Pembangunan Model Perubatan Pintar AI Tanpa Latar Belakang Pengaturcaraan Atau Sains Komputer

BILIK SEMINAR CTC, PKTAAB, April 2 2026

Kecerdasan Buatan (Artificial Intelligence, AI) kini semakin memainkan peranan penting dalam bidang kesihatan, membantu doktor membuat diagnosis dengan lebih cepat dan tepat. Namun begitu, ramai penyelidik—terutamanya dari latar belakang biologi dan perubatan—beranggapan bahawa AI adalah terlalu kompleks dan sukar untuk dipelajari.

Melalui satu bengkel yang telah dianjurkan baru-baru ini di institut kami, Prof. Madya Dr. Gouda Peng dari Chaoyang University of Technology (CYUT), Taiwan, telah membuktikan bahawa tanggapan ini tidak sepenuhnya benar.

Dr. Peng merupakan seorang tokoh terkemuka dalam bidang Sains Komputer dan Kejuruteraan Maklumat, dan kini memegang jawatan sebagai Ketua Jabatan Sains Komputer dan Kejuruteraan Maklumat di CYUT. Perjalanan akademik beliau juga sangat unik—bermula dengan Ijazah Sarjana Muda dalam Pentadbiran Perniagaan, diikuti dengan Ijazah Sarjana dalam Sains Komputer, dan seterusnya memperoleh PhD dalam Sains Komputer dari Birkbeck College, University of London. Kepakaran beliau tertumpu kepada teknik AI lanjutan, khususnya rangkaian neural.

Apa yang menjadikan pendekatan Dr. Peng istimewa adalah kesederhanaan dan kebolehcapaiannya. Kaedah beliau menunjukkan bahawa individu tanpa latar belakang dalam AI atau pengaturcaraan juga boleh membangunkan model AI yang berguna.

Sebagai contoh, Dr. Peng menggunakan aplikasi dalam bidang histopatologi, iaitu kajian tisu di bawah mikroskop. Imej tisu ini biasanya didigitalkan dalam bentuk imej bersaiz besar yang dikenali sebagai Whole Slide Images (WSI). Proses analisis secara manual adalah sangat memakan masa, namun AI mampu membantu mengenal pasti sel-sel penting secara automatik.

Pendekatan Dr. Peng boleh diringkaskan kepada empat langkah utama.

Langkah pertama ialah mempelajari daripada kajian sedia ada. Tanpa memerlukan pengetahuan mendalam dalam bidang biologi, Dr. Peng akan meneliti artikel penyelidikan yang berkaitan. Daripada kajian tersebut, beliau mengenal pasti jenis model AI dan kaedah latihan yang telah berjaya digunakan sebelum ini. Ini membolehkan beliau membina model berdasarkan pengetahuan yang telah terbukti.

Langkah kedua ialah menggunakan AI untuk menjana kod. Daripada menulis kod yang kompleks secara manual, Dr. Peng menggunakan alat AI seperti Gemini untuk membantu menghasilkan kod. Dengan hanya menerangkan tugasan—contohnya membina model untuk menganalisis imej perubatan — Gemini dapat menghasilkan struktur kod yang boleh digunakan. Selain itu, beliau juga menggunakan platform seperti Kaggle untuk mendapatkan dataset, contoh kod, dan rujukan pembelajaran. Ini memudahkan lagi proses pembangunan, terutamanya bagi pemula.

Langkah ketiga ialah menguji model. Setelah kod disediakan, model akan dilatih menggunakan data sebenar. Pada peringkat ini, Dr. Peng akan menilai prestasi model dari segi ketepatan dan kebolehpercayaan. Beberapa model mungkin diuji bagi menentukan yang terbaik.

Langkah terakhir dan paling penting ialah menambah baik model. Dr. Peng akan melakukan penambahbaikan secara berperingkat, seperti mengubah cara model belajar, menyesuaikan struktur model, dan memperbaiki strategi latihan. Setiap perubahan akan diuji semula. Melalui proses ini, model menjadi lebih tepat, lebih stabil, dan lebih pantas. Dalam banyak kes, model akhir yang dihasilkan adalah lebih baik berbanding model yang dilaporkan dalam kajian asal.

Pendekatan ini membawa mesej yang sangat penting: AI bukan lagi bidang yang terhad kepada pakar sains komputer sahaja. Dengan gabungan pembacaan literatur, penggunaan alat AI, dan penambahbaikan secara sistematik, penyelidik dari pelbagai latar belakang boleh turut serta dalam pembangunan AI.

Bagi para peserta bengkel — yang kebanyakannya dari bidang biologi dan perubatan — pendekatan ini amat memberi inspirasi. Ia membuktikan bahawa AI bukan sesuatu yang sukar atau jauh, tetapi satu alat yang praktikal dan boleh dipelajari.

Sebagai kesimpulan, kaedah Dr. Peng — belajar, bina, dan tambah baik — menyediakan satu laluan yang jelas dan mudah diikuti bagi mereka yang ingin menceburi bidang AI. Seiring dengan perkembangan pesat teknologi dalam bidang kesihatan, pendekatan seperti ini akan memainkan peranan penting dalam melahirkan lebih ramai penyelidik yang mampu menyumbang kepada masa depan perubatan.

Selain itu, PKTAAB juga telah berjaya menandatangani Memorandum Perjanjian (MoA) bersama Chaoyang University of Technology (CYUT), Taiwan. Kerjasama ini diharapkan dapat membuka lebih banyak peluang pada masa hadapan, memberi manfaat kepada para penyelidik dan pelajar dari kedua-dua institusi, serta memperkukuhkan jaringan kerjasama dalam bidang kecerdasan buatan dan penyelidikan bioperubatan.