Hasil Pencarian  ::  Simpan CSV :: Kembali

"Latar Belakang: Limfoma Non-Hodgkin (LNH) sel B merupakan jenis keganasan yang paling sering ditemui di regio adneksa okular, dimana sebagian besar jenisnya merupakan derajat indolen yang memiliki manifestasi klinis yang ringan dan tidak spesifik, sehingga pasien seringkali datang dengan kondisi morbiditas yang buruk disertai dengan turun atau hilangnya fungsi penglihatan.BCL-10 sebagai salah satu biomarker yang diketahui memiliki peranan sebagai agen pro-apoptosis yang seharusnya menekan perkembangan tumor, justru lebih banyak ditemukan pada LNH sel B. Tujuan: Menilai hubungan antara ekspresi biomarker BCL-10 terhadap prognosis yang berupa overall survival (OS), progression free survival (PFS) dan event free survival (EFS) pada pasien dengan LNH sel B adneksa okular.Metode: Pewarnaan imunohistokimia menggunakan antibodi BCL-10 dilakukan pada jaringan LNH sel B adneksa okular di blok parafin yang berasal dari data rekam medis sejak Juni 2016 – Juni 2021 di RSCM. Penilaian ekspresi dilakukan pada nukleus dan sitoplasma dengan metode manual dan semi-kuantitatif pada 5 lapang pandang dari hasil foto dan diproses ke dalam peranti lunak Qupath. Hasil penilaian selanjutnya di cek silang dengan data klinis pasien yang sudah dicatat di tabel induk dan kemudian dianalisa secara statistik untuk mengetahui hubungan keduanyaHasil: Total 47 pasien dengan ketersediaan blok parafin dianalisa berdasarkan data klinis dan ekspresi BCL-10 serta hubungannya dengan prognosis. Kelompok usia > 61 tahun saat terdiagnosis limfoma memiliki risiko 10 kali lebih besar untuk meninggal (p=0,03). Jenis histopatologi terbanyak adalah Extranodal Marginal Zone Lymphoma (EMZL) sebanyak 83%. Ekspresi BCL-10 pada nukleus dan sitoplasma lebih banyak ditemukan pada LNH sel B derajat agresif (p<0,01 dan p=0,01). Persentase masing-masing prognosis adalah OS 80%, PFS 55%, dan EFS 82%. Tidak terdapat hubungan antara ekspresi BCL-10 pada prognosis (p>0,05), namun uji Regresi-Cox menunjukkan bahwa ada kecenderungan hubungan antara jenis histopatologi dengan semakin rendah nilai OS, PFS, dan EFS berdasarkan nilai hazard ratio. (HR=1,07; HR= 0,74; HR=0,08)Kesimpulan: Tidak terdapat hubungan yang bermakna antara ekspresi BCL-10 di nukleus dan sitoplasma dengan prognosis baik OS, PFS, dan EFS. Namun terdapat kecenderungan hubungan antara ekspresi positif dan intensitas kuat pada sitoplasma dengan semakin rendah nilai laju kesintasan, laju bebas progresivitas, dan laju bebas kejadian. Sementara itu, terdapat korelasi kuat antara semakin tua pasien saat terdiagnosis limfoma dengan risiko yang lebih besar untuk meninggal dan ekspresi BCL-10 lebih banyak ditemukan pada LNH sel B derajat agresif.

---

Background: B-cell Non-Hodgkin Lymphoma (NHL) is the most common type of malignancy in the ocular adnexa region. Most types are indolent grades with mild and non-specific clinical manifestations, so patients often come with poor morbidity accompanied by a decrease or loss of visual function. BCL-10, known as one of the biomarkers which have a role as a pro-apoptotic agent that suppresses tumor development, is even more found in B-cell NHL.

Objective: To assess the relationship between the expression of the BCL-10 and the prognosis in the form of overall survival (OS), known progression-free survival (PFS) and event-free survival (EFS) in patients with ocular adnexal B-cell NHL.

Methods: Immunohistochemical staining using BCL-10 antibody was performed on ocular adnexal B cell NHL tissue in paraffin blocks derived from medical record data from June 2016 – June 2021 at RSCM. Expression assessment was carried out on the nucleus and cytoplasm by manual and semi-quantitative methods in 5 fields of view from the photographs and processed into Qupath software. The assessment results were then cross-checked with the patient's clinical data recorded in the main table and then statistically analyzed to determine the relationship between the two.

