[论文解读] AI-based approach for improving the detection of blood doping in sports

Maxx Richard Rahman, Jacob Bejder+6 more|arXiv (Cornell University)|Feb 9, 2022

Hormonal and reproductive studies被引用 5

一句话总结

本研究提出一种基于人工智能的间接方法，通过临床血液样本中的血液学参数检测重组人生长激素促红素（rhEPO）血液兴奋剂。通过应用统计检验并训练机器学习模型——尤其是XGBoost——该方法在关键指标上优于当前最先进（SOTA）方法，准确率达到92%，灵敏度达68%，同时减少了对昂贵直接实验室检测的依赖。

ABSTRACT

Sports officials around the world are facing incredible challenges due to the unfair means of practices performed by the athletes to improve their performance in the game. It includes the intake of hormonal based drugs or transfusion of blood to increase their strength and the result of their training. However, the current direct test of detection of these cases includes the laboratory-based method, which is limited because of the cost factors, availability of medical experts, etc. This leads us to seek for indirect tests. With the growing interest of Artificial Intelligence in healthcare, it is important to propose an algorithm based on blood parameters to improve decision making. In this paper, we proposed a statistical and machine learning-based approach to identify the presence of doping substance rhEPO in blood samples.

研究动机与目标

• 开发一种间接、低成本的运动员rhEPO兴奋剂检测方法，减少对昂贵且耗时的直接实验室检测的依赖。
• 通过统计假设检验，识别rhEPO给药后受影响最显著的血液学参数。
• 评估并比较机器学习算法（SVC、随机森林和XGBoost）在分类rhEPO阳性与安慰剂样本方面的性能。
• 在准确率和灵敏度方面超越当前最先进（SOTA）的间接检测方法ABPS。
• 探索数据增强和深度学习在未来提升检测模型性能的潜力。

提出的方法

• 在39名参与者中开展临床实验，分别给予rhEPO或安慰剂，在海平面和高海拔条件下采集血液样本。
• 在99.99%置信水平下应用Kolmogorov-Smirnov（K-S）检验，识别在区分rhEPO使用方面最具统计显著性的血液学参数。
• 从众多参数中筛选出表现最佳的8个参数（如HCT、RET#、OFF-HR），并剔除高度相关的参数以减少冗余。
• 基于筛选后的参数，训练三种机器学习模型——支持向量分类（SVC）、随机森林（RF）和XGBoost——以将样本分类为rhEPO阳性或阴性。
• 使用标准指标（准确率、F1得分、灵敏度、特异性及AUC）评估模型性能，结合交叉验证与SOTA基线进行比较。
• 采用统计阈值和置信水平，确保参数选择的稳健性，并减少假阳性结果。

实验结果

研究问题

• RQ1 在海平面和高海拔条件下，哪些血液学参数在rhEPO治疗组与对照组运动员之间表现出最显著的统计差异？
• RQ2 基于间接血液参数训练的机器学习模型，是否能在检测rhEPO兴奋剂方面优于当前最先进（SOTA）的ABPS方法？
• RQ3 SVC、随机森林和XGBoost等不同机器学习算法在rhEPO检测中的灵敏度、特异性和整体准确率方面表现如何比较？
• RQ4 在本研究背景下，数据质量和样本量在多大程度上限制了AI驱动检测模型的性能？
• RQ5 基于领域知识的参数选择是否能超越纯统计选择，进一步提升模型性能？

主要发现

• XGBoost在三种机器学习模型中准确率最高（92%），显著优于SVC（71%）和随机森林（85%）。
• XGBoost表现出最高的灵敏度（68%），超过SOTA方法ABPS（在100%特异性下灵敏度为45%）。
• 该模型AUC达到0.90，表明阳性与阴性类别之间具有良好的分离能力，优于SOTA的AUC 0.84。
• 随机森林表现出高特异性（98%）和F1得分（0.92），表明精确率与召回率之间具有良好的平衡。
• K-S检验识别出HCT在高海拔条件下为关键区分参数，OFF-HR在海平面条件下为关键参数，凸显了参数相关性的上下文依赖性。
• 尽管结果表现强劲，但本研究受限于仅39名参与者的样本量，表明未来需通过数据增强和更大规模数据集以实现进一步改进。