En ny studie i *Biology Methods & Protocols* avslører hvordan integrering av forklarbar AI (XAI) med en algoritme for deteksjon av kamuflerte dyr kan hjelpe med å identifisere menneskelig hjernekreft, og forene feltene nevrovitenskap og onkologi. Ledet av Dr. Arash Yazdanbakhsh og hans team ved Boston University, er forskningen den første til å anvende overføringslæring fra dyrekamuflasje til dyp nevralt nettverkstrening for tumoroppdagelse. Ifølge Verdens helseorganisasjon stod hjernekreft globalt for over 321 000 nye tilfeller og 248 500 dødsfall i 2022. I USA blir det diagnostisert rundt 90 000 hjernesvulster årlig, hvorav omtrent 25 200 er ondartede. Glioblastom, den dødeligste typen hjernekreft, utgjør 50% av alle primære ondartede svulster i USA, og gir store utfordringer for overlevelse. Primære hjernesvulster kan oppstå i hjernen (gliatumorer og gliomer) og skiller seg fra metastatiske svulster.

Hjernen inneholder nevroner og glia, hvor glia utgjør rundt 50% av sentralnervesystemet, og er avgjørende for dets dannelse og funksjon. Denne studien bruker unikt AI som er trent til å oppdage kamuflerte dyr for å identifisere hjernesvulster i MR-skanninger ved å sammenligne kreftceller med kamuflasje. AI-nettverket, opprinnelig designet for å oppdage skjulte dyr, ble tilpasset for å klassifisere T1-vektede og T2-vektede MR-bilder ved hjelp av to modeller: T1Net og T2Net, som lokaliserer ulike hjerneregioner. Forskerne utnyttet funksjonsvisualisering, bildesaliencykartlegging og AI-modellfunksjoner for å forbedre nøyaktigheten av tumoroppdagelse. Gliomadata kom hovedsakelig fra Cancer Imaging Archive og Kaggle-databaser, med normale MR-data som kontroll. AI-modellene oppnådde nesten perfekte nøyaktigheter, med at overføringslæring spesielt forbedret T2Nets ytelse til 92, 2% nøyaktighet på astrocytomer. Kvalitative XAI-metoder muliggjorde visualisering av AI-trenings- og beslutningsprosesser, og fremhevet potensielle trekk ved forskjellige tumortyper. Denne fremgangen innen AI-dyp læring tilbyr potensial som et ikke-invasivt verktøy for medisinske fagfolk for å skille mellom kreftfulle og ikke-kreftfulle hjernesvulster, noe som bidrar til fremtidige kliniske anvendelser.