KI erkennt Krankheiten, einschließlich Krebs, aus menschlichem Atem

Ein neues neuronales Faltungsnetzwerk (CNN) kann Verbindungen im menschlichen Atem analysieren und Krankheiten erkennen. Die Technologie macht den gesamten Prozess schneller, kostengünstiger und zuverlässiger. Anwendungsbereiche umfassen Forensik, Medizin und Umweltanalytik.

Künstliche Intelligenz kann nun "riechen"

Künstliche Intelligenz (KI) sorgt derzeit für großes Aufsehen. Entwickler integrieren KI in fast alles: Ob Spracherkennung in Menschenmengen, vollständig autonome Fahrzeuge, Videoverbesserung oder die Entwicklung besserer Batterien und Sprengstoffe – KI hat in allen Bereichen außergewöhnliche Fähigkeiten bewiesen.

Ab sofort kann KI auch riechen. Forscher der Universität Edinburgh, des Western General Hospital und der Loughborough University haben ein auf Deep Learning basierendes System entwickelt, das Verbindungen im menschlichen Atem untersuchen und Krankheiten – einschließlich verschiedener Krebsarten – mit höherer Genauigkeit als Menschen erkennen kann.

Die Wissenschaft hinter der Atemanalyse

Der typische menschliche Atem enthält mehr als 1.000 verschiedene flüchtige organische Verbindungen (VOCs), die als Produkte metabolischer Prozesse durch den Gasaustausch im gesamten Körper entstehen. Eine Atemprobe liefert somit umfangreiche Informationen über pathologische und physiologische Zustände sowie den Gesundheitsstatus eines Patienten.

Bisherige Methoden der Atemanalyse

Seit Jahrzehnten nutzen Wissenschaftler hochentwickelte Geräte, um winzige Mengen an Elementen und Verbindungen in der Luft zu detektieren. Diese Geräte verwenden die Gaschromatographie-Massenspektrometrie (GC-MS), um zahlreiche flüchtige organische Verbindungen zu identifizieren.

Das Gerät trennt jede Verbindung in der Luftprobe und zerlegt sie in Fragmente. Jedes Fragment besitzt eine einzigartige Signatur, anhand derer sich spezifische Verbindungen identifizieren lassen.

Die obige Grafik zeigt eine 3D-Ansicht eines Teils einer Atemprobe aus einem GC-MS-Gerät. Jeder einzelne Peak korreliert mit einem Molekülfragment. Selbst kleinste Peaks spielen eine entscheidende Rolle bei der Identifizierung verschiedener Substanzen. Die spezifischen Muster solcher Peaks verraten, an welchen Krankheiten ein Patient leiden könnte – einschließlich Krebs im Frühstadium.

Heute finden GC-MS-Geräte Anwendung bei Drogendetektion, Umweltuntersuchungen, Sprengstoffanalytik und der Identifizierung unbekannter Materialien – einschließlich Proben, die in den 1970er Jahren vom Mars gewonnen wurden.

Der Prozess ist jedoch mühsam und zeitaufwändig. Eine enorme Menge komplexer Daten muss manuell von Spezialisten ausgewertet werden. Manchmal dauert die Untersuchung einer einzelnen Probe Tage, und da Menschen fehleranfällig sind, können sie Substanzen übersehen oder verwechseln.

Wie KI helfen kann

Forscher schlagen den Einsatz konvolutionaler neuronaler Netze (CNNs) vor, um flüchtige organische Verbindungen autonom aus Rohdaten zu identifizieren. Dies eliminiert die Notwendigkeit zeitaufwändiger, arbeitsintensiver Datenvorverarbeitung.

Sie sammelten Atemproben von Patienten, die sich im Edinburgh Cancer Centre einer Krebsbehandlung unterzogen. Diese Proben wurden von zwei Teams aus Informatikern und Chemikern untersucht.

Nach der manuellen Identifizierung der Verbindungen wurden die Proben in Deep-Learning-Netzwerke eingespeist. Die neuronale Netzwerkberechnung erfolgte auf NVIDIA Tesla GPUs unter Verwendung der Deep-Learning-Frameworks TensorFlow und Keras.

Um die Effizienz des Netzwerks weiter zu steigern, erweiterten die Forscher die ursprünglichen Trainingsdatensätze durch Data Augmentation: Das CNN wurde 100-fach augmentiert.

Das System erzielte die beste Leistung bei der Ausführung mit zwei spezifischen Merkmalen:

1. 1D-Filter zur Anpassung an die spezifische GC-MS-Datenstruktur.
2. 3D-Kanaleingang zur Erfassung von Signalen niedriger, mittlerer und hoher Intensität aus variierenden GC-MS-Spektren.

Die Forscher konzentrierten sich auf die Identifizierung einer Gruppe von Chemikalien, den Aldehyden, die oft für Duftstoffe verantwortlich sind, aber auch mit menschlichen Krankheiten und Stresszuständen in Verbindung stehen.

Computer, die mit dieser KI ausgestattet sind, benötigen nur Minuten, um eine Atemprobe zu identifizieren, wofür Menschen sonst Stunden bräuchten. Insgesamt macht die Technologie den gesamten Prozess schneller und kostengünstiger, aber vor allem zuverlässiger.

Die Genauigkeit des Netzwerks lässt sich durch Training mit einer breiten Palette von Proben weiter verbessern. Zudem ist es nicht auf bestimmte Verbindungen beschränkt: Diese KI kann in Forensik, Medizin und Umweltanalytik eingesetzt werden.