Tatkala melihat foto seminar yang dihadiri oleh seorang sahabat, membuatkan saya terkejut besar (doktor pun tak terkejut macam den) yang mencadangkan adaptasi kecerdasan buatan (pembelajaran mendalam (Deep Learning) dan rangkaian neural buatan (ANN)) ke dalam disiplin eko-farmakognosi. Dalam disiplin sains komputer, Deep Learning dan aplikasi ANN adalah ilmu yang wajib dipelajari sebelum bergraduasi. Namun, adaptasi kecerdasan buatan mungkin baru untuk lain-lain disiplin sehingga boleh jadi satu kejutan budaya. Ia boleh menyusahkan atau menyenangkan kerja-kerja sedia ada! Artikel ini akan menerangkan asas mengenai kedua-dua bidang tersebut.

1. Farmakognosi

Farmakognosi adalah salah satu cabang ilmu dalam sains farmasi berkaitan ubat-ubatan yang diperoleh dari tumbuh-tumbuhan, fungus dan sumber alami yang lain. Ia meliputi aturan bagaimana tumbuhan atau bahan alami itu dikenalpasti dan seterusnya diproses untuk mengekstrak bahan aktif yang boleh dijadikan ubatan.

Banyak salah tanggapan umum bahawa herba contohnya hanya perlu dicelup-celup buat teh atau direbus untuk mendapat khasiatnya. Ada tumbuhan perlu  direndam dengan alkohol, ada yang perlu diperlakukan dengan asid. Ini bukan hanya praktis moden, tetapi telah diajarkan zaman berzaman. Contohnya boleh dibaca tentang kisah Ar Razi (Abū Bakr Muhammad ibn Zakariyyā al-Rāzī) melakukan pengekstrakan alkohol dan pendistilan pati bunga mawar untuk ubatan.

Kaedah ini diadaptasi pada perubatan moden. Banyak penemuan ubatan baru berdasarkan kaedah pengekstrakan dan pemencilan kompaun-kompaun kimia. Namun, ia sebenarnya melalui jalan dan masa yang panjang. Malah menggunakan pelarut alkohol dan bahan kimia yang bukan sedikit. Ujian untuk mengetahui pada organisma hidup juga perlu diambil kira.

Jadi eko-farmakognosi telah dicadangkan. Penggunaan kaedah AI dan statistik digunakan untuk memproses, memprediksi dan mengektrapolasi data supaya langkah kerja dan konsumsi bahan mentah dapat diminimakan dalam ujikaji.

2. Rangkaian Saraf Buatan (artificial neural network):

RSB pula adalah salah satu cabang ilmu dalam bidang statistik dan kecerdasan buatan. Pendekatan ini banyak diguna dalam tugasan mengklasifikasi sesuatu perkara. Idea algoritma RSB ini diilhamkan oleh rangkaian saraf biologi haiwan dan manusia, iaitu rangkaian sistem saraf hinggalah ke otak. RSB mempunyai neuron yang boleh dilatih untuk mengira nilai-nilai dari input dan meramalkan kelas data (output) yang sesuai. Sehingga kini, RSB digunakan secara meluas dalam dunia perubatan untuk membantu proses pembuatan keputusan.

Terdapat juga aplikasi atas talian RSB dengan tiga lapisan untuk mengesan corak kadar rentak jantung seseorang. Secara khusus, RSB banyak digunakan dalam mengesan risiko penyakit jantung koronari dengan menggunakan sensor elektro-kardiogram. Apabila satu sampel diuji, nod lapisan yang tersembunyi akan membuat perbandingan antara nilai input dan nilai nod terdekat sebelum satu keputusan dikeluarkan. Dengan kaedah ini, algoritma RSB mampu membuat pengesanan risiko penyakit jantung yang lebih efektif berbanding algoritma Growing Neural Gas (GNG), dan Self-Organizing Map (SOM).

Rajah di bawah menunjukkan model asas untuk rangkaian neural.

Rangkaian fungsi asas neural terdiri daripada tiga lapisan, iaitu lapisan input, lapisan tersembunyi, dan lapisan output.

  • Lapisan input: Menghantar vektor input ke setiap unit yang ada di dalam lapisan tersembunyi.
  • Lapisan tersembunyi: Memeta ruangan input ke ruangan tersembunyi secara tidak terus dengan menggunakan fungsi Gaussian. Transformasi dari ruang input ke lapisan tersembunyi juga berlaku secara tidak terus.
  • Transformasi dari ruang tersembunyi ke ruang output berlaku secara terus.

