L'IA détecte des maladies, dont des cancers, à partir de l'haleine humaine

Un nouveau réseau neuronal convolutif analyse les composés de l'haleine et détecte des maladies.

La technologie rend le processus rapide, moins coûteux et plus fiable.

Applications en médecine légale, médecine et analyse environnementale.

L'IA apprend à « sentir »

Des chercheurs de l'Université d'Édimbourg, de l'Hôpital Western General et de l'Université de Loughborough ont construit un système d'apprentissage profond qui examine les composés de l'haleine humaine et détecte des maladies, dont divers cancers, avec une précision supérieure à celle des humains.

L'haleine humaine contient plus de 1000 composés organiques volatils distincts, produits des processus métaboliques liés aux échanges sang-gaz dans tout le corps. Un échantillon d'haleine porte des informations sur l'état pathologique et physiologique du patient.

Méthodes existantes d'analyse de l'haleine

Depuis des décennies, les scientifiques utilisent des machines avancées (chromatographie en phase gazeuse - spectrométrie de masse, GC-MS) pour identifier les composés volatils.

La machine sépare chaque composé, le fragmente, et chaque fragment a une signature unique. Les motifs spécifiques de pics révèlent le type de maladies, y compris les cancers à stade précoce.

Les machines GC-MS servent aujourd'hui à la détection de drogues, d'explosifs, d'inconnues, et ont analysé des échantillons de Mars dans les années 1970.

Mais le processus est fastidieux et chronophage : une quantité massive de données complexes doit être examinée manuellement par des spécialistes. Parfois, des jours pour un seul échantillon, avec risque d'erreur humaine.

Comment l'IA aide ?

Les chercheurs proposent des réseaux neuronaux convolutifs (CNN) pour identifier les composés volatils automatiquement à partir des données brutes, éliminant le prétraitement laborieux.

Des échantillons d'haleine de patients en traitement contre le cancer (Centre du cancer d'Édimbourg) ont été examinés par deux équipes de chimistes et informaticiens. Après identification manuelle, les données ont entraîné des réseaux profonds sur GPU NVIDIA Tesla avec TensorFlow et Keras.

Pour améliorer l'efficacité, les données d'entraînement ont été augmentées 100 fois.

Référence : Research Gate | Smithsonianmag

Le système performe au mieux avec deux caractéristiques :

1. Filtre 1D adapté à la structure de données GC-MS.
2. Entrée 3 canaux pour lire signaux de faible, moyenne et haute intensité du spectre GC-MS.

Les chercheurs se sont concentrés sur les aldéhydes, responsables de parfums mais aussi de maladies et stress.

L'IA identifie un échantillon en minutes contre des heures auparavant. Le processus devient rapide, moins cher, et surtout plus fiable.

La précision peut être améliorée en entraînant sur plus d'échantillons. La méthode n'est pas limitée à des composés spécifiques : utilisable en médecine légale, médecine, analyse environnementale.