Cakrawala News – 04 Oktober 2026 | Proyek Global RETFound, sebuah inisiatif model dasar medis yang dikembangkan dengan dukungan peneliti dari UCL, mengumumkan perluasan jaringan kolaborasinya menjadi 108 mitra dari lebih dari 40 negara. Pembaruan ini disampaikan dalam Kongres EURETINA ke-26 di Wina, Austria, oleh Paul Nderitu, MBChB, MPhil, MBCS, FRCOphth, PhD, seorang peneliti di UCL sekaligus dokter spesialis mata konsultan di Moorfields, yang menyebut proyek ini sebagai upaya membangun “model dasar medis global pertama di dunia”.
Menurut Nderitu, timnya menghabiskan satu tahun terakhir untuk merekrut kolaborator dari berbagai belahan dunia. Dari total 108 mitra, sekitar tiga perempatnya telah berbagi model generatif yang dilatih dengan kumpulan data lokal mereka. Model-model itu digunakan tim untuk menyintesis citra. Sementara itu, 27 lokasi lainnya atau sekitar seperempat mitra telah menyerahkan data riil.
Target 100 Juta Citra Fundus
Tim Global RETFound berencana menyintesis sekitar 100 juta citra fundus berwarna dan menggabungkannya dengan data riil yang terkumpul. Nderitu berharap langkah ini menghasilkan peningkatan sekitar 100 kali lipat dibandingkan model RETFound yang orisinal. Peningkatan skala tersebut dinilai penting untuk memperkuat kemampuan model dalam mengenali beragam kondisi mata pada populasi yang berbeda.
Lebih dari 20 lokasi saat ini sedang menguji berbagai kasus penggunaan untuk memvalidasi model. Uji coba itu mencakup deteksi retinopati diabetik dan degenerasi makula, tugas okulomik, hingga tugas yang lebih jarang seperti deteksi retinopati pada bayi prematur. Nderitu menegaskan bahwa validasi dalam beberapa bulan mendatang menjadi prioritas utama tim, dengan target menjadikan model tersebut dapat diakses secara terbuka untuk keperluan riset.
Kelompok riset ini baru-baru ini menerbitkan makalah protokol yang telah melalui penelaahan sejawat. Makalah itu menjelaskan model AI generatif yang digunakan, cara mitra direkrut, tata kelola atas citra sintetis, model, dan data riil, serta bentuk dukungan yang diberikan kepada para kolaborator.
Mendorong Keadilan Kesehatan Lewat Representasi Data
Nderitu menjelaskan bahwa pendekatan ini tidak spesifik untuk retina dan bisa diadopsi oleh peneliti di bidang lain, misalnya penyakit kulit. Ia berharap semakin banyak model dasar global lain yang dikembangkan. Menurutnya, karena AI belajar dari datanya, model yang dilatih hanya pada populasi dari sejumlah negara tertentu akan merugikan populasi yang tidak terwakili. AI yang tertanam dalam layanan kesehatan, katanya, berpotensi menjadi cara baru yang memperbesar ketidaksetaraan.
Ia berharap Global RETFound dapat menyoroti pentingnya membangun representasi dan inklusivitas ke dalam AI demi meningkatkan keadilan kesehatan. Nderitu juga menilai AI multimodal dan multispesialisasi dibutuhkan karena bidang ini saat ini masih terpecah dalam silo-silo terpisah.
Ia menyebut AlzEye, sebuah kumpulan data yang dibuat oleh anggota tim, Siegfried Wagner, yang menghubungkan data Rumah Sakit Mata Moorfields dengan Hospital Episode Statistics. Versi baru AlzEye disebut bertujuan memasukkan data dari luar mata, seperti pencitraan neuro. Tim juga tengah menyurvei kumpulan datanya untuk mengidentifikasi bagian mana yang masih kosong.
Meski proyek ini telah bekerja sama dengan sejumlah lokasi di Afrika, Amerika Selatan, dan Asia Tengah, Nderitu mengakui masih ada celah yang tersisa. Tim berharap dapat menjalankan putaran kedua pada 2027 untuk mengisi kekosongan tersebut dan melatih ulang model dengan lebih banyak model serta keragaman yang lebih besar.
Konteks Riset dan Kolaborasi Lintas Negara
Global RETFound merupakan salah satu contoh bagaimana riset kedokteran mata bergerak ke arah kolaborasi lintas negara yang lebih luas. Keterlibatan peneliti dari institusi seperti UCL menunjukkan bahwa pengembangan model AI medis tidak lagi bisa dilakukan secara terisolasi oleh satu laboratorium atau satu negara saja. Dibutuhkan kontribusi data dari berbagai populasi agar model yang dihasilkan tidak bias.
Dalam konteks yang lebih luas, kebutuhan akan representasi data yang beragam ini sejalan dengan diskusi global mengenai tata kelola AI di sektor kesehatan. Model yang dilatih dengan data terbatas berisiko menghasilkan prediksi yang kurang akurat ketika diterapkan pada kelompok pasien yang berbeda secara genetik, geografis, maupun sosial.
Bagi para mitra, keterlibatan dalam proyek ini juga memberi peluang untuk mengakses teknologi model dasar tanpa harus membangun infrastruktur komputasi sendiri. Sebaliknya, tim inti mendapatkan akses ke keragaman data yang sulit diperoleh jika hanya mengandalkan satu sumber. Pola kerja sama semacam ini berpotensi menjadi cetak biru bagi pengembangan model AI medis di bidang lain di masa depan.
Yang perlu diperhatikan selanjutnya adalah hasil validasi dari lebih dari 20 lokasi uji coba dalam beberapa bulan ke depan. Jika model ini terbukti akurat dan dapat diakses secara terbuka, Global RETFound bisa menjadi rujukan penting bagi pengembangan AI kesehatan yang lebih inklusif. Namun, keberhasilan jangka panjangnya akan sangat bergantung pada kemampuan tim menutup celah data pada putaran berikutnya, termasuk menjangkau wilayah yang belum terwakili.
