between wavelength of the reflectance from the normal gastric tissue, precancerous gastric tissue, and gastric cancer tissue and analyze the accuracy of conventional spectrophotometer to classify the tissues.

Methods The reflectance of the tissue of Mus musculus is evaluated using conventional spectrophotometer at the wavelength of 431.5-705.2 mm. The resulting data will then be used in a machine learning model to help classify the tissue based on the reflectance

Result: Wavelengths used by Tree is 431,5, 494,2, dan 502.5 nm. Analysis using Principal Component Analysis shows a grouping formed by the gastric precancer tissue and gastric cancer tissue. Random Forest (CA: 0.857, precision: 0.872, recall: 0.857) is proven to be better for classifying the tissue based on the reflectance compared to Tree (CA;0,607, precision:0,619, and recall:0,607) and Logistic regression (CA:0,750, precision: 0,739, and recall:0,750). Conventional reflectance spectrophotometry yielded a 68.42%-89.47% sensitivity and 44-88,89% specificity in differentiating normal gastric tissue with abnormal gastric tissue.

Conclusion: Within the wavelength of 431,5, 494,2, dan 502.5 nm, conventional spectrophotometer cannot differentiate precancerous lesion with gastric cancer tissue due to the abundance of protein such as myoglobin, and having a good sensitivity and specificity in differentiating normal and abnormal tissue."

"Kanker kolorektal terus menyumbang jumlah kasus kanker dan kematian yang tinggi setiap tahunnya. Salah satu metode diagnosis progresi kanker ini adalah dengan interpretasi biopsi dari ahli patologi anatomi. Akan tetapi, seringkali terjadi misinterpretasi antar patolog karena lesinya yang kurang spesifik. Maka dari itu, perlunya ada alat bantu yang dapat menunjang pekerjaan ahli patologi anatomi dalam menginterpretasi progresi kanker kolorektal. Penelitian ini bertujuan untuk melihat kemampuan spektrofotometer untuk mengklasifikasikan jaringan kolorektal mencit. Data jaringan mencit yang sudah diklasifikasikan menurut ahli PA diuji menggunakan cahaya tampak dan akan dibaca oleh spektrofotometer reflektansi. Hasil dari spektrofotometer kemudian akan dibaca oleh Theremino Spectrophotometer. Semua data kemudian diuji normalitas menggunakan uji Saphiro Wilk, dilanjutkan dengan uji ANOVA atau Kruskal-Wallis, kemudian uji Post Hoc atau Mann-Whitney. Data juga dianalisis menggunakan supervised dan unsupervised machine learning. Dari uji hipotesis hanya didapatkan 2 panjang gelombang yang dapat membedakan jaringan normal dan prekanker secara signifikan (696,7 dan 699.8 nm). Sedangkan yang lainnya kurang dapat membedakan jaringan normal, radang, dan prekanker. Hasil dari machine learning menunjukkan sensitivitas, spesifisitas, AUC, akurasi, dan presisi yang rendah. Maka dari itu, dapat disimpulkan dari penelitian ini bahwa metode spektrofotometri reflektans cahaya tampak kurang cocok digunakan untuk membedakan jaringan kolon normal, radang, dan prekanker pada sediaan preparat mencit.

---

Colorectal cancer continues to account for a high number of cancer cases and deaths every year. The gold standard of diagnosing this cancer progression is by interpretation of a biopsy from an anatomical pathologist. However, there is often misinterpretation among pathologists due to their unspesific lesions. Therefore, it is required to have a tool that can support the work of anatomical pathologists in interpreting the progression of colorectal cancer. This study aims to see the ability of the spectrophotometer to classify the colorectal tissue of mice. Mice tissue data that has been classified according to PA experts was tested using visible light and would be read by a reflectance spectrophotometer. The results of the spectrophotometer will then be read by the Theremino Spectrophotometer. All data were then tested for normality using the Saphiro Wilk test, followed by the ANOVA or Kruskal-Wallis test, then the Post Hoc or Mann-Whitney test. Data were also analyzed using supervised and unsupervised machine learning. From the hypothesis test, only 2 wavelengths were found that could significantly differentiate normal and precancerous tissue (696.7 and 699.8 nm). While others are less able to distinguish normal, inflammatory, and precancerous tissue. The results from machine learning show low sensitivity, specificity, AUC, accuracy, and precision to distinguish between the three categories. Therefore, it can be concluded from this research that the visible light reflectance spectrophotometric method is not suitable for distinguishing normal, inflammatory, and precancerous colonic tissue in mice preparations."

