ARTIFICIELL INTELLIGENS

(Senast reviderad 2025-02-20)

ARTIFICIELL INTELLIGENS

som hjälp i antidopingarbetet

Svenska Antidopingbiblioteket

INNEHÅLL

INTRODUKTION

Utveckling av antidoping med AI, prestationspass och drönare – och etikfrågor

International Testing Agency (ITA) meddelade den 3 juli 2024 att den numera ser artificiell intelligens (AI) som ett nyckelverktyg. Huvuduppgiften är att finjustera “riskanalyser”. Med detta menas att föreslå en specifik och effektiv uppföljning av idrottare vars tidigare resultat har verkat misstänksamma.

Dessutom analyseras idrottsgrenen – dess fysiologi, dess farmakologi, de vanligaste substanserna, etc – och sedan vilket land idrottaren lommer ifrån – landets relation till dopning, möjliga brott av landet mot anti-dopningskoden med mera – och slutligen sätts idrottaren under mikroskop genom utvecklingen av hans eller hennes resultat (”prestationspass”), eventuella misstänkta avvikelser av hans eller hennes blodpass och liknande.

Förbättringarna stannar inte, och sedan Tokyo-spelen som hölls 2021, har ITA utvecklat “ett prestandapass” för att mäta och upptäcka extraordinära förbättringar i prestanda. Till någon del kommer man att kunna “förutse vissa resultat baserat på idrottarnas prestationer fyra år i förväg” genom artificiell intelligens.

Projektet har testats inom simning och tyngdlyftning, och nyligen presenterats för cykelfamiljen. ITA strävar efter att skapa en interaktiv databas som kan användas för att jämföra data med andra organisationer och för att gemensamt främja kampen mot dopning vid framtida evenemang.

Dessutom satsar ITA på innovationer avseende logistik, “den mest komplicerade punkten i dopingtestningen” och man förutser mer innovativa insamlingsmetoder, inklusive drönare för att snabbare få tillgång till dopingtestmaterial exempelvis vid stortävlingar som VM och OS.

Tilläggas bör att utvecklingen med kartläggning av idrottsutövarna med hjälp av artificiell intelligens och förutsägelser om deras framtida prestationer måste balanseras avseende etikfrågor (hittills har man diskuterat vistelserapporteringen som en gråzon för integriteten av den enskilde idrottsutövare, men det kommer att kunna ses som en mild västanfläkt gentemot de kommande etikproblemen).

ARTIFICIELL INTELLIGENS I PRAKTIKEN

Artificiell intelligens för att upptäcka doping bland kvinnliga elittyngdlyftare

AI-drivna algoritmer kan överträffa traditionella metoder vid analys av omfattande datamängder och erbjuda en mer heltäckande och förfinad utvärdering av idrottares profiler för att identifiera misstankar om doping inom idrotten. Genom att upptäcka oregelbundna mönster, trender och avvikelser kan AI-system hjälpa berörda aktörer att identifiera idrottare som ägnar sig åt förbjudna metoder och därmed fungera som ett oberoende och värdefullt kriterium vid urvalet av individer för dopingstester.

Användningen av XGBoost, en gradientförstärkt beslutsträdalgoritm (GBDT), erbjuder flera fördelar vid utvecklingen av en klassificeringsmodell för att identifiera misstankar om doping bland elitkvinnliga tyngdlyftare. GBDT är välkänt för sin förmåga att hantera komplexa, icke-linjära samband mellan indata och målutfall, vilket gör det särskilt effektivt för att identifiera subtila mönster i varierande datamängder. Genom att inkludera flera indata, såsom ålder, prestationer i ryck och stöt, individuell kroppsvikt och tillhörighet till en viss viktklass, kunde vår modell dra nytta av den samlade informationen från dessa variabler för att förbättra prediktiv noggrannhet.

GBDT utför även automatiskt variabelselektion under modellträningen, vilket säkerställde att modellen fokuserade på de mest informativa faktorerna för att förutsäga målutfallet. Vår analys av variabelbetydelse visade att kroppsvikt var den mest avgörande faktorn på samtliga nivåer, följt av prestation i ryck och viktklass, vilket belyser deras centrala roll vid identifiering av misstankar om doping.

