KI-generierte MALDI-TOF-Spektren revolutionieren mikrobiologische Diagnostik

Matrix‑Assisted Laser Desorption/Ionization Time‑of‑Flight Mass Spectrometry (MALDI‑TOF MS) ist heute ein unverzichtbares Werkzeug in der klinischen Mikrobiologie. Trotz ihrer hohen Geschwindigkeit und Genauigkeit bleiben datengetriebene Diagnosemodelle stark durch den Mangel an umfangreichen, ausgewogenen und standardisierten Spektrendatensätzen eingeschränkt.

In einer neuen Studie wurden tiefgreifende generative Modelle eingesetzt, um realistische MALDI‑TOF‑Spektren zu synthetisieren. Dabei wurden drei Ansätze untersucht: Variational Autoencoders (MALDIVAEs), Generative Adversarial Networks (MALDIGANs) und ein Denoising Diffusion Probabilistic Model (MALDIffusion). Alle Modelle erzeugen Spektren, die gezielt nach Bakterienarten konditioniert sind.

Die synthetisierten Daten wurden anhand verschiedener Metriken auf ihre Genauigkeit und Vielfalt hin bewertet. Die Ergebnisse zeigen, dass die künstlich erzeugten Spektren statistisch und diagnostisch mit echten Messungen vergleichbar sind. Klassifikatoren, die ausschließlich mit synthetischen Proben trainiert wurden, erreichten Leistungswerte, die denen von Modellen mit realen Daten entsprechen.

Alle drei Modelle reproduzieren die charakteristischen Peak‑Strukturen und die natürliche Variabilität der MALDI‑TOF‑Spektren. Das Diffusionsmodell erzielt die höchste Bildtreue, jedoch zu einem deutlich höheren Rechenaufwand. Das GAN‑Modell liefert konkurrenzfähige Ergebnisse, ist aber etwas weniger stabil. Das VAE‑Modell bietet das beste Gleichgewicht zwischen Genauigkeit, Stabilität und Rechenressourcen.