Forscher der Universität des Saarlandes haben eine KI-Software entwickelt, die mit wenigen Datenpunkten Dopingfälle im Spitzensport identifizieren kann. Das System könnte die Dopingkontrollen bei Großereignissen wie den Olympischen Spielen erleichtern.
Wolfgang Maaß, Professor für Wirtschaftsinformatik an der Universität des Saarlandes, erklärt, dass bei Dopingkontrollen die Konzentrationen und Verhältnisse verschiedener Steroide gemessen und auf Plausibilität geprüft werden. Aufgrund des hohen manuellen Aufwands können bisher jedoch nur wenige Urinproben auf Doping untersucht werden.
Die Analyse der Urinproben durch ein Labor kann Wochen in Anspruch nehmen, und nur ein Bruchteil der Proben kann überhaupt analysiert werden. Dies führt dazu, dass viele gedopte Athleten unentdeckt bleiben und der Anreiz zum Doping bestehen bleibt.
Das neue KI-System benötigt lediglich die Daten von drei Urinproben, die ein Athlet im Laufe seiner Karriere abgibt, um automatisch und mit hoher Genauigkeit vorherzusagen, ob definitiv kein Doping vorliegt. Für jede Probe werden sieben Merkmale wie Steroidkonzentrationen und deren Verhältnis zueinander bestimmt, um das natürliche Steroidprofil eines Athleten zu ermitteln.
Wer hat nicht gedopt?
Die Software sucht in neuen Proben nach Abweichungen vom üblichen Muster und kann mit 99-prozentiger Sicherheit sagen, welche Athleten definitiv nicht gedopt haben. Die übrigen Fälle können dann mit manuellen DNA-Tests genauer untersucht werden. Laut Maaß befinden sich unter diesen verbleibenden Fällen "mit an Sicherheit grenzender Wahrscheinlichkeit" die Dopingsünder.
Das System lernt typische räumliche und zeitliche Muster in den Verlaufsdaten und reagiert auf Abweichungen bestimmter Biomarker in den Urinproben. Technisch verwendet das Forschungsteam ein "Self Attention-based Convolutional Neural Network" (SACNN). Convolutional Neural Networks (CNNs) erkennen räumliche Muster in Daten wie Bildern oder Zeitreihen. Die Selbstaufmerksamkeit (Self-Attention) ermöglicht es dem Netz, Abhängigkeiten zwischen weit voneinander entfernten Datenpunkten zu lernen.
Das Forscherteam, dem auch Experten des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI), der Deutschen Sporthochschule Köln und der Welt-Anti-Doping-Agentur (WADA) angehören, stellte die Ergebnisse auf der International Joint Conference on AI in Südkorea vor.