Results: A total of 47 patients with paraffin block availability were analyzed based on clinical data and BCL-10 expression and its relationship with prognosis. When diagnosed with lymphoma, the age group > 61 years had a ten times greater risk of dying (p=0.03). The most common histopathological type was Extranodal Marginal Zone Lymphoma (EMZL), with 83%. BCL-10 expression in the nucleus and cytoplasm was found more in aggressive B cell NHL (p<0.01 and p=0.01). The percentage of each prognosis is OS 80%, PFS 55%, and EFS 82%. There was no relationship between BCL-10 expression and prognosis (p>0.05). However, the Cox-Regression test showed a tendency for a relationship between the type of histopathology and lower OS, PFS, and EFS values based on the hazard ratio. (HR=1.07; HR=0.74; HR=0.08).

Conclusion: There is no significant relationship between BCL-10 expression in the nucleus and cytoplasm with OS, PFS, and EFS prognosis. However, there is a tendency for a relationship between positive expression and strong intensity in the cytoplasm with lower survival rates, progression-free rates, and event-free rates. Meanwhile, there is a strong correlation between the older the patient when diagnosed with lymphoma and the greater risk of death and BCL-10 expression is found more in aggressive B-cell NHL."

"Karsinoma endometrium merupakan keganasan ginekologi yang sering dijumpai dan keganasan ketiga yang paling sering pada wanita. Karsinoma endometrium juga merupakan penyebab kematian ketujuh dari keganasan pada wanita. The American Cancer Society melaporkan bahwa pada tahun 1999 terjadi 37.400 kasus baru dan 6.400 kematian. Tahun 2000 dilaporkan 36.100 kasus baru dengan 6.500 kasus kematian. Tahun 2001 terjadi 38.300 kasus baru dengan 6.600 kematian. Sedangkan tahun 2002 diperkirakan akan terjadi 39.000 kasus baru dengan 6.600 kematian pertahunnya di Amerika Serikat.Data registrasi kanker berbasis rumah sakit di RSCM sepanjang tahun 1997-1998 terdapat 19 (1,41%) kasus baru dari 1346 keganasan pada wanita dan separuhnya datang sudah dengan derajat sedang dan berat serta sebagian besar dengan status pendidikanfsosiai ekonomi rendah. Beberapa peneliti mengajurkan untuk dilakukan evaluasi lebih jauh terhadap perdarahan uterus abnormal berdasarkan risiko terjadi polip endometrium, hiperplasia dan neoplasma endometrium.Pengambiian contoh sediaan endometrium merupakan suatu analisis histologi yang sangat panting. Cara ini mudah dilakukan sehingga dapat dijadikan alat bantu diagnosis pada penderita dengan rawat jalan. Diagnosis histopatologi memegang peranan penting dalam penatalaksanaan penyakit kanker. Hasil pemeriksaan ini akan menentukan pengobatan selanjutnya dan prognosis penyakit. Terdapat beberapa cara potensial untuk penapisan antara lain pemeriksaan sitologi, pemeriksaan histologi dan pemeriksaan ultrasonografi transvagina.Cara pengambilan dapat dilakukan dengan biopsi, histeroskopi atau dilatasi dan kuretase. Biopsi lebih murah bila dibandingkan dengan dilatasi dan kuretase, histeroskopi maupun observasi. Sebelumnya baku emas diagnosis histologi endometrium adalah dilatasi dan kuretase. Biopsi endometrium di poliklinik terbukti bermanfaat untuk penapisan penyakit endometrium karena tidak sakit, murah atau efek samping yang relatif rendah. Beberapa penelitian mendapatkan basil dari biopsi di poliklinik dengan nilai keakuratan yang hampir sama dengan dilatasi dan kuretase berkisar antara 90-95%.Deteksi kelainan endometrium yang dilakukan dengan cara dilatasi kuretase memiliki kendala antara lain biaya yang tinggi dan tindakan yang invasif. Dipikirkan dilakukan cars lain yang kurang invasif dan biaya yang relatif lebih murah, diantaranya adalah biopsi endometrium. Biopsi endometrium memiliki sensitivitas dan spesifisitas yang tinggi dalam mendeteksi keganasan endometrium. Biopsi endometrium mempunyai sensitivitas 91-99%. Sedangkan spesifisitasnya sekitar 98-99%.Teknik pengambilan contoh sediaan biopsi endometrium dengan menggunakan alat yang kecii, fleksibel dan sekali pakai cocok untuk mendapatkan jaringan endometrium. Kelebihan lain dari biopsi adalah biaya yang dikeluarkan lebih murah. Di RSCM diperkirakan biaya yang dikeluarkan untuk pemeriksaan biopsi endometrium dengan Endoram berkisar Rp. 150.000 dibandingkan dengan biaya untuk kuretase yang berkisar sebesar Rp. 1.500.000.Dari penelitian ini diharapkan pemeriksaan biopsi endometrium dengan Endoram dapat dipergunakan sebagai cars untuk mendeteksi dini bagi penderita yang berisiko tinggi terhadap kelainan endometrium atau perdarahan uterus abnormal sebelum dilakukan dilatasi kuretase.Berdasarkan uraian latar belakang masalah di atas, maka dapat dirumuskan suatu pertanyaan penelitian bagaimana sensitivitas dan spesifisitas pemeriksaan histologi biopsi Endoram dengan baku emas dilatasi kuretase endometrium untuk mendeteksi kelainan endometrium pada kasus perdarahan uterus abnormal."