Traditionella maskininlärningsmetoder, såsom GBDT, har länge ansetts vara dominerande vid modellering av tabulära data och har visat sig prestera bättre än djupa neurala nätverk. Dock har nyligen försök gjorts att tillämpa djupinlärningsnätverk på tabulära data, där vissa neurala nätverksmodeller påstås överträffa GBDT. Därför föreslår experter inom området att implementera hybridmetoder för att dra nytta av den flexibilitet som neurala nätverk erbjuder, samtidigt som de induktiva fördelarna med GBDT bibehålls.

Mot bakgrund av detta strävade vi efter att förbättra prediktionsförmågan genom att utveckla en hybridmodell i form av en Ensemble-modell. Våra prediktionsmodeller uppvisade relativt god prestanda, där Ensemble-modellen presterade bäst och uppnådde det högsta F1-värdet. Eftersom F1-värdet är en central metrik för att utvärdera effektiviteten hos klassificerings-modeller – då det beskriver den harmoniska medelvärdesbalansen mellan precision (kvaliteten på positiva prediktioner) och återkallelse (känsligheten för korrekt identifierade positiva händelser) – visade sig Ensemble-modellen överträffa logistisk regression, XGBoost och MLP-modeller.

Ensemble-modellen uppvisade prediktionsfrekvenser på 67, 56 och 25 procent för antidopingregelöverträdelser vid OS i Peking 2008, London 2012 och Rio de Janeiro 2016, vilket belyser vikten av vårt arbete med att implementera en hybridmetod för att förbättra förutsägbarheten vid identifiering av doping.

Genom att analysera offentligt tillgängliga prestationsdata för kvinnliga tyngdlyftare från 1998 till 2020, tillsammans med demografisk information från 17 058 individer, kategoriserade vi lyftare efter ålder, kroppsviktsklass och prestationsnivåer. Dokumenterade fall av antidoping-regelöverträdelser (ADRVs) inkluderades också. Vi använde AI-drivna algoritmer, inklusive XGBoost, Multilayer Perceptron (MLP) och en Ensemble-modell som integrerar XGBoost och MLP, för att identifiera misstankar om doping baserat på det insamlade datasetet.

Våra resultat indikerar en potentiell benägenhet för dopning bland kvinnliga tyngdlyftare i mitten av tjugoårsåldern, där den högsta förekomsten av sanktionerade fall återfanns inom den översta 1 procent av prestationsnivån, varefter den minskade. Prestationstrender och sanktionerade fall över olika åldersgrupper och viktklasser visar genomgående överlägsna prestationer bland de sanktionerade fallen. Ensemble-modellen uppvisade imponerande prediktionsförmåga och förutspådde 54 procent av de tyngdlyftare som sanktionerades vid OS 2008, 2012 och 2016. Detta demonstrerar den praktiska tillämpningen av Athlete’s Performance Passport (APP) för att identifiera potentiella dopningsmisstankar.

Vår studie är banbrytande genom att introducera en AI-driven APP-strategi inom antidopning, vilket erbjuder en proaktiv och effektiv metod. APP, i kombination med avancerade AI-algoritmer, har potential att revolutionera effektiviteten och objektiviteten i dopningstester och skapar en ny väg för att stärka antidopningsåtgärder inom elitkvinnlig tyngdlyftning, samt potentiellt inom andra idrotter. Vi belyser även begränsningen av nuvarande APP-system och förespråkar utvecklingen av ett mer tillgängligt och omfattande APP-system för att förbättra antidopningsarbetet.

Neuronala nätverk för tolkning av jonkromatogram

Dopningskontrollens screeninganalyser innebär vanligtvis en visuell inspektion av extrahe-rade jonkromatogram (EIC) av en utbildad analytisk kemist, följt av vidare undersökningar vid behov. Denna uppgift är både mycket repetitiv och tidskrävande, med tanke på de hundratals föreningar och metaboliter som måste screenas i tiotusentals prover per år.

Med den senaste breda tillämpningen av maskininlärning inom analytisk kemi och utveck-lingen av högpresterande konvolutionella neurala nätverk (CNN) kan dessa processer automatiseras med hög noggrannhet och genomströmning. Att tillämpa denna teknik på dopningskontroll är dock en utmaning, eftersom falsk negativ frekvens (FNR) måste vara noll.