"Latar belakang: Berdasarkan data National Institute of Health Amerika Serikat tahun 2015, kanker usus halus merupakan salah satu kanker langka dengan dengan insidensi yang diperikirakan meningkat lebih dari 100% selama 4 dekade terakhir di berbagai negara. Teknik diagnosis penyakit ini membutuhkan berbagai pendekatan karena sering terlambat didiagnosis. Standar emas diagnosis kanker usus halus saat ini adalah penilaian histopatologi oleh ahli. Kekurangan metode ini adalah sulit dideskripsikan secara objektif dan belum terdigitalisasi. Sejumlah penelitian menunjukkan bahwa metode spektrofotometri reflektans cahaya tampak dapat digunakan dalam diagnosis sejumlah jenis kanker, seperti kanker kulit dan lesi oral. Metode tersebut lebih terkuantifikasi, dapat didigitalisasi, sangat terjangkau dan mudah digunakan. Namun, penggunaan spektrofotometri cahaya tampak belum digunakan untuk lesi kanker usus halus. Tujuan: Studi ini merupakan studi pendahuluan untuk mengetahui kemampuan spektrofotometer reflektans cahaya tampak sederhana dalam mengklasifikasi derajat lesi kanker usus halus pada mencit berdasarkan pengukuran intensitas cahaya.Metode: Penelitian ini merupakan penelitian analitik potong lintang menggunakan sampel bahan biologis tersimpan blok parafin usus halus mencit Mus musculus. Sampel dikelompokkan berdasarkan derajat lesi menjadi normal, prekanker, dan kanker berdasarkan penilaian ahli patologi anatomi. Seluruh sampel diukur intensitas cahaya reflektansinya pada 132 panjang gelombang cahaya tampak. Hasil pengukuran dianalisis menggunakan perangkat lunak SPSS 24.0 untuk uji komparatif dan Orange Data Mining untuk pengelompokan derajat lesi berdasarkan data yang diperoleh dengan machine learning. Hasil dan Pembahasan: Hasil uji komparatif menunjukkan sebanyak 105 dari 132 panjang gelombang cahaya tampak memiliki perbedaan intensitas reflektans bermakna (p<0,05) antar kelompok sampel. Pengelompokan derajat lesi berdasarkan data intensitas cahaya oleh machine learning dilakukan terbaik dengan model k-nearest neighbors yang memiliki akurasi sebesar 83,3%, AUC sebesar 90,8%, nilai F1 sebesar 0,836, presisi sebesar 0,856, dan recall 0,833. Analisis Tree menunjukkan panjang gelombang 450,3 nm terbaik dalam membedakan sampel. Simpulan: Metode spektrofotometer reflektans cahaya tampak sederhana mampu membedakan jaringan normal, prekanker, dan kanker usus halus pada mencit berdasarkan perbedaan intensitas cahaya.

---

Background: According to the United States National Institue of Health in 2015, small intestine cancer is one of the rare cancer with estimated to increase the incidence by more than 100% in the last 4 decades in many countries. The diagnosis of this disease needs various approaches because it is usually late to diagnose. The current gold standard for diagnosing small intestine cancer is histopathology evaluation by the expert. The disadvantages of this method are hard to describe objectively and have not been digitalized. Some studies showed that visible light reflectance spectrophotometry method can be used in cancer diagnoses, such as skin cancer and the oral lesion. This method is quantified, able to be digitalized, affordable, and easy to use. However, the use of visible light spectrophotometry has not been used for small intestine cancer lesions.

Objective: This is a pilot study that aims to evaluate the potency of simple visible light reflectance spectrophotometry to classify mice’s small intestine cancer lesion degree based on intensity measurement.

