Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Latar belakang: Kasus kanker terus meningkat setiap tahunnya. Begitu pula dengan kanker kolon. Selain itu, belum terdapat penelitian mengenai pendeteksian kanker kolon menggunakan spektrofotometri autofluoresensi. Tujuan: Penelitian bertujuan untuk mengetahui perbedaan panjang gelombang dan intensitas cahaya reflektans pada sediaan preparat blok parafin jaringan kolon normal, radang, dan prekanker mencit menggunakan spektrofotometri autofluoresensi dengan menilai sensitivitas dan akurasinya. Metode: Penelitian ini mengukur panjang gelombang dan intensitas cahaya reflektans pada jaringan kolon normal, radang, dan prekanker mencit dengan spektrofotometri autofluoresensi bersumber cahaya ultraviolet (UV) pada panjang gelombang 420,2—762,9 nm. Kemudian dianalisis dengan menggunakan SPSS untuk menguji hipotesis dan normalitas data serta Orange Data Mining yang ditinjau dengan machine learning untuk mengetahui sensitivitas, spesifisitas, akurasi, precision, serta recall. Hasil: Tidak terdapat perbedaan signifikan panjang gelombang reflektans antara 3 kelompok jaringan kolon (normal, radang, dan prekanker) dengan akurasi 56,7% dan tidak ditemukan perbedaan signifikan panjang gelombang reflektans antara 2 kelompok jaringan (radang dengan prekanker) dengan sensitivitas 66,67% dan nilai diagnosis buruk. Namun, ditemukan 175 panjang gelombang reflektans dengan perbedaan signifikan dalam membedakan jaringan kolon normal dengan radang atau prekanker dengan sensitivitas 72,73%—100% dan nilai diagnosis baik hingga sangat baik. Kesimpulan: Spektrofotometri autofluoresensi bersumber cahaya ultraviolet (UV) dapat mengklasifikasikan 2 kelompok jaringan kolon, yakni jaringan kolon normal dengan jaringan kolon radang atau prekanker. Namun, tidak dapat mengklasifikasikan 3 kelompok jaringan kolon, yakni jaringan kolon normal, radang, dan prekanker serta 2 kelompok jaringan kolon radang dengan prekanker. ......Introduction: Cancer cases are increasing annually, including colon cancer. Furthermore, early detection of colon cancer using autofluorescence spectrophotometry also hasn't been done before. Objectives: This research aims to comprehend the difference between reflectance wavelength and light intensity in normal, inflammation, and precancerous mice's colon tissues in paraffin block samples using autofluorescence spectrophotometry by assessing its accuracy and sensitivity. Method: This research measured reflectance wavelength and light intensity of normal, inflammation, and precancerous mice's colon tissue using autofluorescence spectrophotometry with ultraviolet light, in the range of 420.2—762.9 nm. Afterward, it was analyzed by SPSS to test the hypothesis and data normality, also Orange Data Mining's machine learning to determine its sensitivity, specificity, accuracy, precision, and recall. Result: There was no significant difference in reflectance wavelength between 3 groups of colon tissues (normal, inflammation, and precancerous) with accuracy valued at 56.7%, also between 2 groups of colon tissues (inflammation and precancerous) with sensitivity valued at 66.67% and "poor" diagnostic value. Nonetheless, there were 175 significantly different reflectance wavelengths to differentiate normal with inflammation or precancerous colon tissue with sensitivity valued at 72.73%—100% and "good" to "excellent" diagnostic value. Conclusion: Autofluorescence spectrophotometry with ultraviolet (UV) light can classify 2 groups of colon tissue, i.e. normal with inflammation or precancerous colon tissue. Otherwise, it cannot classify 3 groups of colon tissue (normal, inflammation, precancerous) at a time and 2 groups of colon tissue (inflammation and precancerous).

