Yüksek verimli teknolojilerdeki ilerlemeler, geleneksel hipotez odaklı metodolojilerden veri odaklı yaklaşımlara doğru bir kaymaya yol açmıştır. Çoklu omik, genomik, proteomik, transkriptomik, metabolomik ve mikrobiyomik gibi birden fazla ‘om’dan türetilen verilerin bütünleştirici analizini ifade eder. Bu yaklaşım, farklı biyolojik bilgi katmanlarını yakalayarak biyolojik sistemlerin kapsamlı bir şekilde anlaşılmasını sağlar. Derin öğrenme yöntemleri, çoklu omik verilerini bütünleştirmek, moleküler etkileşimlere ilişkin içgörüler sunmak ve karmaşık hastalıklara yönelik araştırmaları geliştirmek için giderek daha fazla kullanılmaktadır. Ancak, çok sayıda birbirine bağlı katmanları ve doğrusal olmayan ilişkileri olan bu modeller, genellikle karar alma süreçlerinde şeffaflıktan yoksun kara kutular olarak işlev görmektedir. Bu zorluğun üstesinden gelmek için, açıklanabilir yapay zeka (xAI) yöntemleri, klinisyenlerin karmaşık verileri daha etkili bir şekilde yorumlamalarına ve bunlarla çalışmalarına olanak tanıyan şeffaf modeller oluşturmak için çok önemlidir. Bu inceleme, xAI’nin çoklu omik araştırmalarında derin öğrenme modellerinin yorumlanabilirliğini nasıl iyileştirebileceğini araştırıyor ve klinisyenlere net içgörüler sağlama potansiyelini vurgulayarak, bu tür modellerin klinik ortamlarda etkili bir şekilde uygulanmasını kolaylaştırıyor.

Kaynak: Makalenin ana kaynağı ve türkçe çevirisi için tıklayın