"Mata merupakan salah satu indera terpenting bagi kehidupan manusia. Umumnya, banyak manusia yang mengabaikan gangguan fungsi penglihatan, dimana gangguan fungsi penglihatan ini mengindikasikan awal mula penyakit mata. Penyakit mata adalah gangguan fungsi penglihatan berkisar dari gangguan fungsi penglihatan ringan hingga gangguan fungsi penglihatan berat yang dapat menyebabkan kebutaan. Dalam melakukan diagnosa terhadap pasien gangguan fungsi penglihatan memiliki jenis penyakit mata yang diderita, diperlukan tahapan pemeriksaan retina dengan ophthalmoscopy atau fotografi fundus. Setelah itu, seorang dokter spesialis mata menganalisis jenis penyakit mata yang diderita pasien tersebut. Namun, karena terbatasnya sarana fasilitas kesehatan dan dokter spesialis mata yang memeriksa dan mengoperasi. Oleh karena itu, dibutuhkan alat deteksi dini dengan menggunakan data citra agar pasien gangguan penglihatan dapat ditangani sebelum pasien menderita gangguan fungsi penglihatan berat atau dapat mengalami kebutaan. Pada penelitian ini, diusulkan oleh peneliti model klasifikasi citra fundus ke dalam kelas normal, katarak, glaukoma, dan retina disease menggunakan Convolutional Neural Network (CNN) dengan arsitektur AlexNet. Data citra yang digunakan merupakan data fundus image retina yang berasal dari website kaggle. Sebelum data citra fundus image masuk ke dalam proses training model, dilakukan tahapan preprocessing pada data citra fundus image. Pada tahapan proses training dalam CNN digunakan fungsi optimasi untuk meminimalkan fungsi loss. Adapun fungsi optimasi yang digunakan dalam penelitian ini adalah Adam dan diffGrad. Hasil penelitian ini menunjukkan bahwa kedua fungsi optimasi tersebut memiliki hasil evaluasi training yang tidak jauh berbeda pada kedua fungsi optimasi. Keunggulan menggunakan kedua fungsi optimasi ini adalah mudah diterapkan. Pada penelitian ini didapatkan training loss terkecil sebesar 0,4838, validation loss terkecil sebesar 0,6658, dan training accuracy terbaik sebesar 0,8570 yang dimiliki oleh fungsi optimasi Adam. Sedangkan untuk validation accuracy terbaik sebesar 0,7189 yang dimiliki oleh fungsi optimasi diffGrad. Sedangkan running time tercepat pada proses training model sebesar 2840,9 detik yang dimiliki oleh fungsi optimasi diffGrad. Setelah tahapan proses training, dilakukan evaluasi dengan data testing. Secara keseluruhan, apabila dilihat dari hasil testing yang terbaik dimiliki oleh fungsi optimasi Adam dengan nilai accuracy sebesar 63%, recall sebesar 63%, dan precision sebesar 63%. Sedangkan running time tercepat pada proses testing model adalah 5,4 detik yang dimiliki oleh fungsi diffGrad. Dapat disimpulkan bahwa metode CNN menggunakan Arsitektur AlexNet dan fungsi optimasi Adam memberikan performa terbaik dalam mendeteksi penyakit mata pada data fundus image.

