L'intelligenza artificiale individua la tubercolosi nell'analisi chimica del respiro. / AI sniffs out tuberculosis in breath’s chemical signature

 L'intelligenza artificiale individua la tubercolosi nell'analisi chimica del respiro. / AI sniffs out tuberculosis in breath’s chemical signature

Segnalato dal Dott. Giuseppe Cotellessa / Reported by Dr. Giuseppe Cotellessa

Ogni respiro che espiriamo porta con sé una complessa narrazione chimica scritta in migliaia di composti organici volatili (COV). Queste minuscole molecole, prodotte dai processi metabolici umani e da agenti patogeni invasori, possiedono un immenso potenziale diagnostico. Tuttavia, tradurre questa nube molecolare in una diagnosi medica definitiva ha a lungo incontrato un ostacolo analitico. Ora, un gruppo internazionale di fisici del Botswana e del Sudafrica ha sfruttato l'apprendimento automatico per decodificare queste complesse impronte, offrendo un metodo rapido e non invasivo per rilevare la tubercolosi (TB) direttamente dal respiro umano.

Superare il collo di bottiglia analitico

La cromatografia gassosa-spettrometria di massa (GC-MS) tradizionale eccelle nella separazione di miscele molecolari complesse in base alla volatilità ed al rapporto massa/carica. Tuttavia, un singolo campione di respiro genera migliaia di picchi spettrali sovrapposti. Analizzare manualmente questo fitto insieme di picchi è un processo laborioso e dispendioso in termini di tempo.

Per trovare un approccio più rapido e sistematico all'identificazione delle molecole, i ricercatori del gruppo Nano-Breath, guidato da George Chimowa della Botswana International University of Science and Technology ( BIUST ), hanno raccolto campioni di respiro da tre gruppi distinti: pazienti con tubercolosi attiva, individui con tubercolosi multiresistente (MDR-TB) e volontari sani del gruppo di controllo.

Le organizzazioni analitiche standard spesso si basano su un'aggressiva pre-elaborazione dei dati per uniformare e semplificare gli spettri GC-MS. Tuttavia, questo filtraggio rischia di eliminare sottili caratteristiche molecolari a bassa concentrazione che potrebbero contenere indizi diagnostici cruciali. Per aggirare questa limitazione, il gruppo BIUST ha alimentato un dataset ad alta dimensionalità di 1867 caratteristiche spettrali (provenienti da 87 campioni di respiro) direttamente in quattro algoritmi di apprendimento automatico supervisionato in competizione tra loro: alberi decisionali, foreste casuali, k-vicini più prossimi e macchine a vettori di supporto (SVM). I ricercatori hanno pubblicato i loro risultati sulla rivista Discover Artificial Intelligence .

L'ottimizzazione geometrica evita le insidie ​​dei dati ad alta dimensionalità

Il gruppo ha scoperto che il classificatore SVM lineare ha primeggiato nel confronto algoritmico, distinguendo le tre coorti di pazienti con una precisione del 93%.

Questa prestazione deriva dal modo in cui l'algoritmo gestisce spazi di dati ad alta dimensionalità. Mentre i modelli basati su metriche di distanza spesso soffrono di errori di overfitting, in cui il rumore sperimentale viene erroneamente identificato come un segnale diagnostico significativo, le SVM si basano sull'ottimizzazione dei confini geometrici per separare le classi.

Analogamente a come si sgombra un'ampia autostrada al centro di due folle contrapposte, questo algoritmo identifica un iperpiano che massimizza il margine tra i gruppi. Invece di tracciare ogni singolo individuo nella folla, l'algoritmo si basa esclusivamente su un sottoinsieme sparso di punti di confine noti come vettori di supporto. Concentrandosi rigorosamente su questi "guardiani" di confine ed ignorando il movimento di sfondo, questo approccio isola completamente il classificatore dal rumore intrinseco allo spazio delle caratteristiche ad alta dimensionalità circostante.

Al di là della pura accuratezza di classificazione, il modello ha fornito un'intuizione cruciale per le future applicazioni cliniche. Ha individuato una finestra specifica all'interno del gascromatogramma, un tempo di ritenzione compreso tra 10 e 30 minuti, in cui eluiscono i VOC più diagnostici ed ad alta varianza. Questa finestra di 20 minuti corrisponde ai VOC a molecola media e grande, inclusi specifici biomarcatori chimici associati alla tubercolosi, come il tridecano, il decano e l'o -cimene.

Dimostrando che queste caratteristiche diagnostiche vitali sono concentrate all'interno di questa singola porzione di dati, i fisici hanno dimostrato che le future apparecchiature diagnostiche potranno essere specializzate, eliminando la necessità di analizzare l'intero spettro. Concentrarsi su questa specifica finestra di eluizione può ridurre drasticamente i tempi di elaborazione dei dati e massimizzare la produttività dello strumento in ambito clinico.

