Permintaan terhadap radiolog manusia mencapai titik tertinggi sepanjang masa

• Model AI seperti CheXNet yang dipublikasikan pada 2017 menunjukkan kinerja lebih akurat daripada radiolog manusia dalam diagnosis pneumonia, tetapi gagal mereproduksi hasil tersebut di praktik medis nyata
• Meski baru-baru ini ratusan model AI radiologi telah memperoleh persetujuan FDA, jumlah posisi kerja dan gaji radiolog di AS justru mencatat rekor tertinggi sepanjang masa
• Keterbatasan AI medis disebabkan oleh kurangnya data, perbedaan dengan lingkungan nyata, hambatan regulasi dan asuransi, serta struktur kerja di mana radiolog manusia menangani banyak peran selain diagnosis
• Alih-alih otomatisasi penuh, sistem yang menggabungkan manusia dan AI telah menjadi standar industri medis, dan bahkan ketika AI berkembang, kebutuhan tenaga radiolog tidak berkurang
• Dekade pertama penyebaran AI medis menunjukkan paradoks bahwa meski teknologi AI sangat berpotensi meningkatkan produktivitas, dalam praktiknya justru memicu permintaan lebih besar terhadap tenaga kerja manusia

---

Pendahuluan: adopsi AI dan ekspektasi

• Model AI seperti CheXNet yang muncul pada 2017 dilatih dengan lebih dari 100 ribu data rontgen dada, dan menunjukkan hasil yang lebih unggul daripada spesialis manusia dalam akurasi pembacaan pneumonia
• Berbagai perusahaan seperti Annalise.ai, Lunit, Aidoc, dan Qure.ai telah meluncurkan sistem AI yang dapat mendeteksi ratusan penyakit, dan juga bisa diintegrasikan ke sistem rekam medis rumah sakit
• Ada lebih dari 700 model AI radiologi yang disetujui FDA, setara dengan 75% dari seluruh perangkat AI medis
• Radiologi selama ini dinilai sebagai bidang yang paling cocok untuk digantikan AI karena memiliki input digital, pengenalan pola, dan pengukuran hasil yang jelas
• Namun dalam kenyataannya, permintaan untuk pelatihan radiolog justru mencapai titik tertinggi sepanjang masa, dan upah juga naik 48% dibanding 2015, menunjukkan peningkatan kebutuhan tenaga manusia

Keterbatasan sistem diagnosis radiologi AI

Perbedaan antara lingkungan nyata dan data pelatihan

• Model AI radiologi menunjukkan kinerja unggul pada data yang terstandarisasi dan dalam kondisi tertentu, tetapi di lingkungan rumah sakit nyata performanya menurun karena perbedaan data antar rumah sakit, karakteristik alat diagnostik, dan kurangnya keragaman
• Sebagian besar model hanya memberikan akurasi tinggi untuk penyakit tertentu atau satu jenis citra, sehingga dalam kasus yang beragam muncul ketidaknyamanan karena harus bergantian memakai banyak model
• Bahkan algoritme yang disetujui FDA pun hanya menangani sebagian kecil dari pekerjaan pembacaan citra nyata, dan umumnya berfokus pada sejumlah kecil penyakit penting seperti stroke, kanker payudara, dan kanker paru
• Ada juga masalah kurangnya data anak-anak, perempuan, dan kelompok ras minoritas, serta turunnya kemampuan prediksi ketika penyakit muncul secara halus atau bercampur dengan penyakit lain

Kesenjangan antara benchmark dan penerapan klinis

• Dalam pengujian benchmark, AI mencatat metrik kuantitatif yang tinggi, tetapi di lingkungan klinis nyata radiolog manusia dan sistem bantu tidak menghasilkan hasil sebaik yang diharapkan
• Misalnya, di bidang mamografi, sistem AI pendukung memang meningkatkan sensitivitas pembacaan, tetapi hanya menambah pemeriksaan lanjutan dan biopsi yang tidak perlu tanpa meningkatkan tingkat penemuan kanker
• Hasil juga menunjukkan bahwa ‘pembacaan ganda’, yaitu ketika satu atau dua pembaca manusia membaca bersama, memiliki kemampuan deteksi kanker yang lebih tinggi dibanding bantuan AI, serta tingkat pemeriksaan ulang yang tidak perlu lebih rendah

