ИИ диагностирует заболевания, включая рак, по выдыхаемому воздуху

Новая сверточная нейросеть способна анализировать соединения в выдыхаемом воздухе человека и выявлять заболевания.

Технология делает процесс быстрым, недорогим и более надежным.

Ее можно применять в криминалистике, медицине и экологическом анализе.

Существующие методы анализа дыхания

Уже несколько десятилетий ученые используют сложные приборы для обнаружения микроскопических количеств элементов и соединений в воздухе. Эти машины применяют метод газовой хроматографии-масс-спектрометрии (GC-MS) для идентификации множества летучих органических соединений.

Прибор разделяет каждое соединение в пробе воздуха и фрагментирует его. Теперь у каждого фрагмента есть уникальная «подпись», по которой можно распознать конкретные вещества.

На приведенном выше 3D-графике показана часть пробы дыхания из аппарата GC-MS. Каждый пик соответствует фрагменту молекулы. Даже самые малые пики играют ключевую роль в идентификации различных веществ. Специфические узоры таких пиков раскрывают типы заболеваний, которые может нести пациент, включая рак на ранних стадиях.

Сегодня машины GC-MS используются для обнаружения наркотиков, экологического контроля, анализа взрывчатки и идентификации неизвестных материалов, включая пробы, полученные с Марса в 1970-х годах.

Однако процесс может быть утомительным и долгим. Огромное количество сложных данных требует ручного анализа специалистами. Иногда на исследование одной пробы уходит несколько дней, и поскольку люди склонны к ошибкам, они могут пропустить вещество или перепутать одно вещество с другим.

Как может помочь ИИ?

Исследователи предложили использовать сверточные нейронные сети (CNN) для автономной идентификации летучих органических соединений из сырых данных. Это устраняет необходимость в трудоемком, трудоемком предварительном обработке данных.

Они собрали пробы дыхания от пациентов, проходящих лечение от рака, в Эдинбургском онкологическом центре. Эти пробы были изучены двумя командами — учеными-информатиками и химиками.

После ручной идентификации соединений пробы были переданы глубоким нейросетям. Вычисления нейросети выполнялись на GPU NVIDIA Tesla с использованием фреймворков глубокого обучения TensorFlow и Keras.

Для дальнейшего повышения эффективности сети исследователи расширили исходные обучающие наборы данных с помощью аугментации: CNN была аугментирована 100 раз.

Система показала наилучшие результаты при использовании двух специфических особенностей:

1. 1D-фильтр для адаптации к конкретной структуре данных GC-MS.
2. 3D-канальный вход для чтения сигналов низкой, средней и высокой интенсивности из варьирующегося спектра GC-MS.

Исследователи сфокусировались на идентификации группы химикатов, называемых альдегидами, которые часто отвечают за ароматы, а также за человеческие заболевания и стрессовые состояния.

Компьютеры с этим ИИ идентифицируют пробу дыхания за минуты, тогда как раньше это занимало часы. В целом технология делает весь процесс быстрым и недорогим, но главное — более надежным.

Точность сети можно еще повысить, обучив ее на широком спектре проб. Более того, она не ограничена какими-то конкретными соединениями: этот ИИ можно использовать в криминалистике, медицине и экологическом анализе.