Ungleiche Chancen, unfairer Wettkampf, unsauberer Sport – wird gedopt, bleibt nicht nur die Gerechtigkeit auf der Strecke. Sportlerinnen und Sportler setzen auch ihre Gesundheit aufs Spiel. Der Kampf gegen Doping ist ein schwieriges Unterfangen. Sportbetrug zu entlarven, ist komplex und aufwändig. Künstliche Intelligenz könnte die Doping-Kontrolleure bei dieser Aufgabe unterstützen, ist Professor Wolfgang Maaß überzeugt. „Methoden künstlicher Intelligenz können die Doping-Kontrollverfahren beschleunigen und effizienter machen“, erklärt der Wirtschaftsinformatiker. Normalerweise sorgen Maaß und sein Team mit ihren intelligenten Datensystemen an der Universität des Saarlandes und am Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) für Transparenz in der Industrie 4.0: Sie sagen früh und zuverlässig voraus, ob etwa Störungen an Anlagen oder in Lieferketten drohen und finden passende Lösungen. Jetzt will Maaß die smarten Computer-Algorithmen auch gegen Doping einsetzen. „Unsere Datensysteme sind auch über den Wirtschaftsbereich hinaus aufschlussreich“, erklärt er.
Die Ergebnisse von bislang drei Projekten, bei denen Maaß mit der Welt-Anti-Doping- Agentur Wada kooperiert, liefern deutliche Hinweise darauf, dass die mit Wirtschaftsdaten vortrainierten Saarbrücker KI-Systeme auch bei Doping funktionieren und Sportbetrugsfälle verschiedener Art schnell und zuverlässig erkennen können. „Unsere bisherigen Forschungsarbeiten verlaufen vielversprechend. Die KI-basierten Analysen von biochemischen und weiteren Daten aus Doping-Kontrollen liefern sehr gute Ergebnisse“, sagt Maaß. Seine Vision ist, die Arbeit der Doping-Labore in Zukunft durch Analysen im virtuellen Labor zu unterstützen.
Bei Doping-Kontrollen fallen zahlreiche Daten an. So werden in Trainings- und Wettkampfzeiten teils über längere Zeiträume Blut- und Urinproben genommen, in Laboren analysiert und auf verbotene Substanzen und Methoden hin untersucht. Auch weitere Informationen rund um die Athletinnen und Athleten kommen hinzu. Da die Kontrollen immer und überall erfolgen können, melden die Sportler zum Beispiel auch ihren aktuellen Aufenthaltsort. Mit allen solchen Daten können die angelernten KI-Datensysteme gefüttert werden, um Manipulationen auf die Spur zu kommen.
Mithilfe maschineller Lernmethoden und Deep Learning bringen die Forscherinnen und Forscher dem System bei, Doping treffsicher an typischen Mustern zu erkennen. Es lernt, winzigste, aber charakteristische Doping-Merkmale wie Puzzleteile zu identifizieren. Hierfür trainiert Maaß‘ Team das Computer-System mit den Daten aus Doping-Kontrollen vieler Athletinnen und Athleten. Das System ist in der Lage, alle möglichen Verknüpfungen in den Daten zu durchleuchten, das heißt, es begreift, wie die einzelnen Puzzleteile des mehrdimensionalen Puzzles eines Doping-Falles zusammenhängen.
Das KI-System erfasst und gewichtet etwa Blutmarker oder Steroidprofil-Daten in Urin, bezieht kausale und zeitliche Abläufe bei mehreren Proben ebenso mit ein wie die chemischen Umwandlungen der Stoffe im Körper oder auch die Wirk-Zusammenhänge des Dopingmittels. Mit etwas Training findet es in den digitalen Daten und Zahlenkolonnen Muster und kleinste Nuancen, die auf Abweichungen hindeuten und typisch für Dopingfälle sind. Auf diese Weise sagt es voraus, wie wahrscheinlich es bei einer bestimmten Puzzle-Konstellation ist, dass jemand verbotene Substanzen eingesetzt oder die Tests anderweitig verfälscht hat.
„Um komplexe Modelle trainieren zu können, brauchen wir sehr viel Datenmaterial, insbesondere zu positiven Dopingfällen. Mit sogenannten generativen maschinellen Lernverfahren – wir sprechen abgekürzt von ‘GAN‘ – können wir unseren Datenpool anreichern. Erst ein tiefes Verständnis der Daten und der zugrundeliegenden, biologischen Zusammenhänge erlaubt es uns, derartige KI-Modelle zu entwickeln und zu testen“, erklärt Wolfgang Maaß.
