L'IA détecte les maladies, y compris les cancers, à partir de la respiration humaine

• Un nouveau réseau neuronal convolutif peut analyser les composés présents dans la respiration humaine et détecter des maladies.
• La technologie rend l'ensemble du processus plus rapide, moins coûteux et plus fiable.
• Il peut être utilisé en médecine légale, en médecine et en analyse environnementale.

L’intelligence artificielle (IA) suscite beaucoup de buzz ces jours-ci. Les développeurs intègrent l'IA dans presque tout :qu'il s'agisse de reconnaître la voix dans la foule, de créer des véhicules entièrement autonomes, de convertir des vidéos en haute qualité ou de développer de meilleures batteries ou explosifs, l'IA a prouvé ses capacités extraordinaires dans tous les domaines.

Désormais, l’IA peut aussi sentir. Des chercheurs de l'Université d'Édimbourg, du Western General Hospital et de l'Université de Loughborough ont construit un système basé sur l'apprentissage profond qui peut examiner les composés présents dans l'haleine humaine et détecter des maladies, notamment différents types de cancer, avec une meilleure précision que celle des humains.

L'haleine humaine typique contient plus de 1 000 composés organiques volatils distincts, qui sont des produits des processus métaboliques qui se produisent en raison des échanges gazeux dans le sang dans tout le corps. Un échantillon d'haleine se compose de plusieurs informations décrivant les conditions pathologiques et physiologiques, et donc l'état de santé d'un patient.

Méthodes existantes pour analyser la respiration

Au cours des deux dernières décennies, les scientifiques ont utilisé des machines avancées pour détecter d’infimes quantités d’éléments et de composés dans l’air. Ces machines exploitent la méthode d'analyse par chromatographie en phase gazeuse et spectrométrie de masse (GC-MS) pour identifier de nombreux composés organiques volatils.

La machine sépare chaque composé présent dans l’échantillon d’air et le brise en fragments. Désormais, chaque fragment possède une identité unique à partir de laquelle on peut reconnaître des composés spécifiques.

Crédit :James Gathany / Smithsonian

Le graphique ci-dessus montre une vue 3D d'une partie d'un échantillon d'haleine provenant d'un appareil GC-MS. Chaque pic est associé à un fragment de molécule. Même le plus petit pic joue un rôle crucial dans l’identification de différentes substances. Les schémas spécifiques de ces pics révèlent le type de maladies dont un patient peut être porteur, y compris des cancers à un stade précoce.

Aujourd'hui, les machines GC-MS sont utilisées pour la détection de drogues, l'examen environnemental, l'analyse d'explosifs et la détection de matériaux inconnus, y compris des échantillons obtenus sur la planète Mars dans les années 1970.

Cependant, le processus pourrait être fastidieux et prendre beaucoup de temps. Une quantité massive de données complexes doit être examinée manuellement par des spécialistes. Parfois, l'analyse d'un seul échantillon prend des jours et, comme les humains sont sujets à l'erreur, ils peuvent manquer une substance ou confondre une substance avec une autre.

Comment l'IA peut-elle vous aider ?

Les chercheurs ont proposé l'utilisation de réseaux de neurones convolutifs (CNN) pour identifier les composés organiques volatils de manière autonome à partir de données brutes. Cela élimine le besoin d'un flux de travail de prétraitement des données long et exigeant en main-d'œuvre.

Ils ont collecté des échantillons d'haleine de patients subissant un traitement contre le cancer, au Edinburgh Cancer Centre. Ces échantillons ont ensuite été examinés par 2 équipes d'informaticiens et de chimistes.

Après avoir identifié manuellement les composés, ces échantillons ont été transmis aux réseaux d’apprentissage profond. Le calcul du réseau neuronal a été effectué sur des GPU NVIDIA Tesla à l'aide des frameworks d'apprentissage profond TensorFlow et Keras.

Une représentation simple de l'ensemble du processus | Crédit : James Gathany / Smithsonian

Afin d'améliorer encore l'efficacité du réseau, les chercheurs ont élargi les ensembles de données de formation d'origine en utilisant l'augmentation des données :le CNN a été augmenté 100 fois.

Référence :Research Gate | Smithsonianmag