Method: This analytical cross-sectional study was done using paraffin block preserve Mus musculus mice small intestine tissue. The samples were grouped according to the lesion degree that had been evaluated by a pathology expert. The reflectance intensity of all samples were measured in 132 different visible light wavelengths. The results were analyzed by using SPSS 24.0 for comparative test and Orange Data Mining’s machine learning for lesion degree classification based on obtained data.

Results and Discussion: Comparative test results show that 105 of 132 visible light wavelengths have a significant difference (p<0,05) between groups. The best machine learning to classify lesion degree based on light intensity was performed by k-nearest neighbor, with accuracy 83,3%, AUC 90,8%, F1 score 0,836, precision 0,856, and recall 0,833. Tree analysis showed that 450,3 nm is the best wavelength to differentiate the sample.

Conclusion: Simple visible light reflectance spectrophotometer is able to differentiate normal, precancer, and cancer on mice small intestine tissue based on the light intensity difference."

"Kanker kolorektal merupakan salah satu kanker yang paling umum terjadi di Indonesia. Mutasi gen KRAS banyak terjadi pada kanker kolorektal dan diduga berkaitan dengan berkembangnya kanker tersebut. Tujuan dari penelitian ini adalah untuk mengetahui jenis mutasi gen KRAS pada ekson 2 kodon 12 dan 13 pada spesimen jaringan kanker kolorektal menggunakan metode Sanger sequencing. Sampel jaringan segar dari 50 pasien di Rumah Sakit Kanker Dharmais yang sudah terkonfirmasi kanker kolorektal oleh dokter patologi anatomi dikumpulkan di Laboratorium Biobank Rumah Sakit Kanker Dharmais. Sampel dikoleksi dari tahun 2018-2020. Hasil penelitian menunjukkan terdapat 13 sampel terdeteksi positif mutasi titik pada ekson 2 kodon 12 (9) dan kodon 13 (4). Mutasi pada kodon 12 ditemukan 2 jenis yaitu GGT>GAT dan GGT>GCT. Mutasi pada kodon 13 ditemukan 2 jenis yaitu GGC>GAC dan GGC>GCC. Berdasarkan hasil yang didapatkan, dapat disimpulkan bahwa terdapat 4 jenis mutasi yang ditemukan pada penelitian ini

---

Colorectal cancer is one of the most occurred cancers in Indonesia. KRAS gene mutation often occurred in colorectal cancer and has been presumed to be related to development of this cancer. The aim of this study is to discover the mutation types of the KRAS gene exon 2 codon 12 and 13 in colorectal cancer tissue specimens in Dharmais Cancer Hospital. The fresh tissue from fifty patients in Dharmais Cancer Hospital confirmed colorectal cancer by pathology anatomy doctor were collected in Biobank Laboratory Dharmais Cancer Hospital. KRAS gene mutations were analyzed from fresh tissue using the Sanger Sequencing method. The result shows that 13 samples detected positive on KRAS gene mutation on exon 2 codon 12 (9) and codon 13 (4). Two types of KRAS gene mutation detected in codon 12 are GGT>GAT and GGT>GCT. Two types of KRAS gene mutation also detected in codon 13 are GGC>GAC and GGC>GCC. The conclusion of this study is four types of mutation has been discovered in this study."

