Nova studija u *Biology Methods & Protocols* otkriva kako integracija objašnjive veštačke inteligencije (XAI) sa algoritmom za detekciju kamufliranih životinja može pomoći u identifikaciji ljudskog raka mozga, spajajući oblasti neurologije i onkologije. Istraživanje koje predvodi dr Arash Yazdanbakhsh sa timom sa Univerziteta u Bostonu, prvo je koje primenjuje transferno učenje kamuflaže životinja na obuku dubokih neuronskih mreža za detekciju tumora. Prema Svetskoj zdravstvenoj organizaciji, rakovi mozga su globalno činili preko 321. 000 novih slučajeva i 248. 500 smrtnih ishoda u 2022. godini. U SAD, godišnje se dijagnostikuje oko 90. 000 tumora mozga, od kojih je oko 25. 200 malignih. Glioblastom, najsmrtonosnija vrsta raka mozga, čini 50% svih primarnih malignih tumora u SAD, postavljajući ozbiljne izazove za preživljavanje. Primarni tumori mozga mogu nastati u mozgu (glijalni tumori i gliomi) i razlikuju se od metastatskih.

Mozak sadrži neurone i gliju, pri čemu glija čini oko 50% centralnog nervnog sistema, ključno za njegovu formiranje i funkciju. Ova studija jedinstveno koristi AI obučen za detekciju kamufliranih životinja kako bi identifikovala tumore mozga na MRI snimcima, povlačeći paralele između kancerogenih ćelija i kamuflaže. AI mreža, prvobitno osmišljena za uočavanje skrivenih životinja, adaptirana je za klasifikaciju T1-ponderisanih i T2-ponderisanih MRI slika pomoću dva modela: T1Net i T2Net, identifikujući različite regije mozga. Istraživači su iskoristili vizualizaciju karakteristika, mapiranje salijencije slika i karakteristike AI modela kako bi poboljšali preciznost detekcije tumora. Podaci o gliomima su uglavnom preuzeti iz Cancer Imaging Archive i Kaggle baza podataka, dok su normalni MRI podaci korišćeni kao kontrola. AI modeli su postigli skoro savršenu tačnost, pri čemu je transferno učenje značajno poboljšalo performanse T2Net-a na 92, 2% tačnosti kod astrocitoma. Kvalitativne XAI metode omogućile su vizualizaciju procesa obuke i donošenja odluka AI-ja, ističući potencijalne karakteristike različitih vrsta tumora. Ovaj napredak u AI dubokom učenju nudi potencijal kao neinvazivan alat za medicinske profesionalce da razlikuju kancerogene od nekancerogenih tumora mozga, doprinoseći budućim kliničkim primenama.