KI erkennt Krankheiten, einschließlich Krebs, anhand des menschlichen Atems

• Neues Faltungs-Neuronales Netzwerk kann Verbindungen im menschlichen Atem analysieren und Krankheiten erkennen.
• Die Technologie macht den gesamten Prozess schneller, kostengünstiger und zuverlässiger.
• Es kann in der Forensik, Medizin und Umweltanalyse eingesetzt werden.

Künstliche Intelligenz (KI) sorgt heutzutage für großes Aufsehen. Entwickler integrieren KI in fast alles:Ob es darum geht, Stimmen in der Menge zu erkennen, völlig autonome Fahrzeuge herzustellen, Videos in hohe Qualität umzuwandeln oder bessere Batterien oder Sprengstoffe zu entwickeln – KI hat ihre außergewöhnlichen Fähigkeiten in allen Bereichen unter Beweis gestellt.

Von nun an kann KI auch riechen. Forscher der University of 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, genauer als beim Menschen erkennen kann.

Der typische menschliche Atem enthält mehr als 1.000 verschiedene flüchtige organische Verbindungen, die Produkte der Stoffwechselprozesse sind, die durch den Blutgasaustausch im gesamten Körper ablaufen. Eine Atemprobe besteht aus mehreren Informationen, die pathologische und physiologische Zustände und damit den Gesundheitszustand eines Patienten beschreiben.

Bestehende Methoden zur Atemanalyse

In den letzten Jahrzehnten haben Wissenschaftler fortschrittliche Maschinen eingesetzt, um winzige Mengen von Elementen und Verbindungen in der Luft aufzuspüren. Diese Maschinen nutzen die Analysemethode Gaschromatographie-Massenspektrometrie (GC-MS), um zahlreiche flüchtige organische Verbindungen zu identifizieren.

Die Maschine trennt jede Verbindung in der Luftprobe und zerschmettert sie in Fragmente. Jetzt hat jedes Fragment eine einzigartige Identität, anhand derer man bestimmte Verbindungen erkennen kann.

Bildnachweis:James Gathany / Smithsonian

Die obige Grafik zeigt eine 3D-Ansicht eines Teils einer Atemprobe aus einem GC-MS-Gerät. Jeder einzelne Peak ist einem Fragment eines Moleküls zugeordnet. Selbst der kleinste Peak spielt eine entscheidende Rolle bei der Identifizierung verschiedener Substanzen. Die spezifischen Muster solcher Spitzen verraten die Art der Krankheiten, die ein Patient möglicherweise in sich trägt, einschließlich Krebserkrankungen im Frühstadium.

Heutzutage werden GC-MS-Geräte zur Drogenerkennung, Umweltuntersuchung, Sprengstoffanalyse und Erkennung unbekannter Materialien eingesetzt, einschließlich Proben, die in den 1970er Jahren vom Planeten Mars gewonnen wurden.

Der Vorgang kann jedoch langwierig und zeitaufwändig sein. Eine große Menge komplexer Daten muss manuell von Spezialisten untersucht werden. Manchmal dauert es Tage, eine einzelne Probe zu untersuchen, und da Menschen fehleranfällig sind, kann es passieren, dass sie eine Substanz übersehen oder eine Substanz mit einer anderen verwechseln.

Wie kann KI helfen?

Forscher haben den Einsatz von Convolutional Neural Networks (CNNs) vorgeschlagen, um flüchtige organische Verbindungen autonom aus Rohdaten zu identifizieren. Dadurch entfällt die Notwendigkeit eines zeit- und arbeitsintensiven Arbeitsablaufs zur Datenvorverarbeitung.

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

Nach der manuellen Identifizierung der Verbindungen wurden diese Proben an Deep-Learning-Netzwerke weitergeleitet. Die Berechnung des neuronalen Netzwerks wurde auf NVIDIA Tesla-GPUs unter Verwendung der Deep-Learning-Frameworks TensorFlow und Keras durchgeführt.

Eine einfache Darstellung des gesamten Prozesses | Bildnachweis: James Gathany / Smithsonian

Um die Effizienz des Netzwerks weiter zu verbessern, erweiterten die Forscher die ursprünglichen Trainingsdatensätze durch Datenerweiterung:Das CNN wurde um das Hundertfache erweitert.

Referenz:Research Gate | Smithsonianmag

Das System schnitt am besten ab, wenn es mit zwei spezifischen Funktionen ausgeführt wurde:

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

Die Forscher konzentrierten sich auf die Identifizierung einer Reihe von Chemikalien, sogenannte Aldehyde, die häufig für Duftstoffe sowie menschliche Krankheiten und Stresszustände verantwortlich sind.

Mit dieser KI integrierte Computer benötigen nur wenige Minuten, um eine Atemprobe zu identifizieren, was sonst Stunden dauern würde. Insgesamt macht die Technologie den gesamten Prozess schneller und kostengünstiger, aber vor allem macht sie den Prozess zuverlässiger.

Lesen Sie:Google entwickelt KI, die Herzerkrankungen durch Scannen Ihrer Augen vorhersagt

Die Genauigkeit des Netzwerks kann weiter verbessert werden, indem es anhand einer Vielzahl von Proben trainiert wird. Darüber hinaus ist es nicht auf eine bestimmte Verbindung beschränkt:Man könnte diese KI in der Forensik, Medizin und Umweltanalyse einsetzen.