Model MRI Alzheimer Buatan UI Menunjuk Hipokampus dan Amigdala

Cekricek.id — Banyak mesin pembaca MRI Alzheimer bertumpu pada model kotak hitam yang hanya sedikit menjelaskan anatomi otak di balik keputusannya. Tiga peneliti Universitas Indonesia mencoba membongkarnya.

Mereka adalah Muhammed B Ceesay, Adhi Harmako Saputro, dan Syahril Siregar dari Departemen Fisika, FMIPA Universitas Indonesia, Depok. Syahril Siregar bertindak sebagai penulis korespondensi.

Hasil kerja mereka dilaporkan dalam artikel Hierarchical Tissue-Based MRI Features with Explainable Machine Learning for Alzheimer’s Disease Classification. Naskahnya dimuat Jurnal Ilmu Fisika.

Artikel itu terbit di Jurnal Ilmu Fisika volume 18 nomor 1, Maret 2026, halaman 93–104. Versi daringnya tayang pada 1 Maret 2026.

Tujuan mereka dirumuskan terang, yakni melokalisasi wilayah otak bermakna anatomis yang membedakan penderita Alzheimer dari subjek berkognisi normal. Akurasi bukan satu-satunya sasaran.

Bahan model MRI Alzheimer ini adalah pindaian T1 dari 454 peserta, terdiri atas 227 penderita dan 227 subjek berkognisi normal. Semuanya diambil dari basis data ADNI dan MIRIAD.

Daftar Isi

1. Mengapa Model Ini Tidak Mengejar Akurasi Tertinggi
2. Cara Citra MRI Alzheimer Dirapikan Sebelum Diukur
3. Memilah Materi Abu-abu, Materi Putih, dan Cairan Otak
4. Memecah Otak dari Lobus hingga 246 Subregion
5. Melatih Dua Model dengan Validasi Silang Lima Lipat
6. Membaca Keputusan XGBoost Lewat Nilai SHAP
7. Di Mana Penjelasan Model Ini Berhenti

Mengapa Model Ini Tidak Mengejar Akurasi Tertinggi

Menurut penulis, kebanyakan studi pembelajaran mesin berbasis MRI mengandalkan volume materi abu-abu seluruh otak atau fitur wilayah pada satu skala. Sasarannya memaksimalkan akurasi klasifikasi.

Pendekatan semacam itu, tulis mereka, memperlakukan wilayah anatomi secara terpisah tanpa memodelkan susunan hierarkis struktur otak. Kemampuannya menggambarkan atrofi progresif multiskala pun terbatas.

Bahkan metode berbasis atlas dengan parselasi halus, menurut naskah itu, umumnya memakai fitur pada satu resolusi anatomi saja. Lobus, girus, dan subregion tidak dipadukan.

Karena itu, tim ini menyusun kerangka yang mereka sebut hierarchical tissue-based atau HTB. Kerangka itu memodelkan perubahan volume jaringan pada tiga tingkat sekaligus.

Tingkat pertama adalah lobus, tingkat kedua girus, dan tingkat ketiga 246 subregion halus menurut atlas Brainnetome. Jaringan yang diukur ada tiga jenis.

Ketiganya adalah materi abu-abu, materi putih, dan cairan serebrospinal, yang dalam naskah disingkat GM, WM, dan CSF. Perubahan volume ketiganya menjadi bahan ukur utama.

Persoalannya, kerangka itu baru menyediakan bahan ukur untuk mesin. Untuk membaca pilihan mesin, penulis memadukan XGBoost dan Random Forest dengan analisis SHapley Additive exPlanations atau SHAP.

Paduan itu, menurut penulis, memungkinkan pemeringkatan kuantitatif dan lokalisasi transparan atas wilayah otak yang mendorong prediksi model. Itulah janji utamanya.

Cara Citra MRI Alzheimer Dirapikan Sebelum Diukur

Data berasal dari dua basis data publik, Alzheimer’s Disease Neuroimaging Initiative (ADNI) dan Minimal Interval Resonance Imaging in Alzheimer’s Disease (MIRIAD). Keduanya dipakai untuk memperkaya variasi protokol pencitraan.

