Egy új tanulmány a *Biology Methods & Protocols*-ban bemutatja, hogyan segítheti az emberi agyrák felismerését az észlelhető mesterséges intelligencia (XAI) integrálása egy rejtőzködő állatokat felismerő algoritmussal, így egyesítve a neurológia és az onkológia területeit. A kutatást Dr. Arash Yazdanbakhsh és csapata vezette a Bostoni Egyetemen, és ez az első ilyen jellegű kutatás, amely az állat álcázás transzfer tanulását alkalmazza mély neurális hálózatok tumor felismerésére való oktatásában. Az Egészségügyi Világszervezet szerint globálisan az agydaganatok több mint 321, 000 új eset és 248, 500 haláleset okai voltak 2022-ben. Az Egyesült Államokban évente körülbelül 90, 000 agydaganatot diagnosztizálnak, ebből körülbelül 25, 200 rosszindulatú. A glioblasztóma, a leghalálosabb agyráktípus, az összes primer rosszindulatú tumor 50%-át adja az USA-ban, komoly túlélési kihívásokat jelentve. A primer agydaganatok az agyban (glia daganatok és gliomák) eredhetnek, és különböznek az áttétesektől.

Az agy neuronokat és glia sejteket tartalmaz, amelyek az agy központi idegrendszerének mintegy 50%-át alkotják, kritikus szerepet játszva annak kialakulásában és működésében. Ez a tanulmány egyedülállóan használ AI-t, amelyet rejtőzködő állatok felismerésére képeztek ki, hogy MRI felvételeken azonosítsa az agydaganatokat, azáltal, hogy párhuzamot von a rákos sejtek és az álcázás között. Az AI hálózatot, amelyet eredetileg rejtett állatok felismerésére terveztek, úgy alakították át, hogy T1- és T2-súlyozott MRI-képeket osztályozzon két modellel: T1Net és T2Net, amely különböző agyterületeket céloz meg. A kutatók jellemzők vizualizálását, képkimutatási térképezést és AI modelltulajdonságokat alkalmaztak a tumor felismerésének pontosságának javítása érdekében. A glioma adatok elsősorban a Cancer Imaging Archive és Kaggle adatbázisokból származtak, normál MRI adatok pedig kontrollként szolgáltak. Az AI modellek szinte tökéletes pontossággal teljesítettek, a transzfer tanulás különösen a T2Net teljesítményét növelte 92. 2%-os pontosságra az asztrocitómák esetében. A kvalitatív XAI módszerek lehetővé tették az AI oktatási és döntési folyamatainak vizualizálását, kiemelve a különböző daganattípusok potenciális jellemzőit. Ez az AI mély tanulási előrelépés potenciális, nem invazív eszközként szolgálhat az orvosi szakemberek számára, hogy megkülönböztessék a rákos és nem rákos agydaganatokat, hozzájárulva a jövőbeli klinikai alkalmazásokhoz.