---

The eyes are one of the most important senses for human life. Generally, many people ignore visual impairment, where this visual impairment indicates the onset of eye disease. Eye disease is a visual impairment ranging from mild visual impairment to severe visual impairment which can lead to blindness. In diagnosing patients with visual impairment who have the type of eye disease they suffer, it is necessary to carry out a retinal examination with ophthalmoscopy or fundus photography. After that, an ophthalmologist analyzes the type of eye disease the patient is suffering from. However, due to limited medical facilities and ophthalmologists who examine and operate. Therefore, an early detection tool is needed using image data so that visually impaired patients can be treated before the patient suffers from severe visual impairment or can go blind. In this study, researchers proposed a model for classifying fundus images into normal, cataract, glaucoma, and retinal disease classes using Convolutional Neural Network (CNN) with AlexNet architecture. The image data used is retinal fundus image data from the Kaggle website. Before the fundus image data enters the training model process, a preprocessing stage is carried out on the fundus image data. At this stage of the training process in CNN, an optimization function is used to minimize the loss function. The optimization functions used in this study are Adam and differed. The results of this study indicate that the two optimization functions have training evaluation results that are not much different from the two optimization functions. The advantage of using these two optimization functions is that they are easy to implement. In this research, the smallest training loss is 0.4838, the smallest validation loss is 0.6658, and the best training accuracy is 0.8570 which is owned by the Adam optimization function. As for the best validation accuracy of 0.7189 which is owned by the diffGrad optimization function. Meanwhile, the fastest running time in the model training process is 2840.9 seconds, which is owned by the diffGrad optimization function. After the stages of the training process, evaluation is carried out with data testing. Overall, when viewed from the testing results, Adam's optimization function is the best with an accuracy value of 63%, recall of 63%, and precision of 63%. Meanwhile, the fastest running time in the model testing process is 5.4 seconds, which is owned by the diffGrad function. It can be concluded that the CNN method using AlexNet Architecture and Adam's optimization function provides the best performance in detecting eye diseases in fundus image data."

"Katarak merupakan keadaan di mana lensa mata yang biasanya terlihat jernih dan bening menjadi keruh yang disebabkan oleh sebuah kumpulan protein yang terletak di depan retina. Hal ini menyebabkan jaringan lensa mata mulai rusak dan menggumpal, sehingga berkurangnya cahaya yang masuk ke retina dan pandangan akan terlihat buram, kurang berwarna, serta dapat menyebabkan kebutaan yang permanen. Mendiagnosis penyakit katarak pada seseorang dapat menggunakan proses pemeriksaan citra fundus, hasil dari citra fundus kemudian dideteksi menggunakan salah satu pendekatan deep learning. Dalam penelitian ini, digunakan pendekatan deep learning yaitu metode Convolutional Neural Networks (CNN) classic dan CNN LeNet-5 pada fungsi aktivasi ReLU dan Mish dalam mendeteksi katarak. Data yang digunakan dalam penelitian ini yaitu data ODR yang merupakan online database yang berisi citra fundus dengan bervariasi ukuran citra. Dataset kemudian memasuki tahap preprocessing dalam meningkatkan performa model seperti mengkonversikan citra RGB menjadi grayscale dari intensitas green channel, kemudian menerapkan proses binerisasi citra menggunakan thresholding untuk menyesuaikan target atau label berdasarkan diagnosis dokter dan mengetahui tingkat kerusakan bagian mata dalam mendeteksi mata mengalami katarak atau tidak. Hasil performa pada penelitian ini menunjukkan bahwa model CNN LeNet-5 dengan fungsi aktivasi Mish lebih baik dibandingkan model CNN clasic dengan fungsi aktivasi Mish dalam mendeteksi penyakit katarak. Hasil performa keseluruhan yang optimal pada penelitian ini berdasarkan nilai accuracy, precision, recall, dan F1- score secara berturutturut yaitu 87%, 87,5%, 89,3%, 86,7%, dengan running time yang dibutuhkan pada training 95,67 detik dan testing 0,1859 detik.