"Latar belakang: Menurut Global Cancer Statistics 2020 (GLOBOCAN), kanker kolorektal masih menduduki posisi ke-3 pada penyebab kanker tersering di dunia, dan posisi ke-2 pada penyebab kematian tersering akibat kanker (9.4%). Evaluasi histopatologi dari hasil biopsi jaringan kolorektal yang merupakan baku emas dalam diagnosis saat ini pun masih memiliki berbagai keterbatasan. Penentuan derajat keparahan dari kanker kolorektal, dilakukan secara subjektif oleh ahli patologi anatomik melalui observasi mikroskop, sehingga data yang dimiliki bersifat kualitatif. Studi menggunakan prinsip spektrofotometri sudah pernah dilakukan dalam upaya diagnostik kanker sebelumnya. Namun, hingga saat ini masih belum ada studi yang menggunakan spektrofotometer reflektansi VIS-NIR sebagai metode diagnostik kuantitatif dan objektif untuk kanker kolorektal.Tujuan: Penelitian ini adalah studi pendahuluan untuk mengetahui potensi dan kemampuan dari spektrofotometer reflektansi VIS-NIR dalam membedakan jaringan normal, prekanker, dan radang pada blok parafin jaringan kolon mencit.Metode: Penelitian ini memiliki desain eksperimental yang menggunakan sampel blok parafin jaringan kolorektal mencit Mus musculus. Sampel diklasifikasikan oleh ahli patologi anatomi menjadi tiga kategori berdasarkan derajat lesinya, yaitu normal, radang, dan prekanker. Sebanyak 30 sampel tersebut diukur intensitas cahaya reflektansinya pada 454 panjang gelombang berbeda yang termasuk dalam spektrum VIS-NIR. Hasil pengukuran dianalisis dengan perangakat lunak SPSS 26.0 untuk uji komparatif dan perangkat lunak Orange Data Mining untuk pengujian machine learning dalam pegelompokan sampel berdasarkan derajat lesinya.Hasil dan Pembahasan: Hasil uji komparatif membuktikan bahwa 429 dari 454 panjang gelombang cahaya VIS-NIR memiliki perbedaan intensitas cahaya reflektansi yang bermakna antarkelompok derajat lesi (p<0.05). Machine learning yang terbaik dalam pengelompokan sampel menurut derajat lesi berdasarkan data intensitas cahaya reflektansi adalah model SVM dengan nilai Area under the Curve (AUC) 98.3%, Classification Accuracy (CA) 86.7%, Skor F1 0.862, Precision 86.9%, Recall 86.7%, sensitivitas 70-100%, dan spesifisitas 90-95%.Kesimpulan: Spektrofotometri Reflektansi VIS-NIR dapat membedakan jaringan normal, radang dan prekanker kolorektal pada mencit Mus musculus dengan sensitivitas dan spesifisitas yang baik

---

Background: According to the Global Cancer Statistics 2020 (GLOBOCAN), colorectal cancer is still the 3rd most common cause of cancer in the world and the 2nd most common cause of cancer death (9.4%). Histopathological evaluation of colorectal tissue biopsy results, which is currently still the gold standard in colorectal cancer diagnosis, has its limitations. Determining the severity of colorectal cancer is done subjectively by anatomical pathologists through microscopic observation. Results from this evaluation are qualitative data which can contribute to the high level of false positive and negatives of the diagnosis. Studies using spectrophotometric principles have been carried out in previous diagnostic efforts. However, to date, there are still no studies using the VIS-NIR reflectance spectrophotometer as a quantitative and objective diagnostic tool for colorectal cancer.

Objective: This is a pilot study to determine the potential and ability of the VIS-NIR reflectance spectrophotometer in differentiating normal, precancerous, and inflammatory parrafin-block of mouse colorectal tissues.

Method: This experimental study uses paraffin-block samples of colorectal tissue from Mus musculus mice. Samples were classified by anatomical pathologists into three categories based on the degree of lesion, namely normal, inflammatory, and precancerous. A total of 30 samples were measured by their light intensity reflectance at 454 different wavelengths included in the VIS-NIR spectrum. Results are evaluated using SPSS 26.0 for comparative testing and Orange Data Mining for machine learning to evaluate their competence in differentiating samples based on the degree of lesion.

Results and Discussion: Comparative test results proved that 429 of the 454 wavelengths in the VIS-NIR light spectrum had a significant difference in light intensity reflectance between the three degree groups of lesion (p<0.05). The best machine learning in differentiating samples according to the degree of lesions based on light reflectance intensity is the SVM model with the value of Area Under the Curve (AUC) 98.3%, Classification Accuracy (CA) 86.7%, F1 score 0.862, Precision 86.9%, Recall 86.7%, sensitivity 70-100%, and specificity 90-95%.

