Une nouvelle étude publiée dans *Biology Methods & Protocols* révèle comment l'intégration de l'IA explicable (XAI) avec un algorithme de détection d'animaux camouflés peut aider à identifier le cancer du cerveau chez l'humain, en fusionnant les domaines des neurosciences et de l'oncologie. Dirigée par le Dr Arash Yazdanbakhsh et son équipe à l'Université de Boston, cette recherche est la première à appliquer le transfert d'apprentissage du camouflage animal à l'entraînement des réseaux neuronaux profonds pour la détection des tumeurs. Selon l'Organisation mondiale de la santé, les cancers du cerveau ont représenté plus de 321, 000 nouveaux cas et 248, 500 décès en 2022 dans le monde. Aux États-Unis, environ 90, 000 tumeurs cérébrales sont diagnostiquées chaque année, dont environ 25, 200 sont malignes. Le glioblastome, le type de cancer du cerveau le plus mortel, constitue 50% de toutes les tumeurs malignes primaires aux États-Unis, posant de graves défis de survie. Les tumeurs cérébrales primaires peuvent provenir du cerveau (tumeurs gliales et gliomes) et diffèrent des tumeurs métastatiques.

Le cerveau contient des neurones et de la glie, la glie représentant environ 50% du système nerveux central, essentiel à sa formation et à sa fonction. Cette étude utilise de manière unique l'IA formée pour détecter les animaux camouflés afin d'identifier les tumeurs cérébrales dans les scans IRM en établissant des parallèles entre les cellules cancéreuses et le camouflage. Le réseau d'IA, initialement conçu pour repérer les animaux cachés, a été adapté pour classifier les images IRM pondérées T1 et T2 en utilisant deux modèles : T1Net et T2Net, identifiant des régions cérébrales distinctes. Les chercheurs ont exploité la visualisation des caractéristiques, la cartographie de la saillance des images et les caractéristiques du modèle d'IA pour améliorer la précision de la détection des tumeurs. Les données sur les gliomes provenaient principalement de l'Archive des images du cancer et des bases de données Kaggle, avec des données IRM normales servant de contrôle. Les modèles d'IA ont atteint des précisions presque parfaites, le transfert d'apprentissage augmentant notablement les performances de T2Net à une précision de 92, 2% sur les astrocytomes. Les méthodes XAI qualitatives ont permis de visualiser les processus d'entraînement et de décision de l'IA, mettant en évidence des caractéristiques potentielles de divers types de tumeurs. Cette avancée en apprentissage profond de l'IA offre un potentiel en tant qu'outil non invasif pour les professionnels de santé afin de distinguer les tumeurs cérébrales cancéreuses des non cancéreuses, contribuant ainsi à de futures applications cliniques.