2015 testete Maaß in Kooperation mit der Wada erstmals, ob seine Datensysteme generell in der Lage sind, anhand einer anonymisierten Auswahl biochemischer Analyse-Daten Doping mit dem Mittel Erythropoetin, kurz „EPO“, aufzuspüren. Bei dieser Methode des Blutdopings wird die Zahl an roten Blutkörperchen erhöht, um mehr Sauerstoff zu transportieren und so die Leistung zu steigern. „Wir verwendeten als Datensatz für das Training mehrere Blutindikatoren und eine Reihe von Fragebögen über Aktivitäten der Sportlerinnen und Sportler“, erläutert Maaß. Beim Vergleich mit den tatsächlichen Ergebnissen der Dopingkontrollen zeigte das Datensystem bereits in diesem ersten, noch nicht spezifisch weiterentwickelten Stadium eine sehr gute Trefferquote.
Ein weiteres Projekt mit der Wada bestätigte die sehr gute Vorhersage-Qualität: Diesmal arbeiteten Maaß und sein Forschungsteam mit dem Fachbereich für Ernährung, Bewegung und Sport der Universität Kopenhagen im Rahmen einer Studie ebenfalls zu EPO-Doping zusammen. Ohne weitere Hintergrundinformationen werteten die Saarbrücker Forscherinnen und Forscher mithilfe ihres Datensystems bestimmte Blutmarker und Blutwerte aus verschiedenen Trainingsgruppen mit insgesamt 50 Probandinnen und Probanden aus: Die Computer-Algorithmen erkannten die EPO-Doping-Gruppe und filterten diese aus den Vergleichsgruppen heraus – darunter auch eine Gruppe Sportler, deren Blutkörperchen-Zahl wegen Trainings in großer Höhe natürlich erhöht war.
Im jüngsten Projekt mit der Wada und dem Institut für Biochemie der Sporthochschule Köln, dessen Ergebnisse das Team im Dezember vorgelegt hat, erkannten die Computer-Algorithmen durch spezielle Trainings auch anderweitige Manipulation über die klassischen Dopinganalysen hinaus: „Unser System kommt auch dem Austausch von Urinproben auf die Spur“, sagt Maaß. Diese Art des Betrugs, bei dem die Urinprobe eines gedopten Sportlers mit einer „sauberen“ Urinprobe vertauscht wird, ist für Doping-Kontrolleure extrem schwer nachzuweisen und mit höchst aufwändigen Analysen verbunden. Mit Deep-Learning-Trainings erkennt das Saarbrücker Datensystem auch die typischen Muster solcher Manipulationen. „Die Sensitivität und Spezifität unserer Methoden erreicht bereits jetzt hohes Niveau; wir können dies aber auch noch weiter verbessern. Dies lässt darauf schließen, dass der Einsatz von KI-Methoden im Doping die Kontrollen effektiv unterstützen kann“, sagt Maaß, der jetzt die Zusammenarbeit mit der Wada und der Sporthochschule Köln weiter intensivieren will.
Aktuell arbeitet Wolfgang Maaß daran, die Forschungsaktivitäten gegen Doping grenzüberschreitend auszuweiten: Er leitet den Aufbau eines deutsch-französischen Netzwerks, das den Einsatz von künstlicher Intelligenz im Kampf gegen Doping intensivieren soll: Beteiligt hieran sind das französische Anti-Doping Labor in Paris (Laboratoire AntiDopage Français, LADF, Université Paris-Saclay), das französische Nationale Forschungsinstitut für Informatik und Automatisierung INRIA (Institut national de recherche en informatique et en automatique), die Sporthochschule Köln sowie Maaß' Lehrstuhl an der Saar-Universität und seine Forschungsgruppe "Smart Service Engineering" am Deutschen Forschungszentrum für Künstliche Intelligenz, DFKI.
Englische Version dieser Pressemitteilung:https://www.uni-saarland.de/fileadmin/upload/aktuell/pdf/2022/PM_26_AI_against_Doping_EN.pdf
Fragen beantwortet:
Prof. Dr.-Ing. Wolfgang Maaß, Inhaber des Lehrstuhls für Betriebswirtschaftslehre, insbesondere Wirtschaftsinformatik im Dienstleistungsbereich, Universität des Saarlandes, und Leiter der Forschungsgruppe Smart Service Engineering am Deutschen Forschungszentrum für Künstliche Intelligenz DFKI.
Tel.: 0681 302 64736; E-Mail: wolfgang.maass@iss.uni-saarland.de
Pressefotos zum Download:
Die Pressefotos können Sie mit Namensnennung des Fotografen als Fotonachweis honorarfrei in Zusammenhang mit dieser Pressemitteilung und der Berichterstattung über die Universität des Saarlandes verwende