Unterscheidung bakterieller Arten durch Echtzeit-Erkennung flüchtiger organischer Verbindungen mittels wellenlängen-multiplexed Photoionisationsdetektor und KI-Bildanalyse

Warum das „Riechen“ von Keimen die Krankenversorgung verändern könnte

Krankenhäuser kämpfen ständig gegen Infektionen, die Patienten während der Behandlung aufnehmen und die oft durch Bakterien verursacht werden, die gegen gängige Antibiotika resistent sind. Ärztinnen und Ärzte müssen schnell wissen, welcher Erreger vorliegt, um das richtige Mittel zu wählen, doch gängige Tests können Tage dauern. Diese Studie untersucht einen neuen Ansatz, der in Echtzeit auf den „Geruch“ von Bakterien hört und mithilfe künstlicher Intelligenz unterschiedliche Arten voneinander trennt, mit dem Ziel, Diagnosen zu beschleunigen und die Patientenversorgung zu verbessern.

Keime, die einen chemischen Duft hinterlassen

So wie Kaffee, Blumen oder Farbe jeweils einen erkennbaren Geruch abgeben, setzen Bakterien ihr eigenes Gemisch winziger, in der Luft befindlicher Chemikalien frei. Diese werden flüchtige organische Verbindungen (VOCs) genannt, und jede Spezies neigt dazu, beim Wachstum eine charakteristische Mischung zu emittieren. Die Autoren konzentrierten sich auf vier häufige Krankenhausproblemkeime, darunter E. coli und Staphylococcus aureus, die maßgebliche Ursachen für Harnwegs-, Blut- und Lungeninfektionen sind. Wenn sich diese chemischen Mischungen schnell und zuverlässig auslesen lassen, könnten sie als eine Art Fingerabdruck dienen, der zeigt, welcher Keim vorhanden ist, ohne dass die Bakterien selbst angefasst werden müssen.

Ein kompakter Sensor, der unsichtbare Hinweise erschnüffelt

Um diese bakteriellen Düfte einzufangen, baute das Team ein kleines Gerät auf Basis einer Technologie namens Photoionisationsdetektion. Im Inneren des Sensors strahlen vier winzige Lampen hochenergetisches Licht auf die einströmenden VOCs. Jede Lampe hat eine andere Lichtenergie, sodass jede bevorzugt auf einen leicht unterschiedlichen Ausschnitt des chemischen Gemischs reagiert. Wenn die Chemikalien vom Licht getroffen werden, bilden sie geladene Partikel, die einen schwachen elektrischen Strom erzeugen. Über einen Zeitraum von 20 Minuten erzeugt jede Lampe ihre eigene Stromkurve, die widerspiegelt, wie sich der bakterielle Geruch im Zeitverlauf verändert. Zusammen bilden diese vier Kurven ein mehrfarbiges Muster, das spezifisch für jede Spezies und für die Zahl der vorhandenen Bakterien ist.

Sensor-Signale in Bilder verwandeln für die KI

Die rohen elektrischen Kurven sind komplex und für Menschen nicht leicht mit dem Auge zu deuten. Die Forschenden wandelten die Kurven daher in Bilder um, füllten die Fläche unter jeder Linie aus und kombinierten die vier Lampensignale zu einem einzigen Bild. Anschließend nutzten sie ein vortrainiertes Bilderkennungsnetz, das ursprünglich zur Klassifizierung alltäglicher Fotografien entwickelt wurde, und passten es mithilfe einer Strategie namens Few‑Shot‑Learning an diese Aufgabe an. Dieser Ansatz ist darauf ausgelegt, auch bei nur wenigen verfügbaren Beispielen zu funktionieren, wie es oft beim Entwicklungsbeginn eines neuen Sensors der Fall ist. Das KI‑Modell lernte, subtile Unterschiede in Form und Intensität zwischen Bildern verschiedener Bakterien und unterschiedlicher Konzentrationsstufen zu erkennen.

Was das System bereits aussagen kann

In Tests unterschied der Sensor die vier Bakterienspezies zuverlässig anhand ihrer VOC‑Muster und erreichte dabei eine Genauigkeit von über 88 Prozent bei der Artenidentifikation. Er detektierte sehr geringe Bakterienzahlen, bis hin zu etwa einhundert Zellen pro Milliliter — ein Bereich, der mit frühen Blutstrominfektionen übereinstimmt und weit unter den typischen Werten bei Harnwegsinfektionen liegt. Das System unterschied außerdem zwischen niedrigen und hohen Kontaminationsniveaus, eine Fähigkeit, die Klinikerinnen und Klinikern helfen könnte einzuschätzen, ob eine Infektion bedeutsam ist oder sich noch in einem frühen Stadium befindet. Als das Team einen ausgeglicheneren Datensatz erzeugte, verbesserte sich die Leistung des KI‑Modells weiter, was zeigt, dass konsistentere Daten die Methode noch leistungsfähiger machen würden.

Was das für Patientinnen und Patienten bedeuten könnte

Diese Arbeit ersetzt noch nicht die standardmäßigen Labortests, aber sie zeigt, dass die Kombination eines einfachen, geruchsbasierten Sensors mit moderner KI schnell anzeigen kann, welche Bakterien vorhanden sind und wie zahlreich sie sind. Da das Gerät kompakt ist, keine speziellen Marker oder aufwändige Probenvorbereitung benötigt und die Luft über einer Kultur direkt ausliest, könnte es für den Einsatz am Krankenbett oder in der Nähe des Patienten adaptiert werden. Künftig könnten ähnliche Werkzeuge Ärztinnen und Ärzten helfen, schneller auf Krankenhausinfektionen zu reagieren, Behandlungen gezielter zu wählen und den unnötigen Einsatz breit wirkender Antibiotika zu reduzieren — was zu besseren Ergebnissen für Patientinnen und Patienten führen würde.

Zitation: Costa, S.P., Cardoso, A., Mahmoodnia, H. et al. Bacterial species differentiation via real-time detection of microbial volatile organic compounds using a wavelength multiplexed photoionization detector and AI image-based analysis. Sci Rep 16, 15924 (2026). https://doi.org/10.1038/s41598-026-46818-x

Schlüsselwörter: Bakteriendetektion, flüchtige organische Verbindungen, Photoionisationssensor, künstliche Intelligenz, Infektionen im Gesundheitswesen