AI Deteksi Kanker Ternyata Bisa Bias, Temuan Mengejutkan Peneliti
Kecerdasan buatan atau Artificial Intelligence (AI) digadang-gadang sebagai masa depan dunia medis karena kemampuannya mengenali penyakit dengan cepat. Namun, sebuah studi terbaru mengungkap fakta mengejutkan: teknologi AI deteksi kanker ternyata tidak bekerja sama adilnya untuk semua orang.
Penelitian yang dipimpin oleh Harvard Medical School menemukan bahwa akurasi diagnosis AI bisa berbeda-beda tergantung pada ras, jenis kelamin, dan usia pasien. Kabar baiknya, para peneliti juga telah menemukan solusi untuk mengatasi masalah ini.
AI Tahu Siapa Anda Hanya dari Sampel Jaringan
Dalam diagnosis kanker tradisional, seorang dokter ahli patologi akan melihat irisan tipis jaringan tubuh di bawah mikroskop. Bagi mata manusia, melihat sel-sel berwarna ungu dan merah muda ini ibarat memeriksa lembar ujian tanpa nama. Dokter bisa melihat penyakitnya, tapi tidak bisa tahu apakah pasien itu pria atau wanita, tua atau muda, kulit hitam atau putih.
Namun, asumsi “ujian anonim” ini tidak berlaku bagi AI.
Studi menunjukkan bahwa model AI deteksi kanker mampu menarik informasi demografis (identitas) pasien langsung dari gambar jaringan tersebut. Hal ini sangat mengejutkan para ilmuwan.
“Membaca demografi pasien dari slide patologi dianggap sebagai ‘misi yang mustahil’ bagi dokter manusia, jadi adanya bias pada AI ini sangat mengejutkan kami,” ujar Kun-Hsing Yu, profesor madya informatika biomedis di Harvard Medical School.
Karena AI “tahu” identitas pasien, ia secara tidak sadar menggunakan informasi tersebut untuk membuat keputusan, yang akhirnya menyebabkan diagnosis yang bias atau kurang akurat bagi kelompok tertentu.
Masalah Kesenjangan Akurasi
Para peneliti menguji empat model AI yang umum digunakan menggunakan data dari 20 jenis kanker. Hasilnya menunjukkan kesenjangan kinerja yang konsisten:
Baca juga: Filter Mikroplastik Terinspirasi Ikan, Solusi Ampuh Polusi Air
- Bias Rasial: Model AI kesulitan membedakan subtipe kanker paru-paru pada pasien Afrika-Amerika.
- Bias Gender: Akurasi menurun pada pasien pria untuk jenis kanker tertentu.
- Bias Usia: AI kurang akurat mendeteksi subtipe kanker payudara pada pasien yang lebih muda.
- Statistik: Secara keseluruhan, ketimpangan akurasi ini muncul dalam sekitar 29% tugas diagnosis yang diuji.
Mengapa AI Bisa Bias?
Tim peneliti menemukan tiga alasan utama mengapa AI deteksi kanker bisa berperilaku tidak adil:
- Data Latihan yang Tidak Seimbang: AI sering kali dilatih menggunakan data yang didominasi oleh kelompok demografis tertentu. Jika AI jarang melihat sampel dari kelompok minoritas, ia akan sulit mendiagnosis mereka dengan tepat.
- Frekuensi Penyakit: Beberapa jenis kanker lebih sering terjadi pada populasi tertentu. AI menjadi “pintar” pada kelompok mayoritas tersebut, namun gagap saat menghadapi kasus pada populasi di mana penyakit itu jarang terjadi.
- Jalan Pintas Biologis: Ini yang paling unik. Karena AI sangat canggih, ia bisa mendeteksi perbedaan biologis halus (seperti mutasi gen) yang terkait dengan ras atau keturunan, bukan kankernya itu sendiri. AI kemudian menggunakan tanda-tanda ras ini sebagai “jalan pintas” untuk menebak diagnosis, yang sering kali meleset.
Solusi Baru: Metode FAIR-Path
Tidak ingin membiarkan masalah ini berlarut, tim peneliti mengembangkan sebuah metode baru bernama FAIR-Path.
Sistem ini bekerja dengan cara “mengajari ulang” AI. FAIR-Path memaksa model AI untuk fokus pada perbedaan yang penting (tanda-tanda penyakit kanker) dan mengabaikan perbedaan yang tidak relevan (seperti ciri-ciri ras atau gender).
Hasilnya sangat impresif. Ketika diterapkan, metode ini berhasil menurunkan kesenjangan bias hingga 88%.
Temuan ini memberikan harapan baru. Dengan sedikit penyesuaian pada cara kita melatih mesin, teknologi AI deteksi kanker bisa menjadi alat yang tidak hanya canggih dan cepat, tetapi juga adil bagi seluruh pasien tanpa memandang latar belakang mereka.
Referensi: “Contrastive learning enhances fairness in pathology artificial intelligence systems” by Shih-Yen Lin, Pei-Chen Tsai, Fang-Yi Su, Chun-Yen Chen, Fuchen Li, Junhan Zhao, Yuk Yeung Ho, Tsung-Lu Michael Lee, Elizabeth Healey, Po-Jen Lin, Ting-Wan Kao, Dmytro Vremenko, Thomas Roetzer-Pejrimovsky, Lynette Sholl, Deborah Dillon, Nancy U. Lin, David Meredith, Keith L. Ligon, Ying-Chun Lo, Nipon Chaisuriya and Kun-Hsing Yu, 16 December 2025, Cell Reports Medicine.
DOI: 10.1016/j.xcrm.2025.102527
