גילוי החלפת דגימות בחקירות אנטי-דופינג באמצעות למידת מכונה

מדוע חשוב לתפוס רמאים מתוחכמים

הספורט האולימפי והמקצועני נשען על אמון: כשספורטאי מנצח, אנו רוצים להאמין שהתוצאה נקייה. בדיקות סמים מודרניות רגישות מאוד, אך יש ספורטאים שמנסים לעקוף אותן על ידי החלפת דגימות שתן בסתר. המחקר הזה מראה כיצד ניתן בעזרת למידת מכונה לזהות מקרים שבהם ספורטאי משתמש מחדש בדגימת שתן צלולה שנלקחה קודם — הונאה שקשה מאוד לגלות בבדיקות השגרתיות של היום. המאמץ מצביע על דרכים חדשות להגן על הוגנות התחרות באמצעות סריקה שקטה של מאגרי בדיקות נרחבים לזיהוי ראיות חבויות של זיוף.

פרצה חבויה בבדיקות הנוכחיות

מעבדות אנטי-דופינג בדרך כלל בודקות שתן, מכיוון שרבים מהחומרים האסורים ומוצרי הפירוק שלהם נשארים נמצאים שם לאורך זמן. בפרופילי הספורטאי למעקב הורמונים סטרואידיים טבעיים בנשמרים לאורך שנים ב-Athlete Biological Passport, וייתכן שזינוק פתאומי בערכים הללו יפעיל חקירה. החלפת שתן של אדם אחר משבשת את ההיסטוריה הארוכת‑הטווח הזו ולרוב ניתן לזהות אותה. הנקודה העיוורת האמיתית נוצרת כאשר ספורטאי משתמש מחדש בסתר בשתן שלו עצמו שנבדק בעבר ונקי מסמים. במצב כזה דפוס הסטרואידים משתלב באופן מושלם בהיסטוריה שלו, ואם הדגימה נבדקת במעבדה אחרת או זמן רב אחרי הדגימה המקורית, כיום אין אוטומציה שיכולה להבחין ששתי דגימות למעשה זהות.

הפיכת הכימיה של השתן לדפוסים הניתנים לחיפוש

המחברים התמודדו עם הבעיה על ידי התמקדות ב"טביעת האצבע" המפורטת הנוצרת על ידי קבוצה של סטרואידים טבעיים ויחסיהם בשתן. הם אספו 67,651 פרופילי סטרואידים ממעבדה מוסמכת של סוכנות העולמית למאבק בסמים (WADA) שנלקחו בין 2021 ל‑2023, ושהכלילו ספורטאים גברים ונשים. כל פרופיל מכיל הורמונים מרכזיים כגון טסטוסטרון וכמה תרכובות קשורות, וכן יחסים ביניהן. מכיוון שמקרי שימוש חוזר אמיתיים נדירים וחסויים, הצוות שילב את הנתונים מהשטח עם זוגות פרופילים סינתטיים שנבנו בקפידה: חלקם נעשו "דומים" על ידי הוספת רעש מדידה קטן וריאלי, ואחרים נעשו "לא דומים" על ידי התאמה אקראית של דגימות מספורטאים שונים. זה סיפק חומר אימון מאוזן למודל מחשב ללמוד איך נראה "כמעט זהה" בפועל.

איך הגלאי החכם פועל

ליבה של המערכת היא סוג של רשת עצבית מלאכותית הידועה כרשת קונבולוציה, בשימוש רחב בזיהוי תמונות. כאן, במקום תמונות, הקלט הוא זוג פרופילי סטרואידים מסודרים זה לצד זה. הרשת סורקת את התכונות כדי לתפוס מערכות יחסים מקומיות עדינות, כגון איך שני הורמונים ויחסם זזים יחד. כדי להקל על הניתוח ולהפוך אותו ליותר מפורש, החוקרים השתמשו גם בשיטת ניתוח רכיבים עיקריים (PCA) כדי להטיל את כל הפרופילים למרחב תלת‑ממדי, שבו מדדי מרחק פשוטים יכולים להדגיש התאמות קרובות. במהלך האימון הרשת לומדת להוציא הסתברות ששני פרופילים נובעים מאותו שתן, ובכך להבחין בין דמיון אמיתי לבין השונות הביולוגית הרגילה שנראית בין ספורטאים ובמהלך הזמן.

בדיקת השיטה במציאות

הצוות העריך את הגישה בכמה מישורים. ראשית, הם בחנו אותה על נתונים שהושארו מחוץ לאימון מכל שנה, תוך שימוש בפרופילים שלא נראו באימון אך הושפעו בשולי אי‑וודאות מדידה צפוי של 15%. רשת הקונבולוציה השיגה בעקביות דיוק גבוה מאוד, זיהתה נכון זוגות דומים ושמרה על שיעור אזעקות שווא נמוך, והייתה טובה יותר משיטות מסורתיות כמו רגרסיה לוגיסטית, מכונות וקטור תומך ומודלים מבוססי עצים. לאחר מכן הם אתגרו את המערכת ביותר מ‑800 דגימות "אישור"—מבחנים אמיתיים של שתן שמעבדות בדקו שנית בתנאים פרוצדורליים מעט שונים. אלה מהוות תחליף ריאלי לדגימות שחוזרות או משומשות מחדש. שוב, הרשת התפקדה מצוין עבור גברים ונשים כאחד, עם רגישות וספציפיות מצוינות, מה שמצביע על יכולתה להתמודד עם רעש מעבדתי אמיתי ושונות ביולוגית.

מה משמעות הדבר לספורט נקי

לקהל הרחב המסקנה המרכזית היא שעכשיו הופכת להיות אפשרית סריקה אוטומטית של מאגרי נתוני אנטי‑דופינג עצומים כדי לזהות סימנים לכך שדגימת שתן שנחשבת חדשה היא למעשה העתק כמעט מושלם של דגימה קודמת. מסגרת למידת המכונה המוצעת אינה מחליפה את הבדיקות הקיימות לחומרים אסורים; במקום זאת היא מוסיפה בדיקת רקע חזקה שיכולה לסמן דגימות דומות באופן חשוד לבדיקה פורנזית מעמיקה יותר. למרות שהשיטה תלויה חלקית בנתונים מדומים ומשתמשת במודלים "קופסה שחורה" מורכבים שאינם שקופים לחלוטין, היא עדיין מציעה לרשויות הספורט כלי מעשי חדש. אם תשולב במערכות Athlete Biological Passport הנוכחיות, היא עשויה להפוך את הטריק שנראה פעם כבלתי‑ניתן לזיהוי — שימוש חוזר בשתן צלול — למסוכן הרבה יותר, ובכך לחזק את הביטחון שמדליות מחולקות על פי כישור ולא לפי מניפולציה.

ציטוט: Rahman, M.R., Piper, T., Thevis, M. et al. Detection of sample swapping in anti-doping investigations using machine learning. Sci Rep 16, 9230 (2026). https://doi.org/10.1038/s41598-026-43502-y

מילות מפתח: אנטי-דופינג, פרופילים של סטרואידים בשתן, החלפת דגימות, למידת מכונה, יושרה בספורט