北京
2018 年，布莱恩·福格尔(
Bryan Fogel)执导的《Icarus》获得了 荣获奥斯卡最佳纪录长片奖项。
这部最初旨在调查自行车运动中兴奋剂问题的影片，意外揭发了俄罗斯当局为2014年索契冬奥会实施的国家级兴奋剂计划——这成为近年来最重大的体坛丑闻之一。
时任俄罗斯反兴奋剂实验室主任的格里戈里·罗琴科夫(
Grigory Rodchenkov)博士在片中披露，反兴奋剂官员与情报人员如何系统性地将含违禁药物的尿样替换为运动员数月前采集的清洁样本。
该计划涉及数十名运动员，却无一人落网。2014年，俄罗斯以13枚金牌高居索契冬奥会奖牌榜首，兴奋剂丑闻曝光后，数枚奖牌被剥夺。
但这究竟是如何实现的呢？兴奋剂检测究竟是如何运作的？人工智能能否提升检测效率？
为回答这些问题，欧洲新闻科技访谈(Euronews Tech Talks)栏目专访了两位专家：沃尔夫冈·马斯(
Wolfgang Maass)和弗朗切斯科·博特雷
Francesco Botrè)，前者是 德国萨尔大学商业信息学与计算机科学教授。后者则是 罗马一家经 世界反兴奋剂机构 认证的反兴奋剂实验室主任。
兴奋剂检测是如何进行的？
博特雷解释道，兴奋剂检测主要依赖两种方法：暴露标记物检测(直接检测)和效应标记物检测(间接检测)。
“暴露标记物相当于找到子弹，效应标记物则是发现伤口或疤痕，从而判定‘这只能是通过刀具造成的。’”他形象的解释道。
从实际意义上讲，这意味着反兴奋剂官员要么直接检测出违禁物质本身，要么识别出与兴奋剂使用相符的生物学变化。
检测可以涉及单次检测和纵向监测，具体取决于对运动员进行一次还是多次测试。
对于纵向分析，运动员数据会存入其生物护照(ABP)系统。该体系通过长期追踪异常生物学指标，帮助监管人员发现可疑变化。
人工智能可以帮助检测兴奋剂吗？
马斯教授指出：“人工智能的核心优势，在于能发现人类难以察觉的隐蔽模式。”这正是其团队研发的AI模型大显身手的所在。
自2016年起，马斯就开始探索机器学习在反兴奋剂领域的应用，并与世界反兴奋剂机构开展了多项合作研究。
他的技术旨在解决兴奋剂检测中的两大挑战：一是识别能刺激血细胞生成的促红细胞生成素(EPO)；二是防范类似索契冬奥会的尿样调包事件。
为提升EPO检测精度，马斯团队的AI模型不仅分析单个数据，还会分析运动员的整个代谢途径。该系统能够将数据与运动员独特的生化特征进行比较，评估异常情况是否表明使用了 EPO，还是仅仅是一些个人自然特征造成的。
在尿样防伪方面，该系统会将运动员的当前测试数据与他们的历史生物学特征进行比较，以检测一段时间内的不一致之处。
马斯指出，相较于现有实验室检测手段，这类AI工具不仅效能卓越，成本更低、速度也更快。
博特雷同样对人工智能的发展表现出极大的热情。他表示，通过海量数据建模分析，AI工具能解析多种兴奋剂物质的复合效应，揭示传统研究无法触及的禁区——由于伦理限制，科学家不可能通过人体试验来研究多种违禁药物的协同作用机制。
真正的挑战：数据和资金
当被问及开发用于兴奋剂检测的人工智能程序所面临的障碍时，马斯指出了两个关键问题：数据获取与资金支持。
正如博特雷所言，在遵守伦理和健康安全准则的前提下进行兴奋剂研究十分困难，因此获取训练AI模型所需的必要数据异常复杂。
马斯与博特雷都认为，使用兴奋剂的运动员很可能已在利用AI技术来规避现有检测系统。
“当我们研发新方法时，必须经过科学界评议并等待世界反兴奋剂机构的批准。而在此期间，他们仍在服用禁药。即便他们找到了欺骗新检测方法的手段，也绝不会公开发表——毕竟世上可没有《兴奋剂科学期刊》。”博特雷说道。
在罗马一家被世界反兴奋剂机构认证反兴奋剂实验室担任主任的他意味深长地总结道：“服用兴奋剂是一件肮脏的的勾当，但我们必须用干净的方式与之斗争。”
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
