Uji Coba AI Kami →
Clinical Decision Support System

Multimodal AI untuk skrining medis awal.

Satu sistem yang bisa membaca citra medis dan data klinis sekaligus — dipakai untuk skrining awal batu ginjal, tumor otak, dan risiko kanker payudara.

Buka Dashboard OncoVision AI → Unduh Dataset Uji
Bukan alat diagnosis mandiri — lihat disclaimer medis sebelum digunakan.
MODE: OBJECT_DETECTION · MODEL: YOLOv8 INFERENCE
AXIAL · SLICE 042/128
WL: 400  WW: 1800
PATIENT: TEST_SAMPLE_09
FOV: 220mm
kidney_stone 0.00
objects_detected: 0 status: memproses…
Tiga Modul Diagnostik

Dirancang untuk tiga alur kerja klinis yang berbeda

Setiap modul memakai jenis model dan format input yang sesuai dengan karakteristik datanya masing-masing — bukan satu model generik untuk semua kasus.

MOD-01 / KIDNEY-STONE

Deteksi Batu Ginjal

YOLOv8 · Object Detection

Melokalisasi dan menghitung batu ginjal pada citra CT Scan / USG, lengkap dengan bounding box dan skor kepercayaan per objek.

~0.75
mAP@50
50
epochs
MOD-02 / BRAIN-TUMOR

Klasifikasi Tumor Otak

MobileNetV2 · Transfer Learning

Mengklasifikasikan citra MRI otak ke dalam dua kelas: Normal dan Tumor, dengan precision tinggi untuk meminimalkan false positive.

90.0%
akurasi
0.93
precision (tumor)
MOD-03 / BREAST-RISK

Analisis Risiko Kanker Payudara

Tabular Classifier · scikit-learn

Mengestimasi tingkat risiko keganasan dari fitur data klinis terstruktur (CSV), mengembalikan label dan tingkat kepercayaan.

CSV
format input
JSON
format output
Alur Kerja

Dari input mentah sampai laporan terstruktur

STEP / 01

Unggah

Kirim citra medis (JPEG/PNG) atau data klinis (CSV/JSON) lewat dashboard atau langsung ke REST API.

STEP / 02

Pra-pemrosesan

Sistem menormalisasi dan menyiapkan input sesuai kebutuhan modul yang dipilih.

STEP / 03

Inferensi Model

Model terkait — YOLOv8, MobileNetV2, atau classifier tabular — memproses input secara real-time.

STEP / 04

Laporan Terstruktur

Hasil dikembalikan sebagai JSON yang jelas: label, confidence, dan detail lain yang dapat diinterpretasikan.

Performa & Transparansi

Angka yang kami ukur, bukan yang kami klaim

Semua metrik di bawah diambil langsung dari hasil evaluasi model, termasuk keterbatasannya.

Deteksi Batu Ginjal

YOLOv8 · label: Tas_Var
mAP@50 (akhir)0.70 – 0.76
Epochs50
Konvergensi stabil mulaiepoch ~15
Confidence range (inferensi)0.64 – 0.71

Klasifikasi Tumor Otak

MobileNetV2 · validasi n=50
Kelas Precision Recall F1 N
Normal 0.85 0.89 0.87 19
Tumor 0.93 0.90 0.92 31
Weighted avg 0.90 0.90 0.90 50
⚠️ Konteks penting: akurasi modul tumor otak (90%) diukur pada 50 sampel validasi — jumlah yang relatif kecil. Angka ini menggambarkan performa pada dataset uji, bukan jaminan generalisasi ke populasi pasien yang lebih luas.
Tech Stack

Dibangun di atas tooling yang teruji

Python 3.10+ FastAPI Uvicorn YOLOv8 (Ultralytics) TensorFlow / Keras OpenCV NumPy · Pandas scikit-learn Chart.js HTML · CSS · JavaScript

Dataset Uji

Kumpulan sampel citra (MRI, CT Scan) dan data CSV yang bisa dipakai untuk mencoba ketiga modul di dashboard tanpa data pasien asli.

Unduh Dataset (.zip) ↓
Penting — Baca Sebelum Menggunakan

OncoVision AI adalah alat bantu, bukan alat diagnosis mandiri

  • Hasil analisis dari sistem ini tidak menggantikan diagnosis, penilaian, atau rekomendasi dari dokter maupun tenaga medis profesional yang berkualifikasi.
  • Setiap keputusan klinis tetap sepenuhnya menjadi tanggung jawab tenaga medis yang menangani pasien.
  • Model AI dalam sistem ini dilatih pada dataset tertentu dan memiliki keterbatasan performa pada kondisi klinis yang bervariasi di luar data tersebut.
  • Penggunaan sistem ini untuk tujuan diagnosis akhir tanpa supervisi medis tidak dianjurkan dan dapat menimbulkan risiko bagi pasien.
  • Sistem ini dikembangkan untuk keperluan penelitian, edukasi, dan pendukung skrining awal. Selalu konsultasikan hasil dengan profesional kesehatan yang kompeten.