| Abstrak/Abstract |
RINGKASAN
Lingkungan tumor yang kompleks tidaklah cukup hanya dipelajari dengan hanya melihat
karakteristik sel tumor saja walaupun sampai tingkat mutasi genomik. Sel imun dan stroma di
sekitar tumor juga memiliki peranan sangat penting dalam mendukung proses perkembangan sel
tumor. Penelitian-penelitian terkini membuktikan perhitungan komposisi sel imun terutama
subtipe limfosit pada setiap jenis kanker mempunyai implikasi klinis terhadap prognosis pasien
dan respon pasien terhadap imunoterapi. Perhitungan limfosit sendiri telah menjadi parameter
yang disebutkan dalam standar pelaporan hasil bacaan patologi anatomi pada kasus tumor. Guna
perhitungan limfosit yang lebih akurat, pendekatan diagnostik yang dapat dilakukan adalah
perhitungan sel tersebut dengan menggunakan pengecatan imunohistokimia/imunofluoresen
dengan beberapa penanda antibodi untuk interpretasi data.
Permasalahan yang dihadapi pada banyak negara berkembang adalah tidak mungkin
melakukan pengecatan imunohistokimia /imunofluoresen untuk pemeriksaan rutin pasien. Untuk
mengatasi permasalahn dalam pendekatan diagnosis ini, kami mengusulkan studi dengan
melibatkan machine learning untuk mengenali tipe sel limfosit berdasarkan gambaran morfologi
yang khas seperti bentuk, ukuran, dan warna sel. Untuk training kami akan menggunakan 50 kasus
melanoma kulit dari blok parafin yang tersimpan sebagai arsip di Instalasi Patologi Anatomi,
RSUP Dr. Sardjito. Untuk validasi kami akan menggunakan data whole slide image (WSI) 400
kasus melanoma dari Proyek The Cancer Genome Atlas (TCGA-SKCM).
Pada penelitian tahun ini kami akan memfokuskan pada limfosit T sitotoksik yang
diketahui paling berpengaruh terhadap prediksi respon terapi pada melanoma. Untuk mentraining
machine learning tersebut kami akan menggunakan preparat melanoma kulit yang sudah diberi
pengecatan imuhistokimia CD8 (penanda limfosit T sitotoksik). Penelitian akan dilakukan selama
satu tahun setelah mendapatkan persetujuan etik dari Komisi Etik Fakultas Kedokteran,
Kesehatana Masyarakat, dan Keperawatan, UGM. Dengan melibatkan machine learning, akan
dapat dilakukan perhitungan limfosit T sitotoksik secara cepat dan akurat hanya dengan
menggunakan preparat histopatologi rutin yang dicat hematoksilin-eosin (HE). Keluaran yang
diharapkan untuk keseluruhan penelitian ini adalah publikasi jurnal internasional dengan daya
impak tinggi, seperti Medical Physics (Q1, impact factor: 4.51).
KATA KUNCI
Limfosit T sitotoksik, machine learning, melanoma, imunohistokimia
Mendukung the Sustainable Development Goals (SDGs)
Number 3 : Good Health and Well-being |
