PTR-TOFに基づく肺がんの早期診断のための呼吸学分析MS:大きなサンプルサイズの横断研究

科学分野:

• 腫瘍学 腫瘍学
• アナリティカル・ケミストリー (Analytical Chemistry) とは
• コンピュータ生物学 コンピュータ生物学

背景:

• 肺がんは世界の主要な死因であり,早期発見の方法を改善する必要がある.
• 揮発性有機化合物 (VOC) の非侵襲的な呼吸分析は,肺がんの早期スクリーニングの可能性を示しています.
• 臨床試験登録 (ChiCTR2500101879) は,この研究を支援しています.

研究 の 目的:

• 非侵襲的な肺がん検出のための機械学習と組み合わせた呼吸分析の有効性を評価する.
• 肺がんを対照群から区別し,早期の疾患を良性結節から区別するためのモデルを開発し,検証する.
• 肺がんを示す重要なVOCバイオマーカーを特定する.

主な方法:

• 4515人の参加者 (416人の肺がん患者,4099人の対照群) を含む横断的な研究.
• 吐いた息のサンプルを,飛行時の質量スペクトロメトリー (PTR-TOF MS) で分析した.
• Light Gradient Boosting Machine (LGBM) アルゴリズムが分類モデルに使用され, SHAP 値が解釈可能である.

主要な成果:

• LGBMモデルは95%の感度,98%の特異性,98%の精度で,対照群から肺がんを区別することができました.
• 早期の肺がんと良性結節に対して,LGBMは97%の感度,98%の特異性,98%の精度を示した.
• SHAP分析では,アルファピネン (m/z 137) とメチルメタクリlate (m/z 101) を有意なVOCとして特定した.

結論:

• PTR-TOF MSと機械学習による呼吸分析は,肺がんの早期発見のための検証された非侵襲的ツールです.
• SHAPの解釈性によってサポートされるLGBMモデルは,大規模な集団において高い診断精度を提供します.
• 将来の研究は,多様な組織学的サブタイプと多センターの検証に焦点を当てます.