Dipilih dari software, topik, dan level “Kelas Deep Learning CNN-LSTM Deteksi Pneumonia #6: Evaluasi Klinis (Sensitivitas, Spesifisitas, ROC-AUC) & Grad-CAM”.
Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, peta grade cam yang memperlihatkan bagian paru mana yang diperhatikan model CNN-LSTM saat memutuskan pneumonia atau normal. Sebelumnya kita membandingkan model hybrid dengan CNN-Base lain memakai sensitivitas, spesifisitas, dan kurva ROC, metrik yang dipakai di penelitian medis. Ayo kita mulai. Halo, selamat datang di episode terakhir seri model hybrid CNN-LSTM untuk deteksi dini penyakit paru. Di bidang medis, akurasi saja tidak cukup. Kita perlu tahu berapa pasien sakit yang berhasil terdeteksi, berapa orang sehat yang salah dituduh, dan apakah model melihat bagian citra yang masuk akal. Di episode ini kita mengevaluasi kedua model dengan metrik linis, lalu membuka kotak hitam model dengan grade cam. Buat file evaluasi .py
Langkah 1: Fungsi prediksi dan metrik klinis
Kita muat kedua model yang sudah dilatih, CNN-Base lain dan CNN-LSTM terbaik, lalu buat fungsi prediksi yang mengembalikan probabilitas pneumonia lewat Softmax. Fungsi laporan menghitung confusion matrix dan 4 metrik. Akurasi, sensitivitas yaitu persentase pasien pneumonia yang terdeteksi, spesifisitas yaitu persentase seorang sehat yang benar dinyatakan normal, dan AUC. Hasil pada data uji, CNN-Base lain akurasi sekitar 90,7 persen, sensitivitas 96,7, spesifisitas 80,8, AUC 0,966.
Langkah 2: CNN baseline vs CNN-LSTM
CNN-LSTM sedikit lebih unggul, akurasi 91 persen, sensitivitas 98,5, dan AUC 0,97. Sensitivitas tinggi sangat penting untuk screening, karena pasien yang lolos tidak terdeteksi jauh lebih berbahaya. Harganya, spesifisitas sedikit turun. Ambang 0,5 belum tentu yang terbaik.
j Langkah 3: Threshold optimal dan kurva ROC
Kita cari threshold optimal memakai indeks UDEN, yaitu sensitivitas ditambah spesifisitas dikurangi 1, pada data validasi, bukan data uji, supaya adil. Hasilnya sekitar 0,48, sangat dekat dengan 0,5, sehingga metriknya hampir sama. Lalu kita gambar confusion matrix kedua model dan kurva ROC-nya. Kurva CNN-LSTM sedikit lebih dekat ke pojok kiri atas, sesuai nilai AUC-nya.
Langkah 4: Grad-CAM dengan hook
Sekarang grade cam. Buat file gradecam.py Idenya, lihat lapisan konvolusi terakhir, hitung gradien skor kelas terhadap aktivasinya, lalu rata-ratakan gradien sebagai bobot setiap kanal. Penjumlahan aktifasi berbobot memberi peta panas bagian citra yang paling memengaruhi keputusan. Kita pasang forward hook dan backward hook pada lapisan relu blok ketiga untuk menangkap aktifasi dan gradiennya. Kita pilih 4 citra pneumonia dan 2 citra normal yang ditebak benar, lalu tampilkan peta panasnya di atas rondgen.
Langkah 5: Membaca peta Grad-CAM
Pada beberapa kasus pneumonia, model memperhatikan area paru yang berkabut. Namun pada sebagian citra, model juga melihat bagian tengah dada, area jantung dan mediastinum. Inilah gunanya gradecam dalam penelitian, membuktikan model melihat area yang relevan, sekaligus mendeteksi jalan pintas yang perlu diperbaiki, misalnya dengan segmentasi paru atau data yang lebih besar.
Selesai!
Selesai, dan selamat! Kita sudah menyelesaikan seluruh seri, data set rondgen, praproses CLAHI dan augmentasi, CNN Baseline, Arsitektur Hybrid CNN LSTM, pelatihan dengan bobot kelas dan early stopping, sampai evaluasi klinis dan gradecam. Hasil ini bisa langsung menjadi kerangka BAP metodologi dan hasil untuk skripsi atau tesis. Untuk melanjutkan, coba resolusi citra yang lebih besar, transfer learning, atau validasi silang. Terima kasih sudah belajar bersama. Sedang menyusun skripsi, tesis, atau riset AI di bidang citra medis? Cerdas inovasi digital membantu implementasi deep learning, dari CNN, LSTM, model hybrid, sampai interpretasi gradecam dan penulisan hasil, serta membuka kursus deep learning dengan Pythor. Ingin menguasai seluruh seri ini, dari data set rondgen sampai evaluasi dan gradecam? Semua 6 episode, lengkap dengan PDF panduan langkah demi langkah dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdasinovasidigital.com Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com Terima kasih telah menonton, sampai jumpa di episode berikutnya. Terima kasih telah menonton, sampai jumpa di episode berikutnya.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
53 kelas video1.290 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