Dari ADNI diambil 204 subjek berkognisi normal dan 181 penderita Alzheimer. Dari MIRIAD diambil 23 subjek berkognisi normal dan 46 penderita.

MIRIAD, menurut naskah, berisi 798 pindaian longitudinal pada selang 0 hingga 52 minggu dengan peralatan pencitraan yang sama. ADNI dimulai pada 2003 sebagai kolaborasi publik-swasta.

Semua pindaian MRI Alzheimer dan pembandingnya berupa citra T1 bersekuens MPRAGE termodifikasi pada kekuatan 1,5 tesla. Sebelum diukur, citra itu harus diseragamkan.

Penyeragaman dijalankan dengan perangkat ANTsPy untuk menjaga mutu dan konsistensi data sebelum ekstraksi fitur dan pelatihan model. Urutannya baku bagi semua pindaian.

Langkah pertama menyejajarkan tiap pindaian dengan bidang komisura anterior–komisura posterior, lalu mengoreksi ketidakseragaman intensitas dengan koreksi medan bias N4. Tengkorak kemudian dibuang dari citra.

Pembuangan tengkorak memakai metode berbasis pembelajaran mendalam, disusul penghalusan Gaussian dengan sigma 1,34 di dalam masker otak. Tujuannya meredam derau.

Baca juga Panel Tujuh Protein Darah Diklaim Lebih Akurat Deteksi Tahap Lanjut Alzheimer

Tiap volume diregistrasi secara nonlinier ke templat standar MNI152_T1_1mm dengan algoritma Symmetric Normalization. Hasilnya dicuplik ulang ke resolusi isotropik satu milimeter kubik.

Karena itu, otak dari dua basis data berbeda kini berada dalam ruang MNI yang sama. Jaringannya siap dipilah.

Memilah Materi Abu-abu, Materi Putih, dan Cairan Otak

Pemilahan jaringan memakai Gaussian Mixture Modelling, yang menurut penulis menggambarkan sebaran intensitas voksel sebagai jumlah berbobot beberapa distribusi Gaussian. Tiap komponennya mewakili satu jenis jaringan.

Studi ini memakai tiga komponen, masing-masing untuk cairan serebrospinal, materi abu-abu, dan materi putih. Parameternya diestimasi dengan algoritma Expectation-Maximization.

Algoritma itu dijalankan paling banyak 300 iterasi, dimulai dari nilai rata-rata awal yang sesuai dengan ketiga kelas jaringan. Hasilnya peta probabilitas jaringan yang lunak.

Yang membuatnya rumit, peta lunak itu masih berupa peluang dan belum menjadi label tegas. Segmentasi keras lalu menetapkan tiap voksel ke kelas berprobabilitas posterior tertinggi.

Peta label hasilnya dirapikan lagi dengan operasi morfologi tiga dimensi, yakni pembukaan biner, penutupan, dan pengisian lubang. Tujuannya meningkatkan koherensi spasial.

Memecah Otak dari Lobus hingga 246 Subregion

Penuntun anatominya adalah atlas Brainnetome. Menurut penulis, atlas itu menyediakan parselasi berbasis konektivitas beresolusi tinggi yang membagi otak menjadi 246 subregion halus.

ANTsPy membuat masker untuk tiap wilayah yang diamati. Peta probabilitas materi abu-abu dan materi putih dikalikan dengan masker itu untuk memperoleh sifat jaringan per wilayah.

Selain volume absolut, penulis menghitung rasio volume materi abu-abu terhadap materi putih serta materi abu-abu terhadap cairan serebrospinal. Rasio itu memperjelas komposisi jaringan.

Ditambah fitur volume global ketiga jenis jaringan, seluruh proses menghasilkan 561 fitur kuantitatif HTB. Setiap fitur berupa nilai skalar.

Menurut naskah, fitur skalar itu menggambarkan atrofi volume pada berbagai skala anatomi dan menghasilkan indeks perubahan struktur otak yang dapat ditafsirkan. Angka inilah yang dibaca mesin.