L'intelligenza artificiale ed il futuro della diagnostica medica

La tubercolosi rimane una delle malattie infettive più letali al mondo. La diagnostica tradizionale si basa in gran parte su colture dell'espettorato lente e lunghe liste d'attesa nei laboratori, ritardando trattamenti cruciali. Un test del respiro rapido e non invasivo, basato su un classificatore fisico ottimizzato, offre un'alternativa ideale per contesti con risorse limitate, dove le infrastrutture di laboratorio possono essere scarse.

Sebbene i ricercatori sottolineino la necessità di studi di validazione più ampi, il lavoro segnala un profondo cambiamento nella diagnostica medica. Rispecchia tecniche avanzate di modellazione dei dati utilizzate in ingegneria, come quelle che prevedono il degrado strutturale nei compositi aerospaziali auto-riparanti.

Unendo la fisica analitica all'intelligenza artificiale, questa ricerca indica un futuro in cui la diagnosi immediata ed automatizzata delle malattie al letto del paziente potrebbe essere rapida, accessibile e basata interamente sulla profilazione matematica del suo respiro.

ENGLISH

Every breath we exhale carries a complex chemical narrative written in thousands of volatile organic compounds (VOCs). These tiny molecules, produced by human metabolic processes and invading pathogens, hold immense diagnostic potential. Yet, translating this molecular cloud into a definitive medical diagnosis has long faced an analytical bottleneck. Now, an international team of physicists from Botswana and South Africa has harnessed machine learning to decode these complex signatures, offering a rapid, non-invasive pathway to detect tuberculosis (TB) directly from human breath.

Breaking the analytical bottleneck

Traditional gas chromatography-mass spectrometry (GC-MS) excels at separating complex molecular mixtures based on volatility and mass-to-charge ratios. However, a single breath sample generates thousands of overlapping spectral peaks. Manually sifting through this dense landscape is a painstaking, time-consuming process.

To find a faster, more systematic approach to molecule identification, researchers in the Nano –Breath taking group led by George Chimowa from Botswana International University of Science and Technology (BIUST) collected breath samples from three distinct cohorts: patients with active TB, individuals with multidrug-resistant TB (MDR-TB), and healthy control volunteers.

Standard analytical pipelines often rely on aggressive data pre-processing to smooth and simplify the GC-MS spectra. However, this filtering risks erasing subtle, low-concentration molecular features that might hold critical diagnostic clues. Bypassing this limitation, the BIUST group fed a high-dimensional dataset of 1867 spectral features (from 87 breath samples) directly into four competing supervised machine-learning algorithms: decision trees, random forest, k-nearest neighbours, and support vector machines (SVM). The researchers published their findings in Discover Artificial Intelligence.

Geometric optimization avoids the pitfalls of high-dimensional data

The team found that the linear SVM classifier led the algorithmic comparison, distinguishing among the three patient cohorts with 93% accuracy.

This performance stems from how the algorithm handles high-dimensional data spaces. While distance metric models often suffer from overfitting errors, where experimental noise is misidentified as a meaningful diagnostic signal, SVM relies on geometric boundary optimization to separate classes.

Much like clearing a wide highway down the centre of two opposing crowds, it identifies a hyperplane that maximizes the margin between groups. Instead of tracking every individual in the crowd, the algorithm relies solely on a sparse subset of border points known as support vectors. By focusing strictly on these boundary “guards” and ignoring the background movement, this approach completely isolates the classifier from the noise inherent to the surrounding high-dimensional feature space.

Beyond raw classification accuracy, the model yielded a crucial insight for future clinical applications. It pinpointed a specific window within the gas chromatogram, a retention time between 10 and 30 min, where the most diagnostic, high-variance VOCs elute. This 20-min window corresponds to medium- and large-molecule VOCs, including specific chemical biomarkers associated with TB, such as tridecane, decane and O-cymene.

By demonstrating that these vital diagnostic features are concentrated within this single slice of data, the physicists have shown that future diagnostic hardware can be specialized, eliminating the need to analyse the entire spectrum. Narrowing the focus to this specific elution window can drastically shrink data-processing times and maximize instrument throughput in clinical settings.

AI and the future of medical diagnostics

TB remains one of the world’s deadliest infectious diseases. Traditional diagnostics rely heavily on slow sputum cultures and backlogged laboratory queues, delaying critical treatment. A rapid, non-invasive breath test powered by an optimized physical classifier offers an ideal alternative for resource-limited settings where laboratory infrastructure may be scarce.

While the researchers emphasize that larger validation trials are required, the work signals a profound shift in medical diagnostics. It mirrors advanced data-modelling techniques used in engineering, such as those predicting structural degradation in self-healing aerospace composites.

By fusing analytical physics with artificial intelligence, this research points to a future where immediate, automated bedside disease detection could be rapid, accessible and driven entirely by the mathematical profiling of a patient’s breath.

Da:

https://physicsworld.com/a/ai-sniffs-out-tuberculosis-in-breaths-chemical-signature/?nbd_source=3833891