---

Cataract is a condition in which the normally clear lens of the eye becomes cloudy due to a collection of proteins located in front of the retina. This causes the tissue of the eye's lens to begin to break down and clot, resulting in less light entering the retina and blurred vision, lack of color, and can lead to permanent blindness. Diagnosing cataracts in a person can use the process of examining the fundus image, the results of the fundus image are then detected using one of the deep learning approaches. In this study, a deep learning approach was used, namely Convolutional Neural Networks (CNN) classic and CNN LeNet-5 method on the ReLU and Mish activation functions in detecting cataracts. The data used in this study is ODR data which is an online database containing fundus images with varying image sizes. The dataset then enters the preprocessing stage to improve model performance, such as converting the RGB image to grayscale from the intensity of the green channel, then applying a binary image process using thresholding to adjust the target or label based on the doctor's diagnosis and determine the level of eye damage to detect cataracts or not. The performance results in this study indicate that the CNN LeNet- 5 model with Mish activation function is better than the CNN classic model with Mish activation function in detecting cataract disease. Optimal overall performance results in this study are based on the values of accuracy, precision, recall, and F1-score, respectively, namely 87%, 87,5%, 89,3%, 86,7%, with the running time required for training 95,67 seconds and testing 0,1859 seconds."

"Hasil dan Pembahasan: Dari hasil eksperimen diperoleh hasil kultur sebagai berikut: Dengan menggunakan teknik kultur konvensional, dari 7 metafase, diperoleh 1 kultur yang menunjukkan kromosom dengan kenampakan pita yang optimal. Sedangkan dengan menggunakan teknik kultur resolusi tinggi dengan menggunakan blocking agent pada fase metafase kemudian dilanjutkan dengan releasing agent, dari 13 metafase diperoleh 3 kultur kromosom dengan jumlah pita yang optimal. Ketiga kultur kromosom ini menunjukkan struktur kromosom yang lebih panjang jika dibanding dengan teknik kultur yang konvensional. Jika dilihat dari prosentase keberhasilan mendapatkan pita-pita yang jelas terlihat, tampak bahwa tidak banyak perbedaan antara teknik kultur konvensional dengan teknik kultur revolusi tinggi, namun jika dilihat dari hasil kulturnya tampak bahwa kultur kromosom resolusi tinggi (Foto 1) menghasilkan kromosom yang lebih panjang dibanding teknik konvensional. (Foto 2). Struktur kromosom yang panjang ini merupakan hasil yang cukup menggembirakan karena dengan struktur yang terentang akan lebih banyak pita yang akan terlihat. Pada Foto 3 dan 4 diperlihatkan kariogram dari kultur kromosom resolusi tinggi dan teknik kultur konvensional. Masalah yang masih menjadi kendala dalam penelitian ini adalah hasil fotografi yang kurang bagus sehingga meskipun kromosomnya panjang namun pita-pita kurang jelas terlihat. Hal ini disebabkan oleh kaca obyektif yang kurang fokus. Perlu dilakukan penggantian lensa obyektif plan akromat untuk mendapatkan hasil yang optimal. Disamping lensa obyektif, variasi lama inkubasi setelah diberikan releasing agent juga sangat menentukan panjang pendeknya kromosom yang didapat. Penelitian ini selain mencoba teknik kultur dengan menggunakan blocking agent juga berusaha memodifikasi prosedur agar didapatkan hasil kultur yang paling bagus, karena teknik kultur yang bisa diteruskan pada salah satu laboratorium belum tentu bisa bagus jika diterapkan laboratorium yang lain. Dengan demikian masing-masing laboratorium akan mempunyai kiat-kiat tersendiri untuk mendapatkan hasil yang bagus meskipun prinsipnya tidak jauh berbeda?."

