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.

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.