Abstrak :
Latar belakang: Kanker payudara merupakan kanker paling umum yang terjadi pada wanita dan urutan kedua paling umum terjadi secara umum (2.089.000 kasus per tahun 2018), dengan salah satu mortalitas tertinggi (627.000 kematian per tahun 2018). Namun begitu, metode diagnosis histopatologi, standar baku emas penemuan kanker payudara, masih bersifat subjektif terhadap operator peneliti yang mengakibatkan rawannya terjadi diagnosis negatif palsu dan positif palsu. Beberapa studi kemudian meneliti aplikasi dari metode spektrofotometri autofluoresensi sebagai alat diagnosis tambahan dari beragam kanker dengan hasil yang memiliki sensitivitas tinggi dan periode akuisisi data yang singkat. Terlepas hasilnya yang menjanjikan, hingga saat ini belum ada studi aplikasi spektrofotometri autofluoresensi dalam klasifikasi derajat lesi kanker payudara. Penelitian ini dilakukan untuk mengetahui potensi spektrofotometer autofluoresensi sebagai metode klasifikasi jaringan payudara mencit normal, prekanker, dan kanker dalam sediaan blok parafin. Metode: Dalam penelitian ini diukur 640 panjang gelombang mulai dari 420.2–762.9nm terhadap 30 total sampel blok parafin jaringan payudara mencit normal, prekanker, dan kanker. Data autofluoresensi kemudian dianalisis melalui perangkat lunak SPSS untuk uji komparatif dan Orange Data Mining untuk analisis machine learning. Hasil: Terdapat 583 dari 640 panjang gelombang yang dapat menunjukan perbedaan intensitas cahaya antar derajat lesi, dengan 3 di antaranya dapat menunjukkan perbedaan yang bermakna. Logistic Regression merupakan machine learning dengan performa terbaik untuk mengklasifikasi derajat lesi jaringan kanker payudara berdasarkan skor AUC (91,2%), akurasi (83,3%), presisi (83,3%), recall (83,3%), F1 (82.9%), spesifisitas (77,8-100%), dan sensitivitas (87,5%-100%). Kesimpulan: Spektrofotometri autofluoresensi menunjukan performa yang cukup baik dalam aplikasinya mengklasifikasi jaringan payudara mencit normal, prekanker, dan kanker. ......Introduction: Being the most common cancer in women and the second most common in general (2,089,000 cases on 2018), Breast cancer also has one of the highest mortality rate (627,000 deaths on 2018). However, despite the histopathological diagnosis method being the gold standard for breast cancer detection, it is still very subjective to the operator, making it prone to false negative and false positive diagnoses. Several studies investigating the application of the autofluorescence spectrophotometric method as an additional diagnostic tool for various cancers shows high sensitivity results with short data acquisition period. Despite the promising results, until today, there has not been a study of the application of autofluorescence spectrophotometry in the classification of the breast cancer lesions. This study was conducted to determine the potential of the autofluorescence spectrophotometer as a method of classifying normal, precancerous, and cancerous mice breast tissue in paraffin block samples. Method: In this study, 640 wavelengths ranging from 420.2–762.9nm were measured against a total of 30 paraffin block samples of normal, precancerous, and cancer mice breast tissue. The autofluorescence data was then analyzed using SPSS software for comparative testing and Orange Data Mining for machine learning analysis. Result: There are 583 of 640 wavelengths that able to show differences in light intensity between the degrees of lesions, with 3 of them showing significant differences. Logistic Regression is a machine learning with the best performance to classify the degree of breast cancer tissue lesions based on the AUC score (91.2%), accuracy (83.3%), precision (83.3%), recall (83.3%), F1 (82.9%), specificity (77.8-100%), and sensitivity (87.5%- 100%). Conclusion: Autofluorescence spectrophotometry shows a fairly good performance in its application to classify normal, precancerous, and cancerous mice breast tissue.

