Pengenalan aplikasi pembelajaran kanker kulit yang dibuat langsung oleh dokter spesialis kulit
(molecheck.info)- Berisi pengenalan aplikasi pembelajaran kanker kulit yang dikembangkan oleh dokter spesialis kulit
- Mendukung agar pengguna memperoleh pengalaman terbaik di perangkat seluler
- Merekomendasikan akses ke situs web (molecheck.info) dengan memindai kode QR
- Tetap bisa digunakan di desktop, tetapi penggunaan smartphone lebih disarankan
- Memungkinkan pengguna mempelajari pengetahuan terkait kanker kulit melalui kuis penyakit dan lesi kulit
Panduan molecheck.info dan optimalisasi untuk lingkungan seluler
- molecheck.info adalah web app pembelajaran kanker kulit yang dibuat dengan keterlibatan langsung dokter spesialis kulit
- Pengguna dapat memindai kode QR dengan kamera smartphone untuk menerima anjuran menggunakan web app di perangkat seluler
- Menekankan bahwa pengalaman penggunaan terbaik diberikan di lingkungan seluler
- Pengguna tetap dapat terus memakai aplikasi di lingkungan desktop jika menginginkannya
- Melalui aplikasi ini, pengguna dapat mengerjakan kuis lesi kulit sambil meningkatkan pemahaman tentang kanker kulit
1 komentar
Komentar Hacker News
Saya sangat menyukai unsur DIY dari AI coding; kalau beberapa waktu lalu ada dokter spesialis kulit yang punya ide seperti ini, untuk benar-benar mewujudkannya dia pasti harus mencari partner teknis dan melakukan banyak pekerjaan, jadi dalam banyak kasus idenya akan tetap sekadar ide. Ini bukan hanya soal orang nonteknis; saya juga punya daftar ide proyek yang menumpuk selama puluhan tahun dan belum sempat diwujudkan karena tidak punya waktu. Sekarang saya sedang bereksperimen melihat apa yang bisa saya lakukan dengan memanfaatkan agen AI.
Sebenarnya satu-satunya hal yang agak saya sesalkan adalah namanya “vibe code”; membuat semua orang bisa memprogram komputer dengan cara yang berguna itu sungguh hal yang bagus.
Saya juga sama; selama bertahun-tahun ada ide-ide yang terus berputar di kepala, tapi saya bahkan tidak mencobanya karena yakin “pasti tidak akan jadi.” Saya sudah hampir 20 tahun bekerja sebagai developer profesional, jadi sebenarnya cukup mampu untuk mengeksekusinya, tapi rasanya seperti buang-buang waktu. Sekarang saya justru tancap gas dengan bantuan AI. Hasilnya memang masih kasar, tapi menurut saya tetap lebih baik daripada tidak ada sama sekali. Siapa tahu ada yang meledak.
Saya juga sebenarnya cukup mampu mengerjakannya sendiri, tapi mungkin akan memakan waktu berminggu-minggu, dan secara realistis saya rasa tidak akan pernah selesai.
Saya bukan spesialis, tapi karena kakak perempuan saya pernah kena melanoma, saya sangat tertarik pada kanker kulit. Berkat itu, akurasi saya cepat naik dari 50% ke 85%. Karena sebagian besar kasusnya kanker kulit, jadi relatif mudah dipelajari. Karena itu saran saya, mungkin akan lebih baik kalau proporsi kanker kulit nyata dibuat 50%. Meski begitu, bisa jadi memang tujuannya agar pembelajaran fokus ke kasus ganas. Ternyata ini memang masalah yang jauh lebih sulit daripada yang saya kira. Saya jadi ingin bertemu dokter kulit sungguhan.