Namun, disebalik kehebatan dalam menggunakan RSB bagi membantu pembuatan keputusan, RSB juga mempunyai banyak kelemahan di dalam domain penjagaan kesihatan. Ini kerana, asas arahan RSB adalah peraturan “IF-THEN” yang banyak sekaligus menjadikan rangkaian sarafnya sangat kompleks, terhad dan sukar difahami, terutamanya apabila melibatkan tugas-tugas pembuatan keputusan yang besar. Berikut adalah kelemahan-kelehaman lain yang perlu diambilkira sebelum menggunakan RSB:

  1. RSB memerlukan banyak pembolehubah, ini sangat penting demi menjaga kredibiliti ketepatan dalam proses pengelasan.
  2. Disebabkan oleh terlalu banyak pembolehubah, RSB perlu dilatih dengan input yang banyak dalam fasa latihan. Ini menyebabkan kos melatih algoritma meningkat dan memakan masa yang lama.
  3. Model RSB kurang telus dalam pembuatan keputusan kerana ia bersifat seperti kotak hitam dan sukar bagi pakar perubatan untuk memahami keputusan yang dikeluarkan oleh model tersebut.
  4. Ketepatan RSB dalam pembuatan keputusan biasanya lebih rendah berbanding algoritma lain seperti hutan rawak (random forest) dan SVM (support vector machine).

3. Pembelajaran Mendalam (Deep learning):

Pembelajaran mendalam memainkan peranan penting dalam analisis data yang besar, terutamanya ketika lambakan data yang kini berlaku secara luar biasa. Pembelajaran mendalam boleh dilaksanakan dengan penggunaan banyak parameter dan saraf tersembunyi, di samping penglibatan model-model yang besar dan data yang berskala besar bagi membuat generalisasi terhadap data tersebut.

Sehingga kini, terdapat pelbagai jenis senibina pembelajaran mendalam termasuklah rangkaian kepercayaan yang mendalam (deep belief networks), rangkaian saraf yang mendalam (deep neural networks), mesin Boltzmann mendalam (deep Boltzmann machine), dan rangkaian saraf berpintal mendalam (deep convolution neural network) telahpun digunakan dalam bidang pengecaman suara, pemprosesan audio, pemprosesan imej, dan sistem informasi penjagaan kesihatan.

Sebuah sistem pembuatan keputusan dalam penjagaan kesihatan menggunakan pembelajaran rangkaian saraf pelbagai lapisan (multiple-layer neural network deep learning) untuk mengatasi kelemahan yang ada pada model pembuatan keputusan konvensional. Model pembelajaran mendalam ini menggabungkan pelbagai fitur dan pembelajaran dalam satu model bagi mensimulasikan proses pembuatan keputusan manusia yang kompleks.

Model-model pembelajaran mendalam telah menunjukkan kejayaan besar dalam penyelidikan neuro-pengimejan. Rangkaian kepercayaan mendalam  (Deep belief network) dan mesin Boltzmann terkawal (restricted Boltzmann machine) telah banyak digunakan untuk menstruktur data dan fungsi MRI. Caranya adalah:

  1. BANDING – Keberkesanan sesuatu model pembelajaran mendalam dibandingkan dengan model sekelasnya.
  2. ANALISIS PARAMETER – Ketepatan faktor/parameter yang digunakan dianalisis dan diuji ke atas data perubatan yang khusus.
  3. PENGESAHAN – Keupayaan kaedah yang dicadang disahkan sama ada mampu untuk menerokai struktur data kabur yang lebih besar ataupun tidak.

Terdapat juga rangka kerja pembelajaran mendalam yang digunakan bagi membuat anggaran ke atas data imej yang tidak lengkap dari pelbagai sumber pangkalan data. Dengan mengeksploitasi bentuk rangkaian saraf yang berpintal, klasifikasi melalui pengiraan yang besar dapat dilakukan bagi melihat sebarang kebarangkalian terhadap penyakit. sebagai contoh, melalui kaedah ini, penilaian boleh dibuat ke atas penyakit Alzheimer boleh dibuat menggunakan pangkalan data ADNI yang mana input dan outputnya adalah imej MRI dan PET.

 

Rujukan:

  1. Fang, R., Pouyanfar, S., Yang, Y., Chen, S.-C., & Iyengar, S. S. (2016). Computational Health Informatics in the Big Data Age: a survey. ACM Computing Surveys (CSUR), 49(1), 1–36.
  2. Vu, Q. H., Lupu, M., & Ooi, B. C. (2010). Systems and Applications. Peer-to-Peer Computing.
Shares