AI detecteert ziekten, inclusief kanker, via menselijke adem

Een nieuw convolutioneel neuraal netwerk kan verbindingen in de menselijke adem analyseren en ziekten detecteren. De technologie maakt het hele proces sneller, goedkoper en betrouwbaarder. Toepassingen zijn te vinden in forensische onderzoek, geneeskunde en milieuanalyse.

Kunstmatige intelligentie en geurolfactie

Kunstmatige intelligentie (AI) genereert veel ophef. Ontwikkelaars integreren AI in bijna alles: van stemherkenning in de menigte tot volledig autonome voertuigen, videoverbetering tot betere batterijen of explosieven. AI heeft zijn buitengewone mogelijkheden in alle domeinen bewezen.

Vanaf nu kan AI ook 'ruiken'. Onderzoekers van de Universiteit van Edinburgh, het Western General Hospital en de Loughborough University hebben een diep leer-systeem gebouwd dat verbindingen in de menselijke adem kan onderzoeken en ziekten, waaronder verschillende soorten kanker, kan detecteren met een hogere nauwkeurigheid dan mensen.

Typische menselijke adem bevat meer dan 1.000 verschillende vluchtige organische verbindingen, producten van metabolische processen door bloed-gasuitwisseling in het hele lichaam. Een ademmonster bevat talloze informatie over pathologische en fysiologische toestanden, en dus over de gezondheidstoestand van een patiënt.

Bestaande methoden voor ademanalyse

Al decennialang gebruiken wetenschappers geavanceerde machines om minute hoeveelheden elementen en verbindingen in de lucht te detecteren. Deze machines gebruiken de gaschromatografie-massa-spectrometrie (GC-MS) analytische methode om talloze vluchtige organische verbindingen te identificeren.

De machine scheidt elke verbinding in het luchtmonster en verbreekt deze in fragmenten. Elk fragment heeft een unieke identiteit waarmee specifieke verbindingen herkend kunnen worden.

De bovenstaande grafiek toont een 3D-weergave van een deel van een ademmonster van een GC-MS-machine. Elke piek is geassocieerd met een molecuulfragment. Zelfs de kleinste piek speelt een cruciale rol bij het identificeren van verschillende stoffen. De specifieke patronen van dergelijke pieken onthullen het type ziekten dat een patiënt kan dragen, inclusief kanker in vroege stadia.

Tegenwoordig worden GC-MS-machines gebruikt bij drugsdetectie, milieuexamen, explosievenanalyse en detectie van onbekende materialen, inclusief monsters verkregen van de planeet Mars in de jaren '70.

Het proces kan echter vervelend en tijdrovend zijn. Een enorme hoeveelheid complexe data moet handmatig worden onderzocht door specialisten. Soms duurt het dagen om één monster te onderzoeken, en aangezien mensen foutgevoelig zijn, kunnen ze een stof missen of de ene stoffen voor de andere aanmerken.

Hoe AI kan helpen

Onderzoekers stellen het gebruik van convolutionele neurale netwerken (CNN's) voor om vluchtige organische verbindingen autonoom te identificeren uit ruwe data. Dit elimineert de behoefte aan tijdrovende, arbeidsintensieve datavoorbewerking.

Ze verzamelden ademmonsters van patiënten die kankerbehandeling ondergingen in het Edinburgh Cancer Centre. Deze monsters werden vervolgens onderzocht door twee teams van informatici en chemici.

Na handmatige identificatie van de verbindingen, werden deze monsters gevoerd aan diep leer-netwerken. De neurale netwerkberekeningen werden uitgevoerd op NVIDIA Tesla GPU's met behulp van de TensorFlow en Keras diep leer-frameworks.

Om de efficiëntie van het netwerk verder te verbeteren, breidden de onderzoekers de oorspronkelijke trainingsdatasets uit met data-augmentatie: de CNN werd 100 keer geaugmenteerd.

Het systeem presteerde het best met twee specifieke kenmerken:

1. 1D-filter om aan te passen aan de specifieke GC-MS-datastructuur.
2. 3D-kanaalinvoer om lage, medium en hoge intensiteitssignalen te lezen uit varierende GC-MS-spectra.

De onderzoekers richtten zich op het identificeren van een set chemicaliën, aldehyden genoemd, die vaak verantwoordelijk zijn voor geuren, evenals voor menselijke ziekten en stresscondities.

Computers met deze AI identificeren een ademmonster in minuten wat anders uren zou kosten. Over het algemeen maakt de technologie het hele proces sneller en goedkoper, maar vooral betrouwbaarder.

De nauwkeurigheid van het netwerk kan verder worden verbeterd door het te trainen op een breed scala aan monsters. Bovendien is het niet beperkt tot een specifieke verbinding: men kan deze AI inzetten in forensisch onderzoek, geneeskunde en milieuanalyse.