Ein internationales Forschungsteam hat einen besonders leichten KI-Algorithmus entwickelt, der flüchtige organische Verbindungen (VOCs) in Atemgasgemischen präzise klassifizieren und quantifizieren kann. Die Technologie soll künftig die Grundlage für nicht-invasive Atemtests zur Früherkennung von Lungenkrebs liefern.
Das Modell kombiniert ein Lightweight Local–Global Feature Fusion Network (LLGFN) mit einem GBDT–GRU-basierten Vorhersagemodell. In Experimenten mit synthetischen Gasgemischen aus Aceton, Ethanol und Isopropanol erreichte das System eine durchschnittliche Klassifikationsgenauigkeit von 96,2 Prozent – bei gleichzeitig sehr geringer Rechenlast.
Das Modell ist so konzipiert, dass es auf portablen elektronischen Nasen (e-noses) eingesetzt werden kann. Es überwindet bisherige Limitationen bei der Modellierung langfristiger Abhängigkeiten und querkanaliger Korrelationen in Sensorsignalen und reduziert den Bedarf an manueller Merkmalsextraktion.
Die Studie wurde in der Fachzeitschrift Frontiers in Bioengineering and Biotechnology veröffentlicht. Die Forscher sehen in der Technologie einen wichtigen Schritt hin zu klinisch einsetzbaren, nicht-invasiven Atemtests für die Krebsfrüherkennung.
Quelle:
Fang X et al. (2026). A lightweight intelligent model for VOC mixture analysis: toward preclinical breath biomarker analysis. Frontiers in Bioengineering and Biotechnology. DOI: 10.3389/fbioe.2026.1821312
