Data sintetis untuk AI medis: manfaat tanpa mengganti data nyata

Data sintetis (synthetic data) dibuat sebagian atau sepenuhnya lewat komputasi untuk meniru sifat dan hubungan dalam data pasien nyata. Pengembang AI medis memakainya untuk menambah contoh kasus langka, memperbaiki ketimpangan kelas, atau menguji sistem tanpa mengumpulkan pasien baru. Namun, label sintetis tidak otomatis berarti anonim atau setara dengan data klinis. Nilainya bergantung pada cara pembuatan, pengujian, dan tata kelola data sumber.

Data dibangun, bukan sekadar disamarkan

Tinjauan dalam BJR|Artificial Intelligence mendefinisikan data sintetis kesehatan sebagai data buatan yang meniru sifat dan hubungan dalam data pasien nyata. Untuk citra medis, tekniknya mencakup model generatif statistik, simulasi berbasis fisika, dan pendekatan hibrida. Jaringan adversarial generatif (generative adversarial network/GAN) mempelajari pola citra pasien, sedangkan model difusi membentuk gambar melalui proses penghilangan derau. Simulasi fisika memakai model digital anatomi dan perangkat pencitraan.

Tujuannya bukan mencetak salinan pasien baru. Kumpulan data itu bisa memperbanyak contoh kelompok yang sedikit, mengisi bagian data yang hilang, dan menyediakan kasus uji yang sulit dikumpulkan. Manfaat tersebut penting ketika penyakit jarang, anotasi mahal, atau paparan radiasi membuat pengumpulan baru tidak praktis. Hasil buatan tetap dibatasi pola dalam data atau model pengetahuan sumber, sehingga kekosongan dan bias lama bisa terbawa.

Data sintetis dan pembelajaran terfederasi (federated learning) menjawab masalah berbeda. Pembelajaran terfederasi mempertahankan data sumber di institusi, sedangkan data sintetis membuat contoh baru untuk tugas tertentu. Keduanya tetap membutuhkan rekam pasien untuk pengembangan awal, evaluasi, atau kalibrasi. Data pasien juga diperlukan untuk mengukur kesenjangan antara contoh buatan dan kondisi layanan.

UU PDP tetap mengikat data sumber

UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi menempatkan data dan informasi kesehatan sebagai data pribadi yang bersifat spesifik. Undang-undang itu mewajibkan pemrosesan yang terbatas, spesifik, sah, transparan, dan sesuai tujuan. Kewajiban tersebut mencakup data pasien yang dipakai untuk membangun generator, menilai keluaran, atau mengecek kebocoran. Pembentukan kumpulan data akhir tidak menghapus kewajiban selama data sumber diproses.

Status kumpulan data akhir perlu diperiksa secara terpisah. Tinjauan radiologi itu memperingatkan bahwa model generatif bisa mengingat titik data pasien tertentu dan merusak privasi. Kemiripan visual saja tidak membuktikan bahwa keluaran aman dibagikan. Naskah UU PDP yang kami periksa tidak memuat definisi khusus untuk data sintetis.

Badan Kebijakan Pembangunan Kesehatan (BKPK) mencatat kajian tata kelola AI kesehatan masih berproses hingga 31 Desember 2026. Pertanyaan kebijakannya mencakup keselamatan pasien, pelindungan data, keandalan hasil, dan kerangka operasional yang terstandar. Halaman itu belum memuat laporan akhir atau standar khusus data sintetis. Sampai artikel ini disusun, kami belum menemukan dokumen resmi Indonesia yang menetapkan definisi atau ambang mutu khusus untuk data sintetis medis.

Kemiripan statistik bukan bukti kinerja klinis

Penilaian biasanya memisahkan fidelitas dari utilitas. Fidelitas mengukur seberapa dekat hubungan statistik data sintetis dengan data pasien. Utilitas menilai apakah kumpulan data mendukung tugas yang dituju. Para penulis menyebut evaluasi data sintetis radiologi masih menjadi masalah terbuka, sementara metrik yang tersedia bisa melewatkan halusinasi dan memorisasi.

Kumpulan data juga harus diuji pada tugas dan populasi yang dituju. Tinjauan tersebut menyatakan bukti utama keamanan dan efektivitas perangkat tetap harus berasal dari set uji pasien nyata yang kokoh. Contoh sintetis berfungsi sebagai pelengkap, bukan satu-satunya tolok ukur. Pengujian menurut kelompok pasien, lingkungan klinis, dan perangkat diperlukan karena nilai rata-rata bisa menyembunyikan cakupan yang lemah.

Generator mempelajari pola yang tersedia dalam data atau model pengetahuan sumber. Jika kasus langka hampir tidak tercatat, generator hanya memiliki sedikit dasar untuk membentuk variasinya. Pembuatan bersyarat bisa menyeimbangkan jumlah contoh, tetapi tidak menciptakan pengetahuan klinis yang tidak pernah terekam. Klaim pengurangan bias tetap perlu diuji pada data pasien nyata.

Keruntuhan model bukan akibat otomatis

Studi Nature pada 2024 menyebut keruntuhan model (model collapse) terjadi ketika keluaran model berulang kali masuk ke pelatihan generasi berikutnya. Informasi pada ekor distribusi mulai hilang, lalu hasil semakin menjauh dari distribusi awal. Peneliti mengamatinya pada model bahasa besar (large language model/LLM) dan variational autoencoder (model pemadat serta pembangun ulang data/VAE). Temuan serupa muncul pada Gaussian mixture model (model gabungan beberapa distribusi Gaussian/GMM). Pola klinis langka membuat risiko pada ekor distribusi relevan bagi pengembang AI medis.

Eksperimen tersebut bukan penelitian pencitraan medis dan tidak membuktikan semua kumpulan data sintetis akan runtuh. Penggunaan data sintetis sebagai tambahan satu putaran berbeda dari rantai generasi tanpa akhir. Dalam satu eksperimen model bahasa, mempertahankan 10 persen data asli menghasilkan penurunan kinerja yang lebih kecil. Angka itu bukan rasio campuran universal untuk AI medis.

Penilaian penerapan membutuhkan asal data sumber, metode pembuatan, hasil uji privasi, dan kinerja pada data nyata menurut kelompok. Dokumentasi juga perlu mencatat versi generator serta porsi data sintetis pada setiap putaran pelatihan. Set uji pasien harus terpisah dari generator agar perbandingan tidak berputar pada sumber yang sama. Kesalahan pada kasus langka perlu dilaporkan terpisah karena nilai rata-rata bisa menyamarkan hilangnya ekor distribusi.