Conclusion: VIS-NIR Reflectance spectrophotometry can distinguish normal, inflammatory, and precancerous colorectal tissue in Mus musculus mice with good sensitivity and specificity."

"Kanker kolorektal adalah jenis kanker pada kolon dan rektum usus besar yang disebabkan oleh pertumbuhan abnormal. Kasus kanker kolorektal di Indonesia merupakan kasus kanker tertinggi urutan ketiga dan mengalami peningkatan setiap tahunnya. Oleh karena itu, deteksi kanker kolorektal diperlukan untuk diagnosis dan prognosis kanker kolorektal. Salah satu metode deteksi yang digunakan adalah deteksi ekspresi RNA untuk mengetahui gen yang diekspresikan secara berlebih atau sebaliknya pada jalur perkembangan kanker kolorektal yang terpengaruh. Ekspresi heparanase (HPSE) diketahui menginduksi perkembangan kanker kolorektal. Penelitian ini bertujuan untuk mengetahui tingkat ekspresi HPSE pada jaringan normal dan kanker kolorektal. Penelitian ini menggunakan sepuluh sampel untuk masing-masing jaringan normal dan kanker kolorektal dari pasien kanker kolorektal. Nilai ekspresi HPSE diukur dengan reverse transcription-quantitative polymerase chain reaction (RT-qPCR). Selanjutnya, analisis statistik dilakukan menggunakan aplikasi SPSS. Hasil RT-qPCR menunjukkan bahwa ekspresi HPSE RNA pada jaringan kanker 6,912 kali lebih tinggi dibandingkan pada jaringan normal. Berdasarkan nilai perbandingan ekspresi gen relatif yang diatur dengan nilai 1. Ekspresi HPSE untuk setiap individu pasien dikelompokkan menjadi ekspresi meningkat (>1) dan menurun (<1). Berdasarkan hasil qPCR, ekspresi HPSE tidak terdeteksi pada tiga sampel pasien yang ditunjukkan dengan tidak terjadinya amplifikasi. Hasil ini diduga disebabkan oleh template RNA yang digunakan mengalami degradasi. Analisis statistik menunjukkan ekspresi HPSE pada jaringan kanker kolorektal tidak memiliki perbedaan secara signifikan dengan jaringan normal berdasarkan nilai p > 0,05.

---

Colorectal cancer is a type of cancer of the colon and rectum of the large intestine caused by abnormal growth. Colorectal cancer cases in Indonesia are the third highest cancer cases and are increasing every year. Therefore, detection of colorectal cancer is needed for the diagnosis and prognosis of colorectal cancer. One of the detection methods used is RNA expression detection to determine which genes are overexpressed or otherwise in the affected colorectal cancer development pathway. The expression of heparanase (HPSE) is known to induce the development of colorectal cancer. This study aims to determine the level of HPSE expression in normal tissue and colorectal cancer. This study used ten samples for each of normal and colorectal cancer tissue from colorectal cancer patients. Relative expression value HPSE measured by reverse transcription-quantitative polymerase chain reaction (RT-qPCR). Furthermore, statistical analysis was performed using the SPSS application. RT-qPCR results showed that HPSE expression in cancer tissue was 6,912 higher than in normal tissue. Based on the comparative value of relative gene expression, which was set to a value of 1. The HPSE expression for each individual patient was grouped into increased (>1) and decreased (<1) expressions. Based on the results of RT-qPCR, HPSE expression was not detected in three patient samples as indicated by the absence of amplification. This result was thought to be caused by the degradation of the template RNA. HPSE in colorectal cancer tissue did not differ significantly from normal tissue based on p > 0.05."

