Artificiell intelligens för tolkande av higenaminanalyser i dopingprov

Higenamin (HM) är en naturligt förekommande bensylisoquinolinalkaloid som finns i växter och klassificeras som en S3-förbjuden substans i WADA:s rapport från 2020. För att förhindra dopningsöverträdelser inom tävlingsidrott är det avgörande att utveckla snabba och tillförlitliga detektionsmetoder.

I denna studie föreslås för första gången en detektionsmetod som kombinerar artificiell intelligens (AI)-baserad bildigenkänningsteknik med lateral flow-immunanalys (LFIA). Metoden använder guldnanopartiklar (AuNPs) kopplade till HM-specifika antikroppar för snabb detektion av HM i urin via LFIA. Den integrerar AI-baserad bildigenkänning för att kvantitativt analysera färgintensiteten i teststickans detektionslinje.

De experimentella resultaten visade att den föreslagna metoden uppnår en detektionsgräns på 0,49 ng/mL, vilket möjliggör korrekt identifiering inom koncentrationsintervallet 2–8 ng/mL. För modellträningen skapades en datamängd kallad Image Classification of HM Test Strip. För att hantera begränsningarna i denna datamängd – nämligen dess lilla storlek (n=304) och begränsade variation i egenskaper – föreslogs en avancerad lösning anpassad till dessa förutsättningar.

Användningen av Contrast Limited Adaptive Histogram Equalization (CLAHE), som möjlig-gör mer finfördelad extraktion av bildfunktioner, säkerställde mycket hög igenkännings-noggrannhet för modellen i denna datamängd. Vid faktisk analys av urinprover uppnådde modellen en prediktionsnoggrannhet på 96,88 procent i testmängden.

Denna metod erbjuder en effektiv och tillförlitlig teknisk lösning för snabb detektion av HM på plats och möter därmed det kritiska behovet av snabb övervakning inom antidopningsarbetet.

Referens: Zhang R, Tong Y, Shi Y, Cai Y, Zhao Q, Lu Y. Development of an AI image Recognition-based lateral flow immunochromatographic test strip for higenamine detection. Anal Biochem 2026; 712: 116069.