Künstlich Intelligenz-gestützte Optimierung von kabellosen Atemsensorarrays zur Erkennung von Lungenkrebs unter Verwendung eines von Fuzzy-Logik geleiteten genetischen Algorithmus und multimodalen maschinellen Lernens

Die frühzeitige Erkennung von Lungenkrebs ist entscheidend für die Verbesserung der Überlebenschancen der Patienten, doch sind die gegenwärtigen bildgebenden Screening-Methoden kostspielig, invasiv und in der Zugänglichkeit begrenzt. Hier präsentieren wir eine vollständig integrierte kabellose Atemsensorsplattform, die nanostrukturierte chemiresistive (NC) Sensorarrays mit einem KI-gesteuerten, von Fuzzy-Logik geleiteten genetischen Algorithmus (Fuzzy-GA) zur optimierten Detektion flüchtiger organischer Verbindungen (VOCs) kombiniert. Das Sensorarray verfügt über nanopartikelstrukturierte Oberflächen, die eine selektive VOC-Adsorption ermöglichen, um einzigartige Atemmuster zu erzeugen. Die Daten werden über ein tragbares, stromsparendes Multikanal-Elektronikmodul mit drahtloser Echtzeitübertragung erfasst. Die Fuzzy-GA-Optimierung identifiziert die informativsten Sensoren, reduziert die Array-Größe und behält dabei eine hohe diagnostische Leistung bei. Atemproben von Patienten mit Lungenkrebs (n = 35) und nicht-krebskranken Teilnehmern (n = 47) wurden mit verschiedenen überwachenden Maschinenlernmodellen (KNN, SVM, Random Forest, XGBoost und CNN) analysiert. Dies stellt die erste Anwendung von Fuzzy-GA zur Optimierung von Atemsensorarrays dar. Das optimierte System, validiert mit Atemproben von Patienten mit Lungenkrebs und nicht an Lungenkrebs erkrankten Kontrollen, erreichte eine hohe Klassifikationsgenauigkeit (bis zu 96%) mit reduzierter Systemkomplexität, niedrigeren Kosten und verbesserter Skalierbarkeit für den Einsatz in der Praxis. Die Plattform bietet ein klinisch brauchbares, nicht-invasives Diagnosewerkzeug mit Potenzial für die Überwachung zu Hause und breitere Krankheitsdetektion.