I denna studie demonstrerade vi att implementering av en djupinlärningsstrategi för klassificering av kromatogram inom dopningskontroll för hästar kan vara både genomförbart och noggrant. Vi illustrerade våra resultat med en CNN-baserad poängmodell i kombination med en linjär diskriminantanalys (LDA)-klassificerare, tränad på kromatogrambilder från vår bioterapeutiska screeningmetod baserad på ultrahögtrycksvätskekromatografi kopplad till högupplösande tandem-masspektrometri (UHPLC-HRMS/MS).

Vi förväntar oss att artificiell intelligens (AI) kommer att bli ett värdefullt verktyg för dopningskontrollaboratorier inom en snar framtid.

En pionjärs syn på artificiell intelligens möjligheter till upptäckt av doping

Artificiell intelligens kan i framtiden bidra till att göra idrottstävlingar renare och mer rättvisa. Professor Wolfgang Maaß, expert inom affärsinformatik, och hans team vid Saarlands universitet och det tyska forskningscentret för artificiell intelligens (DFKI) använder självlärande datorsystem för att snabbare och enklare avslöja dopningsöverträdelser. Maaß och hans team samarbetar med WADA i forskningsprojekt där de tillämpar AI-system som tidigare utvecklats för Industri 4.0-applikationer. Genom att mata dessa system med data från dopningstester blir de alltmer effektiva på att upptäcka idrottsfusk.

Wolfgang Maaß är övertygad om att artificiell intelligens kan hjälpa antidopningsmyndigheter att hålla sporten ren: ”AI-metoder kan göra dopningstester snabbare och mer effektiva.” Normalt sett använder Maaß och hans team sina smarta datasystem för att öka transparensen i automatiserade, datadrivna industriprocesser (Industri 4.0), exempelvis genom att på ett tillförlitligt sätt förutsäga fel i fabriksutrustning eller identifiera problem i leveranskedjor – och sedan föreslå lämpliga lösningar. Nu vill Wolfgang Maaß använda smarta datoralgoritmer för att bekämpa dopning. ”Våra datasystem kan även ge värdefulla insikter i processer utanför näringslivet,” säger Maaß.

Professor Maaß har redan samarbetat med WADA i tre projekt, och resultaten visar tydligt att AI-systemen i Saarbrücken, som tidigare tränats på affärsdata, snabbt och pålitligt kan identifiera olika typer av idrottsfusk. “Den forskning vi har bedrivit hittills har varit mycket lovande. AI-baserade analyser av biokemiska och andra data från dopningstester har gett utmärkta resultat,” säger Maaß. Hans vision är att i framtiden stödja antidopningslaboratorier genom att utföra analyser i ett virtuellt labb.

Dopningstester genererar stora mängder data. Blod- och urinprover från tävlingar och träning samlas under längre tidsperioder i laboratorier för att identifiera spår av förbjudna substanser eller otillåtna träningsmetoder. Dessutom samlas ytterligare information om idrottarna in. Eftersom dopningstester kan utföras var som helst och när som helst, måste idrottare rapportera sin så kallade whereabouts-information, vilket gör det möjligt att lokalisera dem för tester utanför tävling. Även denna data kan matas in i de förtränade AI-systemen för att kontrollera tecken på manipulation.

Genom att använda maskininlärningsmetoder och djupinlärningsstrategier kan forskarna träna systemet att konsekvent identifiera typiska mönster kopplade till dopning inom idrotten. Systemet lär sig att upptäcka små men karakteristiska indikationer på dopning, där varje upptäckt blir en liten del av det stora pusslet. För att uppnå detta tränar Maaß och hans team AI-systemet med data från dopningstester utförda på ett stort antal idrottare. Systemet kan sedan analysera samband i datan och förstå hur de olika delarna i det komplexa, multidimen- sionella dopningspusslet hänger ihop.

Systemet registrerar och tilldelar vikt åt data såsom blodmarkörer och urinprofil för steroider, identifierar och tar hänsyn till orsakssamband och tidsmässiga relationer i flera prover, samt beaktar de metabola omvandlingar som specifika substanser genomgår och interaktioner relaterade till prestationshöjande preparat. Genom denna djupgående analys av komplex och mångdimensionell data lär sig systemet att identifiera manipulation. När systemet väl är tränat kan det upptäcka mönster och subtila egenskaper i den digitala datan som pekar på oegentligheter och avvikelser kopplade till dopning.

