Maschinelle Lernverfahren für den EPO-Nachweis

Die Welt-Anti-Doping-Agentur (WADA) wurde mit dem Ziel gegründet, die Anti-Doping-Programme auf internationaler und nationaler Ebene in Hinsicht auf die Entdeckung, Abschreckung und Prävention von Doping zu harmonisieren und koordinieren. Unter dem Motto „Play true“ konzentriert sich die WADA auf wissenschaftliche Forschung, Ausbildung, Entwicklung der Anti-Doping Kapazität und Überwachung des Welt-Anti-Doping-Codes. Im Zuge des gemeinschaftlichen Projekts „EPO-Predict“ arbeiten DFKI (Deutsches Forschungszentrum für Künstliche Intelligenz) und WADA zusammen, um unter Einsatz von Techniken des maschinellen Lernens gegen Doping vorzugehen.

Blutdoping hat im Sport bereits eine lange Geschichte. Immer wieder gibt es Athleten, die darauf zurückgreifen, um die eigene Leistungsfähigkeit, z.B. bei Ausdauersportarten, zu steigern. Die Verwendung von Erythropoietin (EPO) stellt dabei die häufigste Form des Blutdopings dar. EPO ist ein Hormon, das von den Nieren natürlich produziert wird und die Produktion neuer roter Blutkörperchen stimuliert. Exogene EPO-Präparate wurden zur Behandlung verschiedener Formen von Anämie entwickelt, können aber auch zum Doping von Ausdauersportlerinnen und Ausdauersportlern missbraucht werden, um so die Sauerstoffversorgung der Muskeln zu erhöhen. Während EPO mit gezielten Analysemethoden nachgewiesen werden kann, bleibt die Entscheidung darüber, welche Athleten zu welchem Zeitpunkt getestet werden sollen, die entscheidende Frage für die erfolgreiche Anwendung dieser Methoden.

Im Rahmen des Projekts „EPO-Predict“ wird die DFKI-Forschungsgruppe Smart Service Engineering unter der Leitung von Prof. Dr.-Ing. Wolfgang Maaß die WADA dabei unterstützen, verschiedene Machine-Learning- bzw. Deep-Learning-Techniken anzuwenden, um vorherzusagen, ob ein Athlet eine EPO-Droge genommen hat oder nicht. Neben dem Nachweis der Verwendung von EPO zielt das Projekt auf die folgenden Aspekte ab:

• Verbesserung der Prognosegüte durch Optimierung über eine Teilmenge von Input Features,
• verbesserte Nutzung der verfügbaren Blutdaten für die Analyse von EPO Missbrauch,
• Verbesserung der Test-Spezifität und
• Bayes’sche Optimierung über Feature-Subsets.

Im der ersten Phase des Projekts wurden diverse Blutindikatoren und eine Reihe von Fragebogenelementen hinsichtlich der jüngsten Aktivitäten des Athleten als Datensatz für das Training des Modells verwendet. Um die genannten Ziele zu erreichen, plant das DFKI die Anwendung verschiedener Methoden des maschinellen Lernens, einschließlich diverse Deep Learning Modelle. Im Rahmen des ersten Workshops im europäischen Regionalbüro der WADA in Lausanne begann das DFKI mit der Analyse der verfügbaren Daten. (rhh)

Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI)