EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Enhancing breath-based diagnostics through eXplainable Artificial Intelligence

Verbesserung atembasierter Diagnostik durch erklärbare künstliche Intelligenz

Andrea Lo Sasso, Nicola Amoroso, Domenico Diacono iD, Marianna La Rocca, Alfonso Monaco, Ester Pantaleo iD, Sabina Tangaro, Loredana Bellantuono iD, Roberto Bellotti

PLOS One · 26.06.2026 · 21 (6) · e0351833

DOI: 10.1371/journal.pone.0351833 ↗

Auf einen Blick

Die Studie untersucht Atemanalyse zur frühen Erkennung von Lungenkrebs sowie respiratorischen und gastrointestinalen Erkrankungen anhand von Daten aus 3 Datensätzen. Mit erklärbarer KI wurden relevante flüchtige organische Verbindungen identifiziert.

Fragestellung

Kann Atemanalyse mit erklärbarer KI zur frühen Erkennung von Lungenkrebs sowie respiratorischen und gastrointestinalen Erkrankungen beitragen?

Methode

Analyse offener Daten aus 3 Datensätzen; KI zur Vorhersage diagnostischer Labels unter Berücksichtigung von Klassenungleichgewicht; Auswertung mit eXplainable Artificial Intelligence.

Ergebnisse

Die besten Modelle lieferten die relevantesten flüchtigen organischen Verbindungen je Datensatz. Der Einfluss ihrer Abundanzen auf Vorhersagen wurde untersucht, um Schlüsselvariablen zu identifizieren und die Interpretierbarkeit zu verbessern.

Einschränkungen

Herausforderungen durch Probenvariabilität, Detektionssensitivität und Standardisierung zwischen Studien.

Schlussfolgerung der Autor:innen

Die Methode bietet einen robusten Rahmen für atembasierte Diagnostik und unterstreicht das Potenzial der Verbindung von Atemanalyse und Machine Learning für klinische Entscheidungen.

Kernaussagen

  • 3 offene Datensätze wurden für die Analyse genutzt
  • Erklärbare KI identifizierte relevante flüchtige organische Verbindungen
  • Potenzial für frühe Diagnostik von Lungenkrebs und anderen Erkrankungen

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Fachartikel in der Zeitschrift PLOS One, online erschienen am 26.06.2026. Verfasst von Andrea Lo Sasso und 8 weiteren Autor:innen. Beteiligte Einrichtung: Dipartimento Interuniversitario di Fisica "M. Merlin", Università degli Studi di Bari Aldo Moro, Bari, Italy. Hauptthemen laut MEDLINE: Artificial Intelligence, Volatile Organic Compounds, Lung Neoplasms. Die Arbeit wurde bisher 1-mal zitiert (Crossref) und nennt 59 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: Ministero dell’Università e della Ricerca.

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Breath analysis is emerging as a non-invasive and promising diagnostic approach capable of assessing a patient’s metabolic state by detecting volatile organic compounds in exhaled breath. This study investigates the potential of breath analysis for the early detection of lung cancer, respiratory and gastrointestinal diseases using open-access data from three distinct datasets. An artificial intelligence methodology is implemented to predict diagnostic labels while addressing class imbalance, an inherent challenge in medical datasets. After evaluating model performance and stability, the most relevant volatile organic compounds identified by the best-performing model for each dataset are analyzed. Using eXplainable Artificial Intelligence, the influence of volatile organic compound abundances on predictions is examined, enabling the identification of key variables and improving model interpretability. The proposed methodology provides a robust framework for breath-based diagnostics, emphasizing the potential of integrating breath analysis with machine learning to advance clinical decision-making despite ongoing challenges related to sampling variability, detection sensitivity, and standardization across studies.

Schlagwörter

MeSH-Schlagwörter (MEDLINE)

Artificial IntelligenceVolatile Organic CompoundsLung NeoplasmsBreath TestsHumansMachine Learning

Substanzen

Volatile Organic Compounds

Autor:innen und Institutionen

  • Dipartimento Interuniversitario di Fisica "M. Merlin", Università degli Studi di Bari Aldo Moro, Bari, Italy.
  • Istituto Nazionale di Fisica Nucleare (INFN), Sezione di Bari, Bari, Italy.
  • Predict S.r.l, Fiera del Levante, Bari, Bari, Italy.
  • Dipartimento di Farmacia - Scienze del Farmaco, Università degli Studi di Bari Aldo Moro, Bari, Italy.
  • Dipartimento di Scienze del Suolo, della Pianta e degli Alimenti, Università degli Studi di Bari Aldo Moro, Bari, Italy.
  • Dipartimento di Biomedicina Traslazionale e Neuroscienze (DiBraiN), Università degli Studi di Bari Aldo Moro, Bari, Italy.

ORCID-Profile: Domenico Diacono, Ester Pantaleo, Loredana Bellantuono

Förderung

  • Ministero dell’Università e della Ricerca

Zitieren

APA

Lo Sasso, A., Amoroso, N., Diacono, D., La Rocca, M., Monaco, A., Pantaleo, E., Tangaro, S., Bellantuono, L., & Bellotti, R. (2026). Enhancing breath-based diagnostics through eXplainable Artificial Intelligence. PLOS One, 21(6), e0351833. https://doi.org/10.1371/journal.pone.0351833

Vancouver

Lo Sasso A, Amoroso N, Diacono D, La Rocca M, Monaco A, Pantaleo E, et al. Enhancing breath-based diagnostics through eXplainable Artificial Intelligence. PLOS One. 2026;21(6):e0351833. doi:10.1371/journal.pone.0351833

BibTeX
@article{LoSasso2026,
  author = {Lo Sasso, Andrea and Amoroso, Nicola and Diacono, Domenico and La Rocca, Marianna and Monaco, Alfonso and Pantaleo, Ester and Tangaro, Sabina and Bellantuono, Loredana and Bellotti, Roberto},
  title = {Enhancing breath-based diagnostics through eXplainable Artificial Intelligence},
  journal = {PLOS One},
  year = {2026},
  volume = {21},
  number = {6},
  pages = {e0351833},
  doi = {10.1371/journal.pone.0351833}
}
Kostenlos starten →