Regulasi hukum dan kelembagaan membatasi laju otomatisasi

• FDA membagi perangkat lunak radiologi menjadi ‘alat bantu/klasifikasi’ dan ‘alat otomatisasi penuh’
  • Otomatisasi penuh jarang terjadi, dan hanya diterapkan pada kondisi khusus tertentu seperti IDx-DR
  • Untuk citra yang sulit dibaca AI, perangkat lunak harus menghentikan prosesnya sendiri lalu meneruskannya kepada tenaga medis
• Persyaratan regulasi tinggi, dan setiap kali model dilatih ulang atau diubah, persetujuan baru juga diperlukan
• Perusahaan asuransi memandang alat otomatisasi berisiko menimbulkan kerugian massal jika terjadi kesalahan, sehingga cenderung enggan memberikan pertanggungan untuk hasil diagnosis yang hanya dilakukan oleh AI
• Secara hukum, standar yang berlaku adalah hanya pembacaan yang diinterpretasikan dan ditandatangani langsung oleh dokter yang dapat ditanggung asuransi

Perubahan peran radiolog manusia

• Dalam praktiknya, radiolog hanya menggunakan 36% waktunya untuk interpretasi citra, sementara sisanya dialokasikan untuk berbagai tugas seperti konsultasi dengan pasien dan kolega, pengawasan pemeriksaan, pendidikan, dan perubahan resep
• Bahkan ketika waktu pembacaan citra berkurang, tidak terjadi PHK yang tidak perlu; sebaliknya, pekerjaan baru justru bertambah sehingga volume keseluruhan pembacaan citra meningkat
  • Sebagai contoh, saat beralih dari film ke digital, produktivitas pembacaan citra memang melonjak, tetapi tidak ada pengurangan tenaga medis, dan total pemeriksaan citra malah meningkat lebih dari 60%
• Peningkatan kecepatan pemrosesan citra berujung pada pemanfaatan yang lebih beragam dalam sistem medis, seperti pengurangan waktu tunggu pemeriksaan dan peningkatan kemampuan merespons situasi darurat

Prospek ke depan: pelajaran dari 10 tahun pertama penyebaran AI

• Dalam 10 tahun terakhir, penerapan dalam layanan medis sehari-hari berkembang jauh lebih lambat daripada tingkat kemajuan teknis model AI
• Faktor nonteknis seperti regulasi, asuransi, konsultasi pasien, dan otonomi dokter menjadi hambatan bagi penggantian total
• AI menjadi model dasar yang berkontribusi pada peningkatan produktivitas melalui kolaborasi dengan manusia, bukan penggantian tenaga kerja
• Pada platform besar (misalnya Facebook), kemungkinan otomatisasi dengan AI mungkin tinggi, tetapi semakin beragam tugas yang menyusun pekerjaan berbasis pengetahuan, semakin besar kecenderungan adopsi perangkat lunak untuk menambah, bukan mengurangi, beban kerja manusia
• Pengalaman di bidang radiologi menunjukkan hasil paradoks: alih-alih segera menggantikan pekerjaan manusia, AI justru mempertahankan atau memperluas permintaan tenaga manusia bersamaan dengan perubahan sosial, institusional, dan perilaku

[GN⁺]

Komentar Hacker News

• Saya adalah dokter radiologi intervensi sekaligus pemegang gelar master ilmu komputer; di luar bidang radiologi, saya kurang paham mengapa orang tidak mengerti kenapa AI masih belum menggantikan radiologi. Penjelasannya begini: untuk pertanyaan apakah AI bisa melakukan diagnosis pencitraan lebih baik daripada radiolog manusia, jawabannya hampir pasti ‘ya’ atau akan segera begitu. Tetapi untuk pertanyaan apakah radiologi akan tergantikan, jawabannya hampir pasti ‘tidak’. Alasannya adalah risiko hukum medis. Selama hukum saat ini tidak berubah, radiolog harus memberikan tanda tangan akhir pada setiap laporan. Jadi meskipun AI membaca gambar dan menulis laporan sempurna, verifikasi akhir radiolog tetap menjadi bottleneck. Saat ini radiolog membaca setidaknya 60~100 pemeriksaan berbagai jenis per hari dengan cepat, dan itu sudah mendekati batas kemampuan manusia. Walaupun AI menulis semua laporan, semuanya tetap harus ditinjau dan ditandatangani, sehingga selisih waktu hampir tidak ada. Tentu mungkin ada satu-dua dokter yang ceroboh dan hanya menekan tombol tanda tangan, tetapi pasti ada pengacara yang siap menggugat soal itu