Resultatet är ett verktyg som kan indikera sannolikheten för att en viss datamängd härrör från en idrottare som använt förbjudna substanser eller på något annat sätt manipulerat ett dopningstest.

“För att träna komplexa modeller av detta slag behöver vi mycket mer data, särskilt data från positiva dopningstester. Genom att använda generativa adversariella nätverk, eller GAN som vi kallar dem, kan vi utöka och berika vår databas. Att utveckla och testa AI-modeller av denna typ är bara möjligt om vi har en djup förståelse för datan och de underliggande biologiska mekanismerna,” förklarar Wolfgang Maaß.

År 2015 samarbetade Maaß med WADA för att undersöka om hans AI-modeller kunde identifiera fall av erytropoetin (EPO)-bloddopning när de matades med anonymiserad data från biokemiska analyser. En jämförelse med de faktiska resultaten från dopningstesterna visade att modellen, även i detta tidiga skede och innan ytterligare justeringar, hade en utmärkt träffsäkerhet.

Ett andra projekt med WADA bekräftade AI-modellens starka prognosförmåga. I detta fall samarbetade Maaß och hans forskarteam med Institutionen för näringslära, träning och idrott vid Köpenhamns universitet i ett gemensamt projekt om EPO-dopning. Utan någon annan bakgrundsinformation använde forskarna i Saarbrücken sitt AI-system för att analysera specifika blodmarkörer och blodparametrar från olika träningsgrupper med totalt 50 deltagare. Datoralgoritmen kunde korrekt identifiera och särskilja den grupp som använt EPO från de andra referensgrupperna, inklusive en grupp där idrottarna naturligt hade högre nivåer av röda blodkroppar efter att nyligen ha genomgått höghöjdsträning.

I det senaste projektet med WADA och Biokemiska institutet vid Tyska idrottshögskolan i Köln kunde de specialtränade datoralgoritmerna identifiera andra former av manipulation utöver de som normalt förknippas med traditionella dopningsöverträdelser. Systemet kunde upptäcka när urinprover hade bytts ut. Denna typ av fusk, där en idrottare byter ut ett “smutsigt” urinprov mot ett “rent”, är extremt svårt för dopningsutredare att avslöja och kräver avancerade laboratorieanalyser. När en djupinlärningsstrategi används kan Saarbrücken-modellen identifiera typiska mönster som tyder på manipulation.

Wolfgang Maaß arbetar också med att stärka det gränsöverskridande antidopningssam-arbetet genom att etablera ett tysk-franskt nätverk med fokus på att driva användningen av artificiell intelligens i kampen mot prestationshöjande substanser. Bland nätverksdeltagarna finns det franska antidopningslaboratoriet i Paris (Laboratoire AntiDopage Français, LADF, Université Paris-Saclay), det nationella institutet för forskning inom digital vetenskap och teknik (INRIA – Institut national de recherche en informatique et en automatique), Tyska idrottshögskolan i Köln, Maaß egen institution vid Saarlands universitet samt hans forskar-grupp Smart Service Engineering vid det tyska forskningscentret för artificiell intelligens (DFKI).

AI för att skilja ut icke-dopade från övriga idrottare

I vissa fall kommer frågor att uppstå om segrar vinns rättvist eller om dopning ör inblandad. Artificiell intelligens kan i framtida tävlingar sannolikt bidra till att besvara sådana frågor. Programvaror, som presenterades vid den internationella konferensen 2024 om artificiell intelligens (International Joint Conference on AI, 3–9 augusti i Sydkorea), behöver emellertid endast ett fåtal datapunkter för att med stor noggrannhet förutsäga vilka idrottare som inte har dopat sig – och kan därmed identifiera de fall där en närmare granskning krävs.

