Kunstig intelligens (AI) er bedst kendt for sin evne til at se (som i førerløse biler) og lytte (som hos Alexa og andre hjemmehjælpere). Fra nu af kan det også lugte. Mine kolleger og jeg udvikler et AI-system, der kan lugte menneskeligt åndedrag og lære at identificere en række sygdoms afslørende stoffer, som vi måske kan trække vejret ud.
Luktesansen bruges af dyr og endda planter til at identificere hundreder af forskellige stoffer, der flyder i luften. Men sammenlignet med andre dyrs, er den menneskelige lugtesans langt mindre udviklet og bestemt ikke brugt til at udføre daglige aktiviteter. Af denne grund er mennesker ikke specielt opmærksomme på rigdommen ved information, der kan overføres gennem luften, og kan opfattes af et meget følsomt luftsystem. AI kan være ved at ændre det.
I et par årtier har laboratorier over hele verden været i stand til at bruge maskiner til at detektere meget små mængder stoffer i luften. Disse maskiner, kaldet gaskromatografimassespektrometre eller GC-MS, kan analysere luften for at opdage tusinder af forskellige molekyler kendt som flygtige organiske forbindelser.
I GC-MS-maskinen separeres hver forbindelse i en luftprøve først og derefter smadres op i fragmenter, hvilket skaber et karakteristisk fingeraftryk, hvorfra forbindelser kan genkendes. Billedet herunder er en visualisering af en lille del af dataene fra en analyse af en åndeprøve.
3D-visning af en del af en åndedræt-prøvedata fra et GC-MS-instrument. (James Gathany) Hver top repræsenterer et fragment af et molekyle. De særlige mønstre af sådanne toppe afslører tilstedeværelsen af forskellige stoffer. Ofte kan selv den mindste top være afgørende. Blandt de flere hundrede forbindelser, der er til stede i det menneskelige åndedrag, kan nogle få af dem afsløre tilstedeværelsen af forskellige kræftformer, selv på tidlige stadier. Laboratorier overalt i verden eksperimenterer derfor med GC-MS som et ikke-invasivt diagnostisk værktøj til at identificere mange sygdomme, smertefrit og rettidigt.
Desværre kan processen være meget tidskrævende. Store mængder data skal inspiceres og analyseres manuelt af eksperter. Den store mængde forbindelser og kompleksiteten af dataene betyder, at selv eksperter tager lang tid på at analysere en enkelt prøve. Mennesker er også tilbøjelige til fejl, kan gå glip af en forbindelse eller forveksle en forbindelse til en anden.
Hvordan kunstig intelligens kan hjælpe
Som en del af Loughborough Universitys datavidenskabsteam tilpasser mine kolleger og jeg den nyeste kunstige intelligens teknologi til at opfatte og lære en anden type data: de kemiske forbindelser i åndeprøver. Matematiske modeller inspireret af hjernen, kaldet dybe læringsnetværk, blev specifikt konstrueret til at "læse" sporene efter lugt.
Et team af læger, sygeplejersker, radiografer og medicinske fysikere ved Edinburgh Cancer Centre indsamlede åndeprøver fra deltagere, der gennemgik kræftbehandling. Prøverne blev derefter analyseret af to teams af kemikere og computerforskere.
Når et antal forbindelser blev identificeret manuelt af kemikerne, fik hurtige computere dataene til at træne dybe læringsnetværk. Beregningen blev fremskyndet af specielle enheder, kaldet GPU'er, der kan behandle flere forskellige informationsstykker på samme tid. De dybe læringsnetværk lærte mere og mere af hver åndedræt, indtil de kunne genkende specifikke mønstre, der afslørede specifikke forbindelser i ånden.
Enkel repræsentation af processen: fra forbindelser i luften eller åndedrætsprøver til visualisering af de påviste stoffer. (James Gathany) I denne første undersøgelse var fokus på at genkende en gruppe kemikalier, kaldet aldehyder, der ofte er forbundet med duftstoffer, men også menneskelige stressforhold og sygdomme.
Computere, der er udstyret med denne teknologi, tager kun minutter at autonom analysere en åndedræt, der tidligere tog timer af en menneskelig ekspert. Effektivt gør AI hele processen billigere - men frem for alt gør den den mere pålidelig. Endnu mere interessant erhverver denne intelligente software viden og forbedres med tiden, når den analyserer flere eksempler. Som et resultat er metoden ikke begrænset til et bestemt stof. Ved hjælp af denne teknik kan dybe læringssystemer trænes til at detektere små mængder flygtige forbindelser med potentielt brede anvendelser inden for medicin, kriminalteknologi, miljøanalyse og andre.
Hvis et AI-system kan registrere markører af sygdom, bliver det muligt også at diagnosticere, om vi er syge eller ikke. Dette har et stort potentiale, men det kan også vise sig at være kontroversielt. Vi foreslår simpelthen, at AI kan bruges som et værktøj til at detektere stoffer i luften. Det behøver ikke nødvendigvis at diagnosticere eller tage en beslutning. De endelige konklusioner og beslutninger overlades til os.
Denne artikel blev oprindeligt offentliggjort på The Conversation.
Andrea Soltoggio, lektor ved Loughborough University