"Penelitian ini menyelidiki penerapan spektroskopi Raman pada sampel jaringan kanker kolorektal menggunakan pendekatan machine learning pada komputer klasik dan kuantum. Kanker kolorektal, salah satu penyebab utama kematian akibat kanker, memerlukan metode diagnostik yang akurat dan efisien. Studi ini menggunakan data spektroskopi Raman dari penelitian sebelumnya dan mengimplementasikan algoritma machine learning seperti XGBoost, LightGBM, Fully Connected Neural Network (FCNN), Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), dan Gated Recurrent Network (GRU) pada komputer klasik. Selain itu, penelitian ini juga memperkenalkan pendekatan baru dengan mengaplikasikan Hybrid Quantum Neural Network (QNN). Hasil penelitian menunjukkan bahwa model XGBoost pada komputer klasik mencapai F1-Score tertinggi sebesar 64,311%, sedangkan model Hybrid Classical-Quantum Classifier menunjukkan F1-Score terendah, sebesar 55.263%. Meskipun model Hybrid Classical-Quantum Classifier memperoleh skor terendah, penelitian ini menunjukkan potensi penerapan komputasi kuantum dalam meningkatkan akurasi diagnosis kanker kolorektal di masa depan. Namun, keterbatasan perangkat keras komputer kuantum saat ini menjadi kendala signifikan yang perlu diatasi melalui penelitian lebih lanjut.

---

This study investigates the application of Raman spectroscopy to colorectal cancer tissue samples using classical and quantum computer machine learning approaches. Colorectal cancer, one of the leading causes of cancer deaths, requires accurate and efficient diagnostic methods. This study utilizes Raman spectroscopy data from previous research and implements machine learning algorithms such as XGBoost, LightGBM, Fully Connected Neural Network (FCNN), Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), and Gated Recurrent Network (GRU) on classical computers. In addition, this research also introduces a new approach by applying a hybrid quantum neural network (QNN). The results showed that the XGBoost model on classical computers achieved the highest F1-Score of 64.311%, while the Hybrid Classical-Quantum Classifier model showed the lowest F1-Score, at 55.263%. Despite the lowest score, this study shows the potential of applying quantum computing in improving the accuracy of colorectal cancer diagnosis in the future. However, the current hardware limitations of quantum computers are a significant obstacle that needs to be overcome through further research."

"Latar belakang: Kanker kolorektal merupakan kanker dengan insidensi tertinggi ketiga di dunia dengan angka mortalitas 880.792 jiwa (Globocan 2018). Saat ini tata laksana kanker kolorektal terbatas pada kemoterapi dan operasi dengan hasil klinis yang buruk. Adapun terapi target yang baru-baru ini dikembangkan ternyata memiliki efek samping yang cukup parah dan indikasinya terbatas. Di sisi lain, protein iNOS ditemukan meningkat pada jaringan yang mengalami inflamasi, termasuk pada kanker kolorektal. Peningkatan ekspresi iNOS dikorelasikan dengan prognosis kanker yang buruk sehingga berpotensi dijadikan sebagai target terapi dalam penanganan kanker kolorektal. Moringa oleifera merupakan tanaman obat yang diketahui khasiatnya sebagai agen antioksidan, antiinflamasi, dan antikanker. Penelitian ini ditujukan untuk menilai pengaruh ekstrak etanol daun Moringa oleifera terhadap ekspresi iNOS sel HT-29.Metode: Ekstrak etanol daun Moringa oleifera diuji secara in vitro pengaruhnya terhadap ekspresi iNOS sel HT-29. Pengujian dilakukan secara imunositokimia dengan tiga serial konsentrasi ekstrak, yaitu 50, 100, dan 200 ppm, tanpa disertai kontrol. Ekspresi iNOS diukur dengan H-score melalui bantuan aplikasi ImageJ.Hasil: Ekstrak etanol daun Moringa oleifera menurunkan ekspresi iNOS sel HT-29 pada konsentrasi 200 ppm dengan rerata H-score sebesar 118,67 ± 1,68.Kesimpulan: Pemberian ekstrak etanol daun Moringa oleifera pada konsentrasi 200 ppm secara signifikan (p < 0,05) dapat menurunkan ekspresi iNOS sel kanker kolorektal HT-29.