Kalau ini dikodekan untuk “pelatihan” dokter kulit yang sebenarnya, saya akan membuatnya lebih mendekati proporsi di dunia nyata. Sebagai dokter kulit, dari 100 lesi kulit yang dikhawatirkan pasien, mungkin hanya sekitar 1 yang benar-benar kanker. Dataset saat ini terlalu banyak foto kanker, jadi kalau seseorang menebak “semuanya kanker” pun nilainya bisa tetap bagus. Masalahnya, kalau orang yang sebenarnya tidak kena kanker jadi terlalu sering dirujuk, akhirnya alat ini akan sulit dipakai secara praktis.
Poin yang bagus. Dalam praktiknya, mungkin memang lebih baik kalau proporsi kanker vs lesi jinak sekitar 50:50. Saya berencana mencerminkan itu di versi-versi berikutnya. Tentu saja, sebagian besar lesi kulit nyata itu tidak berbahaya, tetapi saya tetap berpikir bahwa latihan singkat yang terfokus bisa membantu orang awam mengenali lesi yang mencurigakan.
Setelah saya pikirkan lagi, justru pada tahap awal sebaiknya ditampilkan 100% atau persentase tinggi kasus ganas agar pengguna belajar apa yang perlu diperhatikan. Setelah itu tingkat kesulitannya bisa dinaikkan secara bertahap. Makin dekat ke proporsi 50%, skor akan makin mendekati probabilitas murni, jadi akan terasa lebih sulit.
Dua belas gambar pertama hampir semuanya kanker, lalu dua belas berikutnya kebanyakan nonkanker, (saya tidak tahu apakah itu benar-benar acak), (dan saya sendiri memang benar-benar tidak bisa membedakan apakah lesi kulit itu kanker atau bukan).
Saya benar-benar tipe orang yang punya segala macam bercak kulit, tahi lalat, dan hal-hal tak jelas lainnya, jadi proyek seperti ini terasa sangat menakutkan.
Umumnya orang menjalani pemeriksaan kulit seluruh tubuh di dokter kulit setiap tahun. Karena tipe kulit saya, saya sudah melakukannya tiap tahun selama beberapa tahun, dan pada pemeriksaan terakhir mereka menemukan karsinoma sel basal lebih awal.
Saya cuma punya satu hal yang menurut saya mencurigakan, tapi saya tetap menghabiskan sekitar 20 menit untuk googling “dermatofibroma dan karsinoma sel basal”. Dalam kasus saya kelihatannya dermatofibroma, tapi proyek seperti ini membuat saya sadar lagi bahwa sebaiknya tetap diperiksa.
Pekerjaan yang luar biasa. Sekarang Anda benar-benar perlu mempelajari sisi statistiknya, dan nanti Anda akan cepat sadar bahwa bagian ini justru bagian yang mudah. Jauh lebih sulit menentukan bagaimana hasil klasifikasi itu akan dipakai dalam praktik agar benar-benar memberi manfaat bersih bagi kesehatan pasien. Ada startup yang pernah membuat sistem klasifikasi seperti ini; teknologi dasarnya mereka tangani dengan baik, tetapi mereka benar-benar kesulitan pada cara memakainya secara nyata tanpa menimbulkan dampak negatif. Seberapa pun rendahnya tingkat kesalahan, itu tetap akan menjadi tantangan utama. Baik false positive maupun false negative sama-sama mahal, baik dari sisi biaya maupun emosional.
Ini alat yang sangat berguna. Akan bagus kalau ada lebih banyak penjelasan tentang dasar pengambilan keputusan, atau bantuan untuk memahami bagaimana menemukan jawaban yang benar dari fotonya. Saya kesulitan membedakan melanoma dari keratosis seboroik/nevus dan sampai sekarang masih belum paham. Saya sudah melihat sekitar 120 gambar dengan saksama, tapi tetap belum dapat feel-nya. Dan juga, halaman panduan di menu ternyata tidak ada: https://molecheck.info/how-to-recognise-skin-cancer
Masukan yang sangat berguna. Saya akan memperbaiki panduannya agar lebih membantu untuk identifikasi, dan menambahkan penjelasan lebih rinci di menu. Sejujurnya saya kira hanya saya dan beberapa pasien saya yang akan memakainya; saya sama sekali tidak menyangka ini akan naik ke halaman depan HN.
