Een nieuwe studie in *Biology Methods & Protocols* onthult hoe de integratie van explainable AI (XAI) met een camouflagedieren detectie-algoritme kan helpen bij het identificeren van menselijke hersenkanker, waarbij neurowetenschappen en oncologie worden samengevoegd. Geleid door Dr. Arash Yazdanbakhsh en zijn team aan de Universiteit van Boston, past het onderzoek als eerste het concept van dierencamouflage-overdracht aan op diep-neuraalnetwerktraining voor tumordetectie. Wereldwijd waren hersenkankers verantwoordelijk voor meer dan 321. 000 nieuwe gevallen en 248. 500 sterfgevallen in 2022, volgens de Wereldgezondheidsorganisatie. In de VS worden jaarlijks ongeveer 90. 000 hersentumoren gediagnosticeerd, waarvan ongeveer 25. 200 kwaadaardig zijn. Glioblastoom, de dodelijkste vorm van hersenkanker, vormt 50% van alle primaire kwaadaardige tumoren in de VS en vormt ernstige overlevingsuitdagingen. Primaire hersentumoren kunnen in de hersenen ontstaan (gliële tumoren en gliomen) en verschillen van metastatische.

De hersenen bevatten neuronen en glia, waarbij glia ongeveer 50% van het centrale zenuwstelsel uitmaakt, cruciaal voor zijn vorming en functie. Deze studie gebruikt AI die getraind is om gecamoufleerde dieren te detecteren om hersentumoren in MRI-scans te identificeren door parallellen te trekken tussen kankercellen en camouflage. Het AI-netwerk, oorspronkelijk ontworpen om verborgen dieren te spotten, werd aangepast om T1-gewogen en T2-gewogen MRI-afbeeldingen te classificeren met behulp van twee modellen: T1Net en T2Net, waarbij specifieke hersengebieden worden geïdentificeerd. De onderzoekers gebruikten kenmerkvisualisatie, beeldsaliency-mapping en AI-modelkenmerken om de nauwkeurigheid van tumordetectie te verbeteren. Gliomadata kwamen voornamelijk uit de Cancer Imaging Archive en Kaggle-databases, waarbij normale MRI-gegevens als controle dienden. De AI-modellen bereikten nagenoeg perfecte nauwkeurigheden, waarbij transfer learning de prestaties van T2Net aanzienlijk verbeterde tot 92, 2% nauwkeurigheid op astrocytomen. Kwalitatieve XAI-methoden maakten visualisatie van AI-training en besluitvormingsprocessen mogelijk, waarbij potentiële kenmerken van verschillende tumortypen werden belicht. Deze vooruitgang in AI diepleer biedt potentieel als een niet-invasieve tool voor medische professionals om onderscheid te maken tussen kankercellen en niet-kankercellen in hersentumoren, wat bijdraagt aan toekomstige klinische toepassingen.