  • Ini mirip dengan argumen bahwa mobil swakemudi tidak akan pernah dikomersialkan karena harus ada orang di kursi pengemudi untuk ‘bertanggung jawab’. Itu berbeda dari realitas, mengingat FDA sudah menyetujui sistem AI yang dapat beroperasi tanpa verifikasi dokter
  • Soal apa yang terjadi bila AI lebih baik daripada radiolog manusia, saya bisa membayangkan radiolog hanya mengklik ‘setujui, setujui’ sepanjang hari, atau membantah hasil AI tetapi pada akhirnya terbukti AI yang benar. Jika ini menjadi pengetahuan umum di dunia medis, rumah sakit akan melobi agar hukum diubah demi penghematan biaya, dan akhirnya beroperasi tanpa radiolog manusia
  • Akan ada pasien yang tidak mau membayar $6.000 hanya untuk meningkatkan akurasi dari 99,9% menjadi 99,95%
  • Saya adalah dokter radiologi diagnostik dengan pengalaman klinis lebih dari 20 tahun dan sudah memrogram sejak 1979. Saya ingin menentang satu asumsi utama Anda: saya tidak setuju dengan bagian ‘AI sudah bisa atau segera akan bisa membaca citra lebih baik daripada manusia’. Saya menggunakan produk AI terbaru dan terus mengikuti perkembangannya, tetapi tidak satu pun yang mendekati tingkat layak pakai untuk pembacaan klinis nyata. Karena keterbatasan data dan variasi tak terbatas dalam anatomi manusia serta perubahan patologis, kecuali AGI sejati muncul, AI tidak akan bisa menggantikan cara berpikir intuitif, analitis, dan sintesis milik radiolog manusia. Setiap hari kami menemui pola baru dan kasus yang belum pernah dilihat sebelumnya, dan banyak yang tidak mungkin dimasukkan ke dalam data. Saya sudah di akhir karier jadi tidak sedang berusaha melindungi posisi saya. Kalau benar ada teknologi pengganti yang bagus, saya dengan senang hati akan meletakkan mikrofon, tetapi menurut saya kita sama sekali belum sampai ke tahap itu
  • Dari luar radiologi, ada hal yang kurang dipahami tentang mengapa AI belum mapan. Sebenarnya AI tidak mungkin sepenuhnya menggantikan radiologi. Sebaliknya, AI harus berkolaborasi dengan radiolog untuk membantu beban kerja tinggi dan keterbatasan tenaga. Ambil contoh bidang kardiologi: rasio spesialis jantung juga masih sangat rendah. Karena interpretasi ECG sulit dan repetitif, di banyak negara bahkan Holter ECG hampir seluruhnya bergerak ke interpretasi otomatis. Namun akurasi pembacaan AI/ML begitu rendah sehingga sensitivitasnya harus didorong mendekati 100% agar bisa dipakai bersama kardiolog. Jadi otomatisasi harus diposisikan sebagai ‘bantuan’, bukan ‘pengganti’. Dokter jantung lebih ingin menggunakan waktu untuk mendidik generasi berikutnya, melakukan tindakan, meneliti, atau beristirahat. Sebagai contoh, lihat algoritme Pan–Tompkins: Wiki algoritme Pan–Tompkins

• Pada 2016, ketika Tesla merilis video demo full self-driving dengan narasi “pengemudi duduk di sana hanya untuk alasan hukum dan tidak melakukan apa-apa, mobil mengemudi sendiri”, saya sempat berpikir industri truk akan berubah selamanya dan mempertimbangkan ulang masuk ke industri itu. Tetapi sekarang 2025 sudah di depan mata, dan sebagian besar perubahan berlangsung lambat atau hampir tidak terjadi sama sekali. Optimisme bahwa teknologi akan mengubah dunia secara besar-besaran memang meluas, tetapi pada praktiknya perubahan sering sangat lambat atau mandek