"Penyakit mata berat yang telat tertangani seperti katarak, glaukoma, serta retinopati diabetik merupakan salah satu penyebab utama gangguan penglihatan dan kebutaan. Pencegahan dapat dilakukan dengan melakukan pendektesian dini melalui citra fundus. Untuk mengatasi minimnya dokter mata dan persebarannya yang masih belum merata, dilakukan pendektesian penyakit mata secara otomatis melalui gambar mata dengan pendekatan deep learning. Dalam penelitian ini, digunakan metode Transfer Learning U-Net dengan VGG16 sebagai pretrained model (V-Unet) yang telah dilatih pada online database, ImageNet. Data yang digunakan dalam penelitian ini merupakan data citra fundus yang diperoleh dari platform Kaggle. Preprocessing data pada citra fundus yang dilakukan untuk meningkatkan kinerja model adalah centered crop, resize, dan rescale. Fungsi optimasi Adam digunakan untuk meminimalkan fungsi loss ketika melatih model. Pada penelitian ini, dilakukan pemisahan data training, validasi, testing dengan 3 rasio berbeda, yaitu kasus I dengan rasio 60:20:20, kasus II dengan rasio 70:20:10, dan kasus III dengan rasio 80:10:10. Hasil penelitian ini menunjukkan bahwa V-Unet memiliki kinerja paling baik pada kasus II berdasarkan skor AUC dan running time dengan nilai rata-rata skor AUC 0,8622 dan rata-rata running time 3,7079 detik sedangkan berdasarkan nilai akurasinya V-Unet memiliki kinerja paling baik pada kasus III dengan rata-rata nilai akurasi sebesar 66,34%.

---

Untreated severe eye diseases such as cataracts, glaucoma, and diabetic retinopathy is one of the main causes of visual impairment and blindness. Prevention can be done by doing early detection through fundus images. To overcome the lack of ophthalmologists and their uneven distribution, an automatic detection of eye diseases is carried out through eye images using a deep learning approach. In this study, Transfer Learning U-Net method was used with VGG16 as a pre-trained model (V-Unet) which had been trained on the online database, ImageNet . The data used in this study is fundus image data that obtained from the Kaggle platform. Preprocessing data on the fundus image that is carried out to improve model performance is centered crop, resize, and rescale. Adam's optimization function used to minimize the loss function when training the model. In this study, the training, validation, testing data was separated with 3 different ratios, namely case I with a ratio of 60:20:20, case II with a ratio of 70:20:10, and case III with a ratio of 80:10:10. The results of this study indicate that V-Unet has the best performance in case II based on the AUC score and running time with an average AUC score of 0.8622 and an average running time of 3.7079 seconds while based on accuracy value the best case is case III with an average accuracy value of 66.34%."

"Klasifikasi tipe gunungapi di Indonesia dibagi menjadi tiga berdasarkan sejarah letusannya, yaitu tipe A, B , dan C. Lokasi penelitian merupakan Gunung Karang, Kabupaten Pandeglang, Provinsi Banten yang merupakan gunungapi tipe B. Selain itu, ditambahkan gunungapi tipe A untuk melihat perbedaan penggunaan metode, yaitu Gunung Raung, Kabupaten Banyuwangi, Kabupaten Bondowoso, dan Kabupaten Lumajang, Provinsi Jawa Timur. Lalu, untuk melihat perubahan deformasi pada gunung tersebut dari tahun 2015 hingga 2020 digunakan metode Interferometric Synthetic Aperture Radar (InSAR). Hasil dari pengolahan data dengan menggunakan teknik InSAR menunjukan bahwa di Gunung Karang dari tahun 2015 hingga 2020 tidak menunjukan adanya deformasi yang terbentuk. Teknik ini akan lebih baik digunakan pada daerah yang minim vegetasi, karna citra interferogram yang terbentuk tidak akan menunjukan informasi jika digunakan pada daerah yang memiliki vegetasi yang tinggi.

---

Classification of volcanic types in Indonesia is divided into three based on the history of eruptions, namely types A, B, and C. The research location is Mount Karang, Pandeglang Regency, Banten Province which is a type B volcano. In addition, type A volcano is added to see the differences in the use of the method, namely Mount Raung, Banyuwangi Regency, Bondowoso Regency, and Lumajang Regency, East Java Province. Then, to see changes in deformation on the mountain from 2015 to 2020, the method was used Interferometric Synthetic Aperture Radar (InSAR). The results of data processing using the technique InSAR show that at Mount Karang from 2015 to 2020 there is no deformation formed. This technique would be better used in areas with minimal vegetation, because the formed interferogram image will not show information if used in areas with high vegetation."