*Biology Methods & Protocols* dergisindeki yeni bir çalışma, açıklanabilir yapay zeka (XAI) ile kamufle edilmiş hayvan algılama algoritmasını birleştirerek insan beyin kanserini tanımlamaya nasıl yardımcı olabileceğini ve sinirbilim ile onkoloji alanlarını nasıl birleştirdiğini ortaya koyuyor. Boston Üniversitesi'nden Dr. Arash Yazdanbakhsh öncülüğündeki ekip tarafından yürütülen araştırma, derin sinir ağı eğitimi için hayvan kamuflajını transfer öğrenimi olarak tümör tespitine uygulayan ilk çalışmadır. Dünya Sağlık Örgütü'ne göre, 2022 yılında dünya genelinde beyin kanserleri 321, 000'den fazla yeni vakaya ve 248, 500 ölüme neden olmuştur. ABD'de ise her yıl yaklaşık 90, 000 beyin tümörü teşhis edilmekte ve bunların yaklaşık 25, 200'ü kötü huyludur. Glioblastoma, ABD'deki tüm birincil kötü huylu tümörlerin %50'sini oluşturan ve en ölümcül beyin kanseri türü olan bir türdür, ciddi hayatta kalma zorlukları sunar. Birincil beyin tümörleri beyinde (glial tümörler ve gliomlar) başlayabilir ve metastatik olanlardan farklıdır.

Beyin, merkezi sinir sisteminin yaklaşık %50'sini oluşturan ve oluşumu ile işlevi için çok önemli olan nöronlar ve glialardan oluşur. Bu çalışma, kamufle edilmiş hayvanları tespit etmek için eğitilmiş yapay zekayı, kanserli hücreler ile kamuflaj arasında benzerlik kurarak, MRI taramalarında beyin tümörlerini tanımlamak için benzersiz bir şekilde kullanıyor. Başlangıçta gizli hayvanları bulmak için tasarlanmış olan yapay zeka ağı, T1Net ve T2Net modellerini kullanarak T1-ağırlıklı ve T2-ağırlıklı MRI görüntülerini sınıflandırmak için adapte edildi ve farklı beyin bölgelerini belirledi. Araştırmacılar, tümör tespit doğruluğunu artırmak için özellik görselleştirme, görüntü önem haritalaması ve AI modeli özelliklerinden yararlandı. Glioma verileri ağırlıklı olarak Kanser Görüntüleme Arşivi ve Kaggle veri tabanlarından alınırken, normal MRI verileri kontrol olarak kullanıldı. AI modelleri, aktarım öğreniminin T2Net'in performansını astrositomlarda %92. 2 doğruluğa çıkardığı mükemmele yakın doğruluklar elde etti. Niteliksel XAI yöntemleri, çeşitli tümör türlerinin olası özelliklerini vurgulayan AI eğitimi ve karar verme süreçlerinin görselleştirilmesini sağladı. Bu AI derin öğrenme ilerlemesi, tıbbi uzmanların kanserli ve kansersiz beyin tümörlerini ayırt etmesine olanak tanıyan, gelecekteki klinik uygulamalara katkıda bulunacak olası bir invaziv olmayan araç sunmaktadır.