Dengan susunan itu, satu model MRI Alzheimer bisa menimbang lobus, girus, dan subregion dalam satu masukan. Pembedaan antartingkat diserahkan pada pelatihan.

Melatih Dua Model dengan Validasi Silang Lima Lipat

Fitur HTB dipakai melatih dua pengklasifikasi, XGBoost dan Random Forest, yang dinamai HTB XGBoost dan HTB RF. Keduanya dilatih dan dievaluasi terpisah.

Evaluasi memakai validasi silang bertingkat lima lipat, yang menurut penulis memberi imbangan bias dan varians untuk ukuran sampel sedang. Penyetelan hiperparameter memakai validasi silang internal tiga lipat.

Pembagian data dilakukan pada tingkat pasien untuk menghindari kebocoran data. Fitur dinormalisasi dengan MinMaxScaler, sedangkan hiperparameter dioptimalkan lewat optimasi Bayesian.

Rentang pencarian parameter n_estimators pada kedua model adalah 100 sampai 2.000. Parameter max_depth dijelajahi dari 2 sampai 8 untuk XGBoost dan 2 sampai 50 untuk Random Forest.

Untuk memangkas dimensi, penulis memakai seleksi fitur berbasis informasi mutual dengan algoritma SelectKBest. Jumlah fitur yang dipilih ikut dioptimalkan.

Hasilnya nyaris tanpa pangkasan, sebab 559 dari 561 fitur tetap terpilih untuk kedua model. Pengurangan dimensi lebih jauh, tulis penulis, tidak memberi perbaikan kinerja yang signifikan secara statistik.

Baca juga Subtipe Mikroglia Pelindung Ditemukan pada Otak Penderita Alzheimer, Studi Pemetaan Terbesar Sejauh Ini

Semua eksperimen dijalankan dengan Python 3.10 dan pustaka scikit-learn di Visual Studio Code, pada stasiun kerja ber-RAM 12 GB. Kedua model lalu diuji dengan enam ukuran.

Keenamnya adalah akurasi, presisi, recall, skor F1, ROC-AUC, dan spesifisitas. HTB XGBoost mencatat akurasi 79,74 persen, sedangkan HTB RF 77,97 persen.

Presisi XGBoost 80,00 persen, recall 79,30 persen, skor F1 79,65 persen, dan spesifisitas 80,18 persen. ROC-AUC-nya 85,07 persen, di atas Random Forest yang 83,60 persen.

Random Forest mencatat presisi 77,49 persen, recall 78,85 persen, skor F1 78,17 persen, dan spesifisitas 77,09 persen. Selisih kedua model tipis.

Penulis mengaitkan keunggulan XGBoost dengan mekanisme gradient boosting yang mengoptimalkan galat residu secara berurutan. Random Forest, sebaliknya, bertumpu pada perataan pohon-pohon independen.

Menurut mereka, regularisasi bawaan dan kendali laju belajar juga membantu XGBoost menangani data neuroimaging berdimensi tinggi dan multiskala. Namun, angka itu bukan pusat riset MRI Alzheimer ini.

Membaca Keputusan XGBoost Lewat Nilai SHAP

Penulis menggambarkan kecerdasan buatan yang dapat dijelaskan sebagai teknik untuk menafsirkan keputusan dan penalaran model, sehingga lebih transparan bagi pengguna. SHAP termasuk di dalamnya.

Metode semacam itu, menurut naskah, menghitung skor atribusi untuk mengukur sumbangan tiap masukan terhadap prediksi model. SHAP hanya diterapkan pada model berkinerja terbaik, yaitu XGBoost.

Nilai SHAP divisualisasikan dengan plot ringkasan dan plot dependensi untuk memberi tafsiran global. Dari situ tersusun peringkat 20 wilayah otak paling berpengaruh.

Di antara wilayah teratas itu tercantum hipokampus kaudal, hipokampus rostral, amigdala medial, area 35/36 rostral, dan area 28/34. Area 28/34 disebut sebagai korteks entorinal.

