相关实验视频
Updated: Jun 14, 2026
07:58
Cell-Free DNA Integrity Analysis in Urine Samples
Published on: January 5, 2017
13.9K
非侵入性膀癌检测:使用GC-MS代谢学和机器学习识别尿液挥发性生物标记面板
 Carapito1, V S Fernandes Ferreira2, A C Silva Ferreira3
1Associate Laboratory i4HB - Institute for Health and Bioeconomy, University of Porto, Porto, Portugal; UCIBIO - Applied Molecular Biosciences Unit, Laboratory of Toxicology, Faculty of Pharmacy, University of Porto, Porto, Portugal.
Talanta
|September 4, 2025
概括
使用机器学习分析的尿液挥发性有机化合物 (VOC) 显示出非侵入性膀癌 (BC) 检测的前景. 一个八个VOC面板实现了91%的准确性,超过当前的测试.
科学领域:
- 生物标志物发现
- 分析化学
- 计算生物学
背景情况:
- 由于目前的诊断方法的局限性,早期发现膀癌 (BC) 是一个挑战.
- 侵袭性,昂贵和敏感性不足的测试阻碍了早期诊断.
- 代谢学和机器学习 (ML) 为新的非侵入性生物标志物提供了潜力.
研究的目的:
- 为了识别非侵入性膀癌 (BC) 的尿液挥发性有机化合物 (VOC) 生物标志物.
- 评估机器学习算法在基于VOC配置文件的BC分类中的性能.
- 为早期发现BC开发一个强大的诊断面板.
主要方法:
- 在87名BC患者和90名对照患者的尿液中分析了VOC,使用头部固相微提取与气色谱质谱学 (HS-SPME/GC-MS) 相结合.
- 已识别的27个VOC用于训练5个ML算法:随机森林 (RF),支持向量机 (SVM),部分最小方程差异分析 (PLS-DA),极端梯度增强 (XGBoost) 和k-最近邻居 (k-NN).
- 通过交叉验证和使用AUC,灵敏度,特异性和精度的独立验证集来评估模型性能.
主要成果:
- 随机森林 (RF) 模型实现了27个VOC的高性能 (AUC = 0.913).
- 一个选定的八个VOC小组在验证组中显示出更好的性能 (AUC = 0. 872;准确率 = 91%).
- 八个VOC面板 (,化物,脂肪酒精,) 超过了FDA批准的尿检测,并且与尿细胞学特异性相匹配.
结论:
- 结合ML的尿液VOC显示出非侵入性膀癌 (BC) 的显著潜力.
- 开发的八个VOC面板提供了一个有前途,准确和敏感的诊断工具.
- 进一步的大规模验证对于临床转化和广泛采用至关重要.