  • Saya tidak terlalu fokus pada robotaxi, tetapi pada Waymo. Waymo sedang mewujudkan visi swakemudi sejati yang saya bayangkan waktu kecil, dan jumlah pelanggannya tumbuh eksponensial. Jika statistik keselamatan Waymo bisa dipercaya, ini benar-benar layanan yang aman. Pepatah bahwa kemajuan teknologi dibesar-besarkan dalam jangka pendek dan diremehkan dalam jangka panjang terasa tepat, walaupun cerita radiologi jelas kasus yang berbeda… Lihat keselamatan Waymo: Keselamatan dan dampak Waymo
  • Tidak perlu merasa tertipu oleh video Tesla itu, karena belakangan terungkap bahwa video tersebut direkayasa. Artikel terkait: Reuters – video promosi swakemudi Tesla dimanipulasi Saya sudah naik Waymo selama setahun terakhir dan sangat puas. Saya berharap teknologinya tersebar lebih cepat, tetapi saya tidak melihatnya sebagai tantangan yang mustahil; hanya saja ada corner case tak terduga yang memakan waktu lama
  • Machine learning memang sejak awal sangat unggul untuk 98% kasus, dan kita keliru mengira 2% sisanya juga akan mudah diselesaikan
  • Teknologi yang terlalu dioptimistis biasanya punya demo yang sangat mengesankan, tetapi juga memiliki 10.000 pengecualian fatal. Swakemudi dan pembacaan radiologi adalah contoh utama. Makin sedikit edge case, makin sering teknologi justru bekerja lebih baik dari perkiraan. Contoh: rekomendasi TikTok, Shazam
  • Saya benar-benar heran bahwa kebanyakan kereta masih dikemudikan manusia

• Anekdot terbaik tentang machine learning dan radiologi adalah masa ketika semua orang berlomba membedakan pasien COVID dari X-ray paru dengan AI. Ada satu kelompok riset yang menghasilkan performa deteksi yang lumayan baik, tetapi kemudian diketahui bahwa AI itu mempelajari perbedaan font watermark gambar dari rumah sakit yang berbeda di dalam dataset, sehingga yang dibedakan bukan status infeksi COVID melainkan ‘font’-nya. Lihat makalah rujukan: makalah Nature Machine Intelligence Kata kunci pencarian: “AI for radiographic COVID-19 detection selects shortcuts over signal”. Anda juga bisa menemukan makalah open access

  • Saya juga pernah melihat upaya machine learning untuk mendeteksi infeksi COVID dari suara batuk. Kalau suara batuk pasien COVID dan pasien penyakit pernapasan lain memang menunjukkan perbedaan yang secara statistik bermakna, pendengar manusia semestinya juga bisa membedakannya dengan mudah, jadi saya tidak mengerti kenapa orang yakin itu akan berhasil
  • Anekdot seperti ini memang memberi pelajaran, tetapi itu lebih merupakan kasus data yang salah dan pelatihan yang buruk daripada batasan inheren algoritmenya sendiri. Jika data dan metodenya benar, secara teknis menggantikan radiolog bukan hal yang sulit. Tanpa ada prinsip umum yang membatasi atau kendala yang jelas, model visi terlalu cocok untuk tugas seperti ini

• Inti artikelnya adalah tiga hal ini: 1) jika Anda ingin memberi model lebih banyak pekerjaan, Anda akan terbentur regulasi hukum 2) regulator dan perusahaan asuransi tidak menyetujui/menanggung model otonom 3) diagnosis hanya mengambil porsi kecil dari pekerjaan radiolog; sebagian besar tugas lainnya adalah komunikasi dengan pasien dan tenaga medis lain. Jadi bahkan jika model machine learning mendiagnosis dengan sempurna dan gratis, radiolog tidak bisa langsung ‘digantikan’