Saya juga merasakan hal yang sama; saya ingin ada mode di mana 50% dari seluruh set adalah melanoma dan 50% sisanya adalah “lesi jinak berwarna cokelat.”
Saya penasaran apakah ini benar-benar "melanoma invasif": tautan
Menurut metadata dataset, memang ditandai begitu. Tentu saja bisa saja salah klasifikasi. Sangat jarang, tetapi ada kasus di mana tahi lalat yang kelihatannya normal ternyata ganas, misalnya kasus-kasus naevoid melanoma: gambar Google untuk naevoid melanoma. Itulah sebabnya diagnosis dermatologi itu rumit, dan klasifikasi gambar AI tidak mudah dari sisi hukum maupun manajemen risiko. Dalam rapat multidisipliner melanoma di masa lalu, ada 1–2 kasus per tahun yang bila dilihat dari foto lama sama sekali tidak tampak mencurigakan. Yang selalu saya tekankan kepada pasien adalah, bahkan jika tahi lalat tampak tidak berubah dari luar, kalau selama beberapa bulan terlihat mengalami perubahan, itu harus selalu diperiksakan.
Ya, ini kelihatannya hampir pasti salah klasifikasi.
Saya juga seorang dokter, dan ingin mendengar lebih detail tentang niat proyek ini dan proses pengembangannya. Pemisahan biner “khawatir/tidak khawatir” tampaknya terutama penting bagi klinisi yang menerima konsultasi, sedangkan klasifikasi pilihan ganda seperti “BCC vs melanoma” tampaknya lebih cocok untuk pendidikan mahasiswa kedokteran. Seperti komentar lain, menyelaraskannya dengan kondisi pasien nyata atau layanan primer juga terasa menarik. Tentu, kalau terlalu banyak nevus jinak saja yang muncul, itu bisa jadi membosankan.
Ide yang keren, contoh bagus bagaimana AI dipakai untuk mewujudkan ide. Menurut saya, alat edukasi yang dibuat oleh ahli adalah salah satu contoh paling menjanjikan di era AI. Hanya saja, ada sedikit rasa pahit karena AI juga sering dipakai secara negatif untuk menggeser nilai para kreator internet ke arah investor teknologi, dan proyek-proyek seperti ini kadang dipakai untuk membantah kritik itu dengan argumen ala “memangnya kamu menentang pengobatan kanker?”
Justru untuk topik seperti ini sudah banyak startup yang berdiri, dan walaupun teknologinya bisa dibuat, tantangan yang jauh lebih berat adalah melewati persoalan medis dan etisnya.
Terima kasih atas masukannya. Saya senang banyak orang menganggap aplikasi ini berguna. Ini memang sesuatu yang menjadi mungkin berkat AI coding, dan saya rasa ke depan bisa diterapkan ke banyak bidang nonteknis lainnya.
Ini proyek yang keren dan juga sangat bermanfaat untuk belajar, tetapi saya punya satu kekhawatiran. Rasio lesi “perlu dikhawatirkan” vs “tidak perlu dikhawatirkan” di aplikasi tampaknya tidak sesuai dengan populasi nyata. Kemungkinan tahi lalat yang dipilih secara acak ternyata kanker, di dunia nyata tidak setinggi yang disiratkan aplikasi. Tentu itu mungkin perlu demi efisiensi belajar, tetapi bagi orang awam bisa menimbulkan bias kekhawatiran berlebihan. Sepertinya edukasi tentang base rate juga perlu disertakan.
Ini penggunaan AI coding yang sempurna: aplikasi dengan kesulitan implementasi rendah tetapi sangat bergantung pada keahlian domain. @sungam, kalau Anda meneliti model AI untuk kanker kulit, silakan hubungi saya kapan saja (email ada di profil). Saya sedang membuat alat untuk membantu peneliti klinis lebih mudah mengadopsi AI dalam riset mereka.