Abstrak :
Latar belakang: Kanker lambung bertanggung jawab atas lebih dari 1.000.000 kasus kanker baru pada tahun 2020 dan diperkirakan 769.000 kematian atau sama dengan satu dari setiap 13 kematian secara global. Deteksi dini menjadi kunci penurunan angka kematian dan perbaikan prognosis, dengan baku emas berupa avaluasi histopatologi dari hasil biopsi endoskopi. Tetapi subjektivitas pemeriksan tersebut berpotensi menimbulkan kesalahan diagnosis terutama akibat kesalahan interpretasi ahli patologi. Untuk itu, diperlukan metode diagnostik kuantitatif yang dapat menilai secara objektif lesi prekanker atau inflamasi pada dinding lambung. Metode autofluoresensi sebelumnya sudah digunakan dalam upaya diagnostik kanker lambung. Namun, saat ini belum ada studi terkait penggunaan spektrofotometri autofluoresensi sebagai metode diagnostik kuantitatif dan objektif untuk kanker lambung. Tujuan: Studi ini dilakukan untuk mengetahui kemampuan spektrofotometri autofluoresensi dalam mengidentifikasi jaringan lambung normal, inflamasi dan prekanker berdasarkan intensitas fluoresensi jaringan.Metode: Studi ini menggunakan sediaan blok parafin jaringan lambung mencit (Mus musculus) normal, inflamasi dan prekanker. Intensitas fluoresensi jaringan diukur pada 640 panjang gelombang menggunakan spektrofotometer autofluoresensi sederhana dengan sumber cahaya ultraviolet. Analisis data dilakukan dengan SPSS untuk uji normalitas, homogenitas dan hipotesis. Dilanjutkan dengan pengelompokkan data secara kualitatif dengan Principal Component Analysis (PCA) dan secara kuantitatif dengan machine learning dengan 3-fold cross validation. Hasil analisis dengan PCA dinilai dengan scatter plot. Hasil pengolahan data secara kuantitatif dinilai dengan Area under the Curve (AUC),Classification Accuracy (CA), precision, recall, F1-score, sensitivitas dan spesifisitas. Hasil: Ditemukan dua panjang gelombang dengan intensitas fluoresensi bermakna untuk tiga kelompok jaringan dan 554 panjang gelombang yang bermakna untuk dua kelompok jaringan. Dalam pengelompokkan tiga variabel, ditemukan nilai AUC 0,900, CA 0,833, Skor F1 0,831, Precision 0,802, dan Recall 0,800. Dalam pengelompokkan dua variabel, ditemukan sensitivitas dan spesifisitas 100% untuk membedakan jaringan prekanker dengan normal. Sensitivitas 100% dan spesifisitas 80% untuk jaringan prekanker dengan inflamasi. Serta sensitivitas 80% dan spesifisitas 90% untuk jaringan inflamasi dengan normal. Kesimpulan: Spektrofotometeri autofluoresensi dapat membedakan jaringan lambung normal, inflamasi dan prekanker mencit Mus musculus dengan sensitivitas dan spesifisitas yang baik. ......Introduction: Gastric cancer was responsible for more than 1,000,000 new cancer cases in 2020 and an estimated 769,000 deaths or equal to one in every 13 deaths globally. Early detection is the key to reducing mortality and improving prognosis, with histopathological evaluation of endoscopic biopsy results as gold standard. However, the subjectivity of the examination has the potential to cause misdiagnosis, mainly due to the pathologist's misinterpretation. For this reason, quantitative diagnostic methods are needed that can objectively assess precancerous or inflammatory lesions in the gastric wall. The autofluorescence method has previously been used in the diagnostic effort of gastric cancer. However, there are currently no studies related to the use of autofluorescence spectrophotometry as a quantitative and objective diagnostic method for gastric cancer Objective: This study was conducted to determine the ability of autofluorescence spectrophotometry to identify normal, inflammatory and precancerous gastric tissue based on the intensity of tissue fluorescence.Method: This study used a paraffin block preparation of normal, inflammatory and precancerous mice (Mus musculus) gastric tissue. The intensity of tissue autofluorescence was measured at 640 wavelengths using simple autofluorescence spectrophotometer with ultraviolet light source. Data analysis was performed using SPSS to test for normality, homogeneity and hypotheses. Followed by grouping the data qualitatively with Principal Component Analysis (PCA) and quantitatively with machine learning with 3-fold cross validation. The results of the PCA analysis were assessed using a scatter plot. The results of quantitative data processing were assessed by Area under the Curve (AUC), Classification Accuracy (CA), precision, recall, F1-score, sensitivity and specificity. Result: Two wavelengths with significant fluorescence intensity were found for three tissue groups and 554 significant wavelengths for two tissue groups. In grouping the three variables, the AUC value was 0.900, CA 0.833, F1 score 0.831, Precision 0.802, and Recall 0.800. In grouping the two variables, 100% sensitivity and specificity were found to differentiate between precancerous and normal tissues. 100% sensitivity and 80% specificity for precancerous tissue with inflammation. As well as 80% sensitivity and 90% specificity for normal inflammatory tissue. Conclusion: Autofluorescence spectrophotometry can differentiate normal, inflammatory and precancerous gastric tissue in mice Mus musculus with good sensitivity and specificity.