  • Saya tidak setuju dengan klaim bahwa ‘radiolog menghabiskan sebagian besar waktunya untuk berkomunikasi dengan pasien dan rekan kerja ketimbang mendiagnosis’. Mayoritas radiolog datang kerja, membaca deretan gambar pemeriksaan, mendiktekan hasil, lalu pulang. Kalau ada AI yang sempurna, profesi ini sendiri akan kehilangan makna. Hampir seperti pekerjaan memandangi CCTV sepanjang hari
  • Jika ada AI sempurna, radiolog tidak diperlukan. Saat ini alurnya adalah dokter penanggung jawab → radiografer → radiolog (membaca hasil) → dokter penanggung jawab. Jika ada AI sempurna, alurnya akan berubah menjadi radiografer → model ML → dokter penanggung jawab
  • Setiap kali saya menjalani X-ray, saya tidak pernah berbicara dengan radiolog. Biasanya teknisi hanya mengoperasikan mesin, lalu radiolog jarak jauh menulis diagnosis secara terpisah. Dokter-dokter lain yang saya temui juga tampaknya tidak berkomunikasi langsung dengan radiolog. Saya penasaran apakah struktur seperti ini berlaku di seluruh AS
  • Saya juga mempertanyakan klaim bahwa komunikasi dengan pasien adalah bagian penting pekerjaan radiolog. Dalam semua pemeriksaan radiologi yang saya alami, tidak ada komunikasi sama sekali dengan radiolog. Pasien jarang bertemu mereka, dan komunikasi dengan tenaga medis lain pun sebagian besar bisa dilakukan radiografer. Argumen bahwa komunikasi itu harus dilakukan dokter spesialis terasa lemah. Jika AI membaca hasilnya, peran komunikasi itu bisa saja berpindah ke perawat atau teknolog radiologi

• Bahkan hari ini saja saya merujuk seorang pasien perempuan untuk biopsi inti ke radiologi, seorang pasien laki-laki untuk suntikan lumbal, pasien lain untuk suntikan bahu, dan sebulan lalu saya merujuk pasien perempuan lain untuk embolisasi endometriosis. Ke depan saya juga akan merujuk untuk embolisasi kebocoran urin pasca-nefrektomi. Apakah LLM bisa melakukan prosedur-prosedur ini? Jika AI mengkomoditisasi satu keterampilan, kelompok spesialis akan beralih ke keterampilan lain dan menyerahkan pekerjaan yang sudah terkomoditisasi. Misalnya, setelah interpretasi ECG diotomatisasi ke perangkat, tarif kompensasinya turun drastis sehingga saya pun sengaja menjauh dari keterampilan itu dan fokus ke layanan otak serta gangguan gerak. Jadi jika pasien butuh interpretasi ECG, saya langsung kirim ke kardiolog dan minta berbagai pemeriksaan tambahan. Ini menambah biaya dan waktu bagi pasien serta sistem kesehatan, tetapi begitulah kenyataannya. Ke depan mungkin akan muncul bidang ‘gurun medis’ tempat para ahli AI tidak mau bekerja, terutama untuk lansia, daerah terpencil, dan psikiatri

  • Tujuan sistem kesehatan bukan menjamin pendapatan tinggi dokter, melainkan merawat pasien. Yang bisa diotomatisasi seharusnya diotomatisasi untuk meningkatkan akses. Otomatisasi ECG juga memperluas akses
  • Radiologi intervensi berbeda dari radiologi baca biasa dan membutuhkan pelatihan yang jauh lebih banyak
  • Penafsir ECG otomatis sering kali terlalu literal dan sensitivitasnya terlalu rendah, sehingga di lapangan bagi paramedis sering sama sekali tidak berguna. Jika mesin hanya terus mengeluarkan ‘ABNORMAL ECG – EVALUATION NEEDED’, kita benar-benar butuh alat yang lebih baik

• Pada 2016 Geoffrey Hinton pernah berkata bahwa ‘sudah saatnya menghentikan pelatihan radiolog’. Kalau kita percaya semua klaim para pendukung AI, dunia seharusnya sudah runtuh sejak lama

  • Ucapan ini sering dikutip, tetapi Hinton mengatakannya secara spontan tanpa memahami kenyataan bahwa radiolog tidak hanya melakukan diagnosis. Hinton juga bukan ‘fan berat’ AI sejati; justru dia lebih dekat ke pesimis AI
  • Misalnya jika seseorang memulai program residensi pada 2016, maka 5 tahun kemudian pada 2021 pelatihannya selesai dan usianya sekitar 31 tahun. Sebagai dokter dia masih akan bekerja sekitar 30 tahun, jadi secara kalender masih ada cukup waktu sampai 2050-an untuk memperkirakan arahnya. Dalam 25 tahun lagi, perkataan Hinton mungkin akan terbukti 50% benar
  • Jika regulasi medis dilonggarkan dan AMA dibubarkan, mungkin ramalan Hinton sudah terbukti sekarang. Dan hidup semua orang mungkin akan lebih baik
  • Hambatan terbesar bagi AI untuk menggantikan radiologi adalah hukum. Memilih profesi yang bertahun-tahun dilatih tetapi eksistensinya bergantung pada regulasi adalah pilihan berisiko, karena bisa hilang kapan saja jika hukumnya berubah
  • Memprediksi masa depan itu benar-benar sangat sulit. Tak seorang pun tahu dunia 20 tahun lagi akan seperti apa

