Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
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.

Abstrak :
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.