<![CDATA[Evaluasi kinerja sistem kuantifikasi otomatis imunohistokimia (IHC) semakin penting untuk menjamin akurasi dan konsistensi dalam analisis ekspresi penanda tumor. Tinjauan sistematis ini bertujuan untuk mengevaluasi kinerja sistem kuantifikasi IHC otomatis berbasis kecerdasan buatan dalam konteks klinis dan penelitian. Penelusuran literatur dilakukan pada basis data PubMed, Scopus, dan ScienceDirect untuk publikasi tahun 2015–2025. Sebanyak 26 studi yang memenuhi kriteria inklusi dianalisis secara kualitatif berdasarkan pedoman PRISMA 2020. Hasil menunjukkan bahwa sistem kuantifikasi IHC berbasis kecerdasan buatan memiliki performa diagnostik tinggi dengan akurasi 90–98%, AUC hingga 0,96, serta korelasi dengan ahli patologi yang melebihi 0,95 pada berbagai biomarker utama seperti HER2, Ki-67, ER, PR, P53, dan PD-L1. Model deep learning seperti convolutional neural networks (CNN), termasuk ResNet dan DenseNet, menunjukkan kemampuan unggul dalam deteksi area tumor dan kuantifikasi ekspresi biomarker secara otomatis. AI juga terbukti meningkatkan reproduksibilitas hasil dengan mengurangi variasi antar-pengamat serta meningkatkan kesesuaian dengan metode referensi, sekaligus menstandarkan interpretasi pada kasus borderline. Perkembangan metode menunjukkan pergeseran dari digital image analysis berbasis aturan menuju deep learning yang lebih adaptif, sehingga meningkatkan akurasi dan generalisasi. Namun, kinerja sistem masih dipengaruhi oleh variasi pra-analitik, termasuk kualitas pewarnaan, heterogenitas data, ukuran dataset, serta kebutuhan supervisi ahli patologi. Secara keseluruhan, meskipun menunjukkan potensi besar dalam meningkatkan objektivitas dan efisiensi diagnostik, implementasi klinis AI dalam kuantifikasi IHC masih memerlukan standardisasi, validasi multisenter, dan evaluasi prospektif lebih lanjut.]]>