• Saya seorang dokter sekaligus full-stack engineer, jadi saya tidak ingin mengambil radiologi atau pelatihan tambahan. AI akan lebih dulu memperkuat radiologi, lalu setelah itu mulai menggantikan sebagian pekerjaan. Radiolog yang ada akan secara alami berpindah ke area baru seperti radiologi intervensi

  • Saya radiolog sekaligus full-stack engineer, dan saya tidak khawatir profesi ini akan hilang. Profesi ini akan berubah, tetapi jalurnya kurang lebih akan sama seperti profesi lain
  • Saya juga mantan mahasiswa kedokteran dan setuju. AI milik dokter gigi saya sudah merancang model mulut yang sepenuhnya baru untuk implan dan sebagainya, lalu dokter hanya menyempurnakan hasil akhirnya secara manual. Saya rasa banyak jenis tenaga medis pada akhirnya bisa berubah menjadi pihak yang terutama menanggung asuransi dan tanggung jawab hukum. Menarik juga bahwa 30% residensi di AS diisi oleh dokter asing
  • Kombinasi dokter + engineer memang sangat langka, tetapi di sekitar saya juga sudah ada. Perspektif seperti ini benar-benar dibutuhkan di dunia medis dan merupakan keunggulan yang sangat unik. Saya menganggapnya seperti Neo dan Morpheus
  • Kalau Anda dokter + engineer, justru ada masa depan besar di radiologi. Pekerjaannya tidak akan hilang; malah akan dibutuhkan orang yang bisa menjembatani kedokteran dan teknologi
  • Saya penasaran bagaimana Anda melihat masa depan apoteker; bagi saya pekerjaan itu tampak akan sepenuhnya diotomatisasi, dan saya tidak tahu penilaian manusia sebenarnya memberi perbedaan apa

• Pada bulan Mei tahun ini, New York Times juga menerbitkan artikel serupa berjudul ‘AI tidak menggantikan radiolog’ Lihat artikel NYT. Pendapat dokter dan pernyataan Hinton menarik: “AI akan membantu dan melakukan kuantifikasi, tetapi tidak akan mengambil alih kesimpulan interpretatif dari teknologi ini” “Dalam 5 tahun, tidak menggunakan AI justru akan dianggap malapraktik” “Tetapi pada akhirnya manusia dan AI akan berjalan bersama” Hinton juga kemudian mengakui lewat email bahwa ia berbicara terlalu umum; yang ia maksud hanya interpretasi gambar, arah umumnya benar, tetapi prediksi waktunya salah

• Transformasi AI di radiologi harus diwajibkan. Radiologi harus menggunakan AI untuk persentase tertentu setiap hari, produktivitasnya harus dilipatgandakan, dan jika tidak maka harus dipecat. Seperti kata para CEO, AI adalah teknologi paling transformatif yang pernah kita lihat, jadi karena rasa cemas kita harus menerimanya. Selain itu tidak bisa ditoleransi

  • Saya sudah tidak bisa membedakan lagi apakah ini serius atau satire

• Saya tidak percaya jika interpretasi hasil AI diserahkan kepada dokter yang bukan radiolog. Walaupun AI unggul pada benchmark, tanpa latar belakang pengetahuan untuk menganalisisnya langsung, situasinya seperti membaca makalah 20 halaman tanpa bisa menilai apakah itu layak dipercaya

  • Konsep ‘riset setingkat PhD’ sendiri terlalu kabur. Preprint, poster konferensi, makalah bersama yang masih WIP, makalah sebelum peer review, buku monograf—setiap tahap kualitasnya sangat berbeda
  • Ada juga candaan bahwa dalam situasi seperti itu, mungkin kita bisa meminta model riset berbasis deep learning lain untuk mengkritisinya