Att leta efter en nål i en höstack eller slåss mot väderkvarnar är två träffande metaforer för utmaningen att upptäcka dopade idrottare. Vid stora sportevenemang som OS, VM eller professionella ligor, exempelvis inom fotboll, kan det ta laboratorier veckor att analysera urinprover för att avgöra om någon av deltagarna har använt prestationshöjande medel. Med tanke på det stora antalet idrottare vid stora evenemang som OS – i Paris tävlar cirka 10 500 idrottare – och den tidskrävande testprocessen är det lätt att förstå att många dopare undgår upptäckt. Endast en bråkdel av urinproverna kan analyseras i laboratoriet. Som dopningsskandalen vid vinter-OS i Sotji 2014 visade, försöker vissa dopare dessutom byta ut sina egna urinprover mot “rena” prover från någon annan.

Hittills har DNA-analys varit den enda tillförlitliga metoden för att fastställa om prover har bytts ut. Det är för närvarande inte möjligt att analysera DNA i varje enskilt prov. Vid DFKI, Tyska idrottshögskolan i Köln och WADA bestämde man sig därför för att kombinera sin expertis för att hitta en enklare och mer genomförbar lösning.

För att tackla utmaningen utvecklade de en AI-baserad programvara som kan analysera urinprov både snabbt och kostnadseffektivt. Dopningstester mäter koncentrationer och förhållanden mellan olika steroider, som sedan kontrolleras för rimlighet. Detta skapar ett biokemiskt fingeravtryck som AI-systemet kan använda för att på ett tillförlitligt sätt flagga för avvikelser.

Maskininlärningsprogrammet behöver endast data från tre urinprover från varje idrottare insamlade under deras karriär. Eftersom en idrottares naturliga steroidprofil kan skilja sig mycket från en annan idrottares, lär sig systemet vilka koncentrationer av vissa ämnen som är normala för just den individen. För varje prov analyseras sju karakteristiska egenskaper, såsom steroidkoncentrationer och deras förhållanden, i ett biokemiskt laboratorium. Programvaran fungerar sedan ungefär som en hitta-felet-övning för barn, där den letar efter avvikelser från det normala mönstret.

Om du jämför de tre eller fler bilderna med mätdata från de individuella urinproverna, kommer programvaran att hitta de prover där allt stämmer. Kvar blir en liten mängd prover där bilderna inte matchar, det vill säga där inkonsekvenser har upptäckts. Dessa återstående fall kan sedan undersökas närmare av biokemister i laboratoriet med hjälp av DNA-analys. Om en idrottare har använt en prestationshöjande substans som kan detekteras i urin, kan datoralgoritmen hjälpa till att identifiera den idrottaren med hög säkerhet.

I stället för att direkt peka ut dopade idrottare är programvaran designad för att identifiera rena idrottare med 99 procents säkerhet, för att minimera risken att oskyldiga blir felaktigt anklagade. Detta innebär att en liten andel dopade idrottare kan gå under radarn, men positiva dopningsfall där idrottare har tagit förbjudna substanser för att hoppa högre, springa snabbare eller lyfta tyngre identifieras med mycket hög precision.

Tack vare denna innovativa och högprecisa metod kan det nu bli betydligt enklare att hitta den svårfångade nålen i höstacken.

ETIKASPEKTER

Om riskerna med en alltför effektiv AI i dopingövervakning

I en dansk artikel var mål att visa varför det kan vara moraliskt fel att öka effektiviteten i att upptäcka dopingsbedrägeri inom idrott genom användning av artificiell intelligens (AI). Det första argumentet som stödjer denna slutsats är att användningen av AI för att göra en icke-idealisk antidopingspolicy ännu mer effektiv kan vara moraliskt fel. Huruvida den ökade effektiviteten är moraliskt fel beror på om man anser att det nuvarande antidopingssystemet, som administreras av WADA, redan är moraliskt fel.

Det andra argumentet bygger på möjligheten att scenarier kan uppstå där ett mer effektivt AI-system kan vara moraliskt värre än ett mindre effektivt men icke-AI-baserat system. Man kan naturligtvis inte dra slutsatsen att en ökad effektivitet i att upptäcka doping alltid är moraliskt fel. Men poängen är att huruvida införandet av AI för att öka upptäckten av dopingsbedrägeri utgör en moralisk förbättring beror på det nuvarande systemets moraliska trovärdighet och fördelningen av skador som uppstår från falskt positiva och falskt negativa fel.

REFERENSER