Implementasi EfficientNet-B0 Untuk Klasifikasi Citra Histopatologi Kanker Paru-Paru

Abstract

Kanker paru-paru merupakan penyebab utama kematian akibat kanker di seluruh dunia, yang menyumbang sekitar 18,7% dari semua kematian akibat kanker pada tahun 2022. Sehingga diagnosis dini melalui citra histopatologi menjadi sangat krusial. Penelitian ini mengimplementasikan arsitektur EfficientNet-B0 untuk klasifikasi citra histopatologi kanker paru pada kelas normal, adenocarcinoma, dan squamous cell carcinoma. Melalui uji coba 24 konfigurasi hyperparameter, model mencapai akurasi tertinggi sebesar 91% pada learning rate 0.0001 dan freeze rate -3. Meskipun penggunaan Contrast Limited Adaptive Histogram Equalization (CLAHE) menghasilkan akurasi statistik yang identik dengan tanpa CLAHE, analisis Grad-CAM membuktikan bahwa CLAHE memberikan validitas klinis yang lebih unggul. Heatmap pada model dengan CLAHE menunjukkan fokus aktivasi yang lebih presisi pada massa tumor dan meminimalkan noise pada jaringan sehat, sehingga lebih andal untuk kebutuhan diagnosa medis.

Lung cancer is the leading cause of cancer death worldwide, accounting for approximately 18.7% of all cancer deaths in 2022. Therefore, early diagnosis through histopathology images is crucial. This study implemented the EfficientNet- B0 architecture for histopathology image classification of lung cancer into normal, adenocarcinoma, and squamous cell carcinoma classes. Through testing 24 hyperparameter configurations, the model achieved a peak accuracy of 91% at a learning rate of 0.0001 and a freeze rate of -3. Although the use of Contrast Limited Adaptive Histogram Equalization (CLAHE) yielded identical statistical accuracy to that without CLAHE, Grad-CAM analysis demonstrated superior clinical validity. The heatmap of the CLAHE-enabled model demonstrated more precise activation focus on tumor masses and minimized noise in healthy tissue, making it more reliable for medical diagnostic purposes.