Pembacaan itu juga memisahkan tingkat anatomi. Fitur tingkat girus dan subregion halus tampil dengan daya pembeda yang lebih kuat ketimbang fitur tingkat lobus.

Temuan itu ditegaskan dalam pembahasan. “Hasil kami menunjukkan bahwa fitur girus dan subregional halus memberikan daya diskriminatif yang lebih kuat daripada ukuran tingkat lobus,” tulis Ceesay, Saputro, dan Siregar.

Hipokampus, menurut naskah, adalah struktur saraf berlapis di lobus temporal medial yang berperan dalam memori episodik jangka panjang. Wilayah ini disebut rentan terhadap kerusakan.

Penulis mencatat patologi tau pertama muncul di korteks transentorinal pada lobus temporal medial, lalu meluas ke hipokampus dan amigdala. Amigdala disebut mengalami endapan tau sejak dini.

Korteks entorinal, tulis mereka, menjadi titik penghubung hipokampus dengan wilayah neokorteks. Neuronnya disebut sangat rentan terhadap inklusi neurofibrilar.

Area 35 dan 36 digambarkan sebagai bagian korteks perirhinal yang termasuk wilayah korteks pertama yang mengalami patologi kekusutan neurofibrilar. Area 36 disebut kurang banyak diteliti.

Baca juga Mikroglia, Bukan Plak, yang Merampas Tidur Penderita Alzheimer

Karena itu, penulis menilai keterlibatan subregion hipokampus, amigdala medial, area 35/36, dan 28/34 selaras dengan bukti neuropatologis degenerasi dini Alzheimer. Di situ pembacaan MRI Alzheimer itu bermuara.

“Kontribusi utama karya ini adalah bahwa ia memungkinkan lokalisasi biomarker perkembangan AD yang signifikan secara biologis dan konsisten secara hierarkis,” tulis Ceesay dan rekan.

Di Mana Penjelasan Model Ini Berhenti

Naskah ini tidak memuat bagian khusus yang memaparkan keterbatasan penelitian. Beberapa batas tetap terbaca dari rancangan yang dilaporkan sendiri oleh penulis.

Klasifikasi MRI Alzheimer ini hanya membandingkan penderita dengan subjek berkognisi normal, dan semua citra berasal dari pemindaian 1,5 tesla. Analisis SHAP pun hanya dijalankan pada satu model.

Dalam abstrak, kinerja XGBoost disebut sebanding dengan studi klasifikasi MRI berbasis atlas terbaru. Namun, bagian hasil tidak menyajikan tabel perbandingan dengan studi lain.

Klaim bahwa fitur girus dan subregion lebih kuat daripada fitur lobus juga tidak disertai angka pembanding per tingkat di dalam teks. Yang tersaji hanya peringkat 20 wilayah.

Simpangan kinerja ditulis dalam format seperti 79,74±0,022 persen, sehingga satuan simpangannya tidak jelas. Penomoran tabel naskah juga dimulai dari Tabel 2.

Pernyataan bahwa pangkasan fitur lebih jauh tidak signifikan secara statistik tidak disertai hasil uji yang dilaporkan. Jumlah pindaian MIRIAD yang dipakai per peserta juga tidak dirinci.

Penulis sendiri tidak menyebut kerangka ini sebagai alat diagnosis yang siap dipakai. Mereka menyebutnya arah riset yang menjanjikan untuk dukungan diagnosis dan studi longitudinal perkembangan penyakit.

Menurut kesimpulan naskah, jaringan beresolusi tinggi yang tersusun hierarkis, dipadukan dengan kecerdasan buatan yang dapat dijelaskan, mampu memberi informasi transparan tentang mekanisme penyakit. Klaimnya berhenti di situ.

Jadi, mesin pembaca MRI Alzheimer ini tidak lagi sepenuhnya kotak hitam, sebab keputusannya dapat ditelusuri ke hipokampus, amigdala medial, dan korteks entorinal. Penelusuran itu masih berupa peringkat riset.