---

Introduction: Colorectal cancer is cancer with the third-highest incidence globally with 880.792 mortality (Globocan 2018). Currently, the management of colorectal cancer is limited to chemotherapy and surgery with poor clinical outcomes. The recently developed targeted therapy has quite severe side effects and has limited indication. On the other hand, the iNOS protein was found to be increased in number in inflamed tissues, including colorectal cancer. Increased iNOS expression is correlated with a poor cancer prognosis so that it has the potential to be used as a therapeutic target in the treatment of colorectal cancer. Moringa oleifera is a medicinal plant known for its properties as an antioxidant, anti-inflammatory, and anticancer agent. This study aimed to assess the effect of Moringa oleifera leaf extract on iNOS expression in HT-29 cells.

Method: Ethanol extract from Moringa oleifera leaf tested in vitro for its effect on iNOS expression in HT-29 cells. The test was carried out through an immunocytochemical procedure with three serial concentrations of the extract, 50, 100, and 200 ppm. iNOS expression was measured by H-score using ImageJ application.

Result: Moringa oleifera leaf extract decreased the iNOS expression of HT-29 cells when given the extract with a concentration of 200 ppm with an average H-score of 118.67 ± 1.68.

Conclusion: The administration of Moringa oleifera leaf extract at a concentration of 200 ppm significantly (p < 0.05) can decrease iNOS expression in HT-29 colorectal cancer cells."

"Kanker kolorektal adalah kanker yang berlokasi dibagian kolon atau rektum dengan indikasi awal adalah keberadaan polip non-kanker. Kanker kolorektal menempati urutan ketiga sebagai kanker ganas dan urutan kedua dengan tingkat mortalitas tertinggi di tingkat dunia. Peningkatan morbiditas kanker kolorektal tercatat pada orang dewasa berusia 30-40 tahun. Prevalensi dan urgensi deteksi dini kanker kolorektal diperlukan untuk mendapatkan hasil diagnosis kanker sebagai solusi pengobatan kanker. Gen MDR1 sebagai gen penghabisan obat membentuk resistensi terhadap pengobatan yang menyebabkan kegagalan dalam kemoterapi. Penelitian ini bertujuan untuk mengetahui ekspresi gen MDR1 pada kanker kolorektal. Penelitian ini menggunakan metode qPCR yang bersifat spesifik dan sensitif pada satu target. Berdasarkan hasil qPCR diperoleh di antara 10 penderita kanker kolorektal terdapat 6 penderita yang positif terdeteksi gen MDR1 dan 4 penderita tidak mengekspresikan gen MDR1. Khususnya, ekspresi mRNA tertinggi diamati pada penderita yang telah mengalami metastasis terutama menuju hepar. Secara statistik, pengujian menggunakan Shapiro-Wilk (0,049 < 0,05) menyatakan data tidak terdistribusi normal antara kelompok jaringan normal dan kanker kolorektal. Sedangkan, pada uji Mann Whitney U (0,065 > 0,05) tidak terdapat perbedaan signifikan antara jaringan normal dan jaringan kanker kolorektal. Rekomendasi selanjutnya adalah dengan menggunakan sampel lebih banyak untuk melihat pola ekspresi gen.

---

Colorectal cancer is cancer located in the colon or rectum with the initial indication is the presence of non-cancerous polyps. Colorectal cancer ranks third as a malignant cancer and ranks second with the highest mortality rate in the world. The increase in colorectal cancer recorded in adults aged 30-40 years. The prevalence and urgency of early detection of colorectal cancer is obtained to get the results of a cancer diagnosis as a cancer treatment solution. The MDR1 gene as a drug efflux forms resistance to treatment causes failure in chemotherapy. This study aims to determine the expression of the MDR1 gene in colorectal cancer. This study uses the qPCR method which is specific and sensitive to one target. Based on the qPCR results, it was found that among 10 patients with colorectal cancer, there were 6 patients who were positive for the MDR1 gene and 4 patients were negative the MDR1 gene. In particular, the highest mRNA expression was observed in patients who had metastasized mainly to the liver. Statistically, the Shapiro-Wilk test (0.049 < 0.05) stated that the data were not normally distributed between the normal tissue groups and colorectal cancer. Meanwhile, the Mann Whitney U test (0.065 > 0.05) means that there is no significant difference between normal tissue and colorectal cancer tissue. The next recommendation is to use more samples to see the pattern of gene expression."