Enhancing breath-based diagnostics through eXplainable Artificial Intelligence
Verbesserung atembasierter Diagnostik durch erklärbare künstliche Intelligenz
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.
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)
Substanzen
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}
}
EUVIMED