使用机器学习确定肺癌呼气生物标志物 - - 一个新的分析框架
Tlotlo Cassandra Setlhare1, Atlang Gild Mpolokang1, Emmanuel Flahaut2
1Department of Physics and Astronomy, Botswana International University of Science and Technology, Private Bag 16, Boseja Ward, Palapye, Botswana.
Scientific reports
|July 18, 2025
概括
研究人员确定了10种挥发性有机化合物 (VOC) 作为呼吸中的潜在肺癌生物标志物. 机器学习模型,特别是PLS-DA,在区分肺癌与对照和结核病方面表现出很高的准确性.
科学领域:
- 生物化学 生物化学
- 医学诊断 医学诊断 医学诊断
- 计算生物学 计算生物学
背景情况:
- 肺癌的诊断依赖于侵入性方法.
- 呼出的气息中的生物标志物提供了一个非侵入性的替代方案.
- 挥发性有机化合物 (VOC) 是基于呼吸的诊断的有希望的候选物.
研究的目的:
- 为了确定排气中的特定VOCs作为潜在的肺癌生物标志物.
- 评估用于肺癌检测的机器学习模型的诊断性能.
- 使用呼吸中的VOCs来区分肺癌和结核病 (TB).
主要方法:
- 气色谱-质谱法 (GC-MS) 用于分析呼气样本.
- 使用统计方法消除混因素,提高生物标志物的特异性.
- 应用了多种机器学习模型,包括部分最小平方区分分析 (PLS-DA),用于分类.
主要成果:
- 十个VOC被确定为潜在的肺癌生物标志物.
- 在将肺癌与对照癌症区分开来方面,PLS-DA表现出很高的性能 (82%的回忆,90%的精度,80%的准确性,86%的F1得分).
- 在区分肺癌与结核病时,PLS-DA模型在精度,回忆,准确性和F1分数方面取得了88%的成绩.
结论:
- 确定的VOC显示可靠性作为潜在的肺癌生物标志物.
- 机器学习与消除混因素相结合,为生物标志物确认提供了一个强大的框架.
- 这种方法为肺癌诊断和与其他呼吸道疾病区分提供了一个有希望的非侵入性策略.
