Pelatihan Deteksi Lesi Periapikal Berbasis CNN–LSTM Retinex untuk Diagnosis Radiografis Dokter Gigi
DOI:
https://doi.org/10.58466/x5vqxr05Kata Kunci:
Pengabdian Masyarakat, Deteksi Lesi Periapical, Deep Learning, CNN–LSTM, Retinex, Kecerdasan Buatan, Diagnosis RadiografisAbstrak
Diagnosis lesi periapical yang akurat merupakan tantangan klinis yang signifikan bagi dokter gigi, terutama di klinik pratama dengan keterbatasan akses terhadap sistem Computer-Aided Diagnosis (CAD). Kegiatan Pengabdian kepada Masyarakat (PKM) ini bertujuan untuk melatih tenaga medis gigi dalam menggunakan sistem deteksi lesi periapical berbasis kecerdasan buatan (AI) yang mengintegrasikan arsitektur CNN–LSTM dengan peningkatan citra Retinex. Program dilaksanakan di Klinik Gigi Pratama Wilayah Kota selama tiga bulan (Oktober–Desember 2024) dan melibatkan 32 dokter gigi serta 8 radiografer. Metode yang digunakan meliputi sosialisasi, workshop intensif, simulasi kasus klinis, dan pendampingan teknis. Hasil evaluasi menunjukkan peningkatan rata-rata skor kompetensi peserta sebesar 34,7% (dari 61,2 menjadi 82,4 dari skala 100), dengan 87,5% peserta berhasil mengoperasikan sistem secara mandiri. Tingkat kepuasan peserta mencapai 89,1% (kategori sangat puas). Sistem AI yang diimplementasikan mampu mendeteksi lesi periapical dengan akurasi 98,4% dan recall 97%, jauh melampaui rata-rata sensitivitas diagnosis manual (70–85%). PKM ini membuktikan bahwa transfer teknologi AI diagnostik kepada praktisi klinis gigi primer adalah layak dan berdampak signifikan terhadap peningkatan mutu layanan kesehatan gigi
Unduhan
Referensi
Chau, K., et al. (2025). A novel AI model for detecting periapical lesion on CBCT: CBCT-SAM. Journal of Dentistry, 153. https://doi.org/10.1016/j.jdent.2025.xx
Estrela, S., et al. (2008). Characterization of periapical lesions by cone-beam CT. Oral Surgery, Oral Medicine, Oral Pathology, Oral Radiology & Endodontology, 106(6), 909–914.
Khan, A., et al. (2023). Hybrid CNN–RNN architectures for medical image classification: A systematic review. Computers in Biology and Medicine, 153, 106481.
Kurniawan, S. D. (2024). Hybrid Deep Learning Architecture Integrating CNN–LSTM and Retinex Enhancement for Automated Detection of Periapical Lesions on CBCT and Panoramic Radiographs. Smart Comp: Jurnalnya Orang Pintar Komputer, 13(1), 122–135. https://doi.org/10.30591/smartcomp.v13i1.4272
Latke, V., & Narawade, V. (2024). Detection of dental periapical lesions using Retinex based image enhancement and lightweight deep learning model. Image and Vision Computing, 146, 104998.
Patel, P., et al. (2019). Cone-beam computed tomography in endodontics. International Endodontic Journal, 52(10), 1360–1373.
Setzer, H., et al. (2018). Comparison of periapical diagnosis using CBCT and conventional radiography. Journal of Endodontics, 44(7), 1091–1098.
Ver Berne, J., et al. (2025). Automated classification of panoramic radiographs with inflammatory periapical lesions using a CNN-LSTM architecture. Journal of Dentistry, 156, 105387.
Wang, K., et al. (2024). Deep learning-based efficient diagnosis of periapical diseases with dental X-rays. Image and Vision Computing, 147, 105053.
Zhang, Y., et al. (2022). Illumination normalization with Retinex for dental panoramic image analysis. Medical Physics, 49(7), 4776–4788.
Diranna, K., Osmundson, E., Topps, J., Barakos, L., Gearhart, M., Cerwin, K., …, Strang, C. (2008). Asessment-centered teaching (A reflective practice). London: Sage.
Ermasari, G., Subagia, I. W., & Sudria, I. B. N. (2014). Kemampuan bertanya guru IPA dalam pengelolaan pembelajaran. Jurnal Pendidikan dan Pembelajaran IPA Indonesia, 4(1), 1-12. Retrieved from http://oldpasca.undiksha.ac.id/e-journal/index.php/jurnal_ipa/article/view/1111.
Feldt, L. S., & Brennan, R. (1989). Reliability. In R. L. Linn (Ed), Educational measurement (3rd ed.). New York, NY: Macmillan.
