你的鼻息泄漏了健康状况！AI分析人类呼气就能诊断疾病,,研究团队使用卷积神经

原标题：你的鼻息泄漏了健康状况！AI分析人类呼气就能诊断疾病

人工智能现在可以通过气味诊断患者的疾病了，由于人类呼出的气体包含数千种挥发性有机化合物（VOC），通过气相色谱法-质谱联用（Gas△chromatography–mass△spectrometry，GCMS，气质联用）资料，分析VOC就能知道病...

人工智能现在可以通过气味诊断患者的疾病了，由于人类呼出的气体包含数千种挥发性有机化合物（VOC），通过气相色谱法-质谱联用（Gas△chromatography–mass△spectrometry，GCMS，气质联用）资料，分析VOC就能知道病患身体状况，但这个过程非常耗时。研究团队使用卷积神经网络（CNN）分析VOC原始资料，能直接检测出包括癌症在内的疾病。

肺部代谢以及全身气体血液交换的产物，构成了人体呼出气体所携带的数千种VOC，而这些气体样本的资讯可以被用来诊断人体健康状况，近期的几项研究显示，VOC组成模式与乳腺癌、直肠癌和肺癌息息相关，因此目前气息分析被认为，极具发展潜力，是一种全新无创且精准的诊断方法。

而气质联用技术是分析VOC的主要方法之一，能用作针对性与非针对性分析化学物质，针对性分析可以寻找感兴趣的化合物，而非针对性分析则是用来观察VOC的变异，以发现特定疾病的潜在生物标记。气质联用会产生极高维度且许多杂讯的资料，一个样本包含了高达900万个高解析度的变数。而为了要处理这个复杂的资料，过去已有研究发展出降噪、基准校正、光谱反褶积和峰值检测等方法，来帮助统计与分析VOC。

不过这些预处理的方法仍需要分析以及设置参数的专业，而且其资料的复杂性以及处理资料的的多变性，也造成结果的差异，因此要处理分析气质联用资料，即便有经验的人平均仍要花费90分钟处理一个样本。来自拉夫堡大学、西部综合医院、爱丁堡大学和英国爱丁堡癌症中心的研究人员共同提出了新方法，使用卷积神经网络（CNN）直接分析原始气质联用以检测VOC，跳过劳动密集且耗时的资料预处理过程。

拉夫堡大学博士研究生Angelika△Skarysz提到，他们使用Nvidia△Tesla△GPU、加速CUDA深度神经网络函式库Keras以及TensorFlow深度学习框架来训练他们的神经网络，来处理来自放射治疗癌症受试者的资料。而且为了提高神经网络的效率，研究团队以资料增强方法增加原始训练资料，另外，卷积神经网络也增加了100倍。

一开始研究团队利用专业知识，创建VOC资料库及其相对应的模式或是特征，接着使用这些模式资料集，以特别设计用来学习气质联用资料的一维卷积滤波器，来训练特定类型的卷积神经网络。一旦系统学会分辨特定感兴趣的VOC，就能用来快速扫描呼吸资料样本以自动侦测目标化合物。

该研究团队所发展的方法，比目前最先进的手动方法更快，且更具可扩展性，现在只需要几分钟就能完成过去需要花费数小时才能分析完成的样本，而这是第一个使用卷积神经网络，从原始气质联用资料分析VOC离子模式的方法，用于诊断患者疾病的方法。

橙山网（Csnd.net）简评：研究团队使用卷积神经网络（CNN）分析VOC原始资料，能直接检测出包括癌症在内的疾病。肺部代谢以及全身气体血液交换的产物，构成了人体呼出气体所携带的数千种VOC，而这些气体样本的资讯可以被用来诊断人体