Kann KI Tuberkulose anhand von Husten-Audioaufnahmen mit höherer Genauigkeit als menschliche Kliniker identifizieren ?

Tuberkulose bleibt weltweit eine der führenden ansteckenden Todesursachen, wobei eine frühzeitige Diagnose entscheidend für den Behandlungserfolg ist. Hustenlaute enthalten akustische Signaturen, die für Atemwegserkrankungen einzigartig sind. KI-Modelle werden entwickelt, um Hustenaufnahmen auf spezifische Biomarker einer Tuberkuloseinfektion zu analysieren. Diese Systeme könnten ein fernbasiertes, kostengünstiges Screening in ressourcenarmen Umgebungen ermöglichen. Solche Tools müssen an vielfältigen Populationen rigoros validiert werden, um Zuverlässigkeit zu gewährleisten.

Neuere Studien deuten darauf hin, dass KI Tuberkulose anhand von Hustenaufnahmen mit einer Genauigkeit identifizieren kann, die mit der oder sogar besser als die von geschulten Klinikern ist, insbesondere in ressourcenschwachen Umgebungen. So berichten etwa Forschungen, die auf crowdsourcten Hustendatensätzen Convolutional Neural Networks und Transfer Learning einsetzten, von Sensitivitäten und Spezifitäten von etwa 90–95 % bei der Erkennung TB-spezifischer akustischer Biomarker. Allerdings basieren diese Systeme oft auf hochwertigen Aufnahmen und können mit Störfaktoren wie Hintergrundgeräuschen oder gleichzeitig auftretenden Atemwegserkrankungen Schwierigkeiten haben. Die Einsatzmöglichkeiten in realen klinischen Umgebungen sind noch begrenzt, und die regulatorische Validierung läuft noch.

— Angereichert am 12. Mai 2026 · Quelle: Weltgesundheitsorganisation — https://www.who.int/publications/i/item/9789240079242