BIUST-Team detektiert Tuberkulose in Atemgas per KI-Analytik

Forschende der Botswana International University of Science and Technology (BIUST) haben mithilfe maschinellen Lernens Tuberkulose (TB) direkt aus Atemluft-Analysen per Gaschromatographie-Massenspektrometrie (GC-MS) nachgewiesen und dabei über drei Patientengruppen hinweg eine Genauigkeit von 93 Prozent erreicht. Die am 31. Juli 2026 in Discover Artificial Intelligence veröffentlichte Arbeit markiert einen Schritt in Richtung schneller, nicht-invasiver TB-Diagnostik in ressourcenarmen Settings, in denen Laborinfrastruktur und langsame Sputumkulturen die Behandlung derzeit verzögern.

Das Team der BIUST unter Leitung von George Chimowa entnahm Atemproben von Patientinnen und Patienten mit aktiver TB, mit multiresistenter TB (MDR-TB) sowie von gesunden Kontrollen. Das Team speiste einen hochdimensionalen Datensatz aus 1.867 spektralen Merkmalen aus 87 Atemproben in vier überwachte Verfahren des maschinellen Lernens ein: Entscheidungsbäume, Random Forest, k-Nearest Neighbours und Support Vector Machines (SVM). Anders als in klassischen Workflows, die GC-MS-Spektren vor der Auswertung glätten und vereinfachen, blieben in diesem Ansatz auch schwach konzentrierte molekulare Merkmale erhalten. Der lineare SVM-Klassifikator schnitt im Vergleich am besten ab und unterschied die drei Kohorten mit einer Genauigkeit von 93 Prozent.

Das Modell identifizierte zudem ein spezifisches Fenster im Gaschromatogramm zwischen 10 und 30 Minuten Retentionszeit, in dem die diagnostisch aussagekräftigsten flüchtigen organischen Verbindungen (VOCs) eluieren, darunter TB-spezifische Biomarker wie Tridecan, Decan und O-Cymol. Wird die diagnostische Auswertung auf dieses 20-minütige Fenster fokussiert, eröffnet dies den Weg zu spezialisierter Diagnostikhardware, die auf eine Vollspektrumsanalyse verzichten kann. Das reduziert die Datenverarbeitungszeit und erhöht den Durchsatz. Das Team betonte, dass größere Validierungsstudien erforderlich sind. TB zählt weiterhin zu den weltweit tödlichsten Infektionskrankheiten, wobei klassische Diagnostikwege auf zeitaufwendigen Sputumkulturen beruhen und Behandlungen häufig verzögern.

Das kommerzielle Signal ist eine wachsende Kategorie atembasierter Diagnostik, die durch KI-gestützte Analytik neu geformt wird. Da maschinelles Lernen bei hochdimensionalen Spektraldaten zunehmend reift, ist mit einer beschleunigten Wettbewerbsdynamik bei Atem-Biomarker-Spezialisten wie Owlstone Medical, Menssana Research und Breath Diagnostics sowie bei GC-MS-Herstellern wie Agilent, Shimadzu, Thermo Fisher, Bruker und PerkinElmer zu rechnen, insbesondere mit Blick auf Point-of-Care- und ressourcenarme Einsatzgebiete.

Wenn Sie die neuesten Updates und detaillierte Einblicke in die Welt der Physik, einschließlich bahnbrechender Behandlungen, Branchentrends und regulatorischer Neuigkeiten, erhalten möchten, kontaktieren Sie Harrison Collier noch heute!