ABSTRAK
Kanker Endometrium (EC), juga disebut sebagai karsinoma endometrium , merupakan kategori karsinoma uterus yang paling umum pada wanita, menempati peringkat keenam kanker paling umum di seluruh dunia di antara wanita. Studi ini memperkenalkan model mutakhir Diagnosis Berbantuan Komputer Efisien Berbasis Pembelajaran Mesin (ML-CAD) yang ditujukan untuk membantu para profesional perawatan kesehatan dalam menyelidiki, memperkirakan, dan mengklasifikasikan kanker endometrium secara akurat melalui analisis cermat gambar histopatologi yang diwarnai H&E. Pada fase awal pemrosesan gambar, langkah-langkah cermat diambil untuk menghilangkan noise dari gambar histopatologi. Selanjutnya, penerapan teknik normalisasi pewarnaan Vahadane memastikan normalisasi pewarnaan di seluruh gambar histopatologi. Segmentasi gambar histopatologi yang dinormalisasi pewarnaan dilakukan dengan presisi menggunakan pendekatan pengelompokan k-NN, sehingga meningkatkan kemampuan klasifikasi model ML-CAD yang diusulkan. Fitur dangkal dan fitur dalam diekstraksi untuk analisis. Integrasi fitur dangkal dan dalam dicapai melalui strategi fusi tingkat menengah, dan teknik pra-pemrosesan SMOTE-Edited Nearest Neighbor (SMOTE-ENN) diterapkan untuk mengatasi masalah ketidakseimbangan sampel. Identifikasi fitur optimal dari kumpulan fitur heterogen dilakukan dengan cermat menggunakan Extra Tree-Whale Optimization Feature Selector (ET-WOFS) yang baru. Untuk klasifikasi kanker endometrium berikutnya, serangkaian pengklasifikasi, termasuk k-NN, Random Forest, dan Support Vector Machine (SVM), dimanfaatkan. Pengklasifikasi yang menggabungkan fitur ET-WOFS menunjukkan hasil klasifikasi yang luar biasa. Dibandingkan dengan model yang ada, hasilnya menunjukkan bahwa pengklasifikasi k-NN yang memanfaatkan fitur ET-WOFS menunjukkan hasil yang luar biasa dengan akurasi klasifikasi 95,78%, presisi 96,77%, rasio positif palsu (FPR) yang sangat rendah sebesar 1,40%, dan juga rasio negatif palsu (FNR) minimal sebesar 4,21%. Validasi lebih lanjut terhadap kinerja prediksi dan klasifikasi model dievaluasi berdasarkan nilai AUC-ROC dan metrik lainnya. Penilaian yang disajikan ini menegaskan kemanjuran model dalam memberikan dukungan diagnostik yang akurat dan andal untuk kanker endometrium.