Může umělá inteligence identifikovat tuberkulózu z audio nahrávek kašle s větší přesností než lidští lékaři ?

Tuberkulóza zůstává celosvětově jedním z hlavních infekčních zabijáků, přičemž včasná diagnóza je klíčová pro úspěch léčby. Zvuky kašle obsahují akustické signatury jedinečné pro respirační onemocnění. Vyvíjejí se AI modely, které analyzují nahrávky kašle za účelem identifikace specifických biomarkerů tuberkulózy. Tyto systémy by mohly umožnit dálkový, nákladově efektivní screening v prostředích s omezenými zdroji. Takové nástroje musí být důkladně validovány na různorodých populacích, aby byla zajištěna spolehlivost.

Background

Tuberculosis (TB) is a leading infectious cause of death globally, with early diagnosis critical for successful treatment. Cough acoustics contain unique biomarkers that may reflect underlying pulmonary pathology, including TB-specific signatures. AI models—particularly convolutional neural networks leveraging transfer learning—have been trained on crowdsourced cough datasets to detect TB with reported sensitivities and specificities of approximately 90–95%. Such systems aim to enable remote, low-cost screening in resource-limited settings, addressing gaps where access to clinical expertise or laboratory diagnostics is constrained. However, performance heavily relies on high-quality audio recordings; real-world deployment faces challenges from ambient noise, variability in recording equipment, and overlapping respiratory conditions. Current validation remains largely dataset-dependent, and broader clinical implementation awaits real-world trials and regulatory clearance. WHO emphasizes that rigorous validation across diverse populations is essential to ensure equitable and reliable diagnostic performance.