机器学习辅助的呼吸学方法用于早期胸部癌症检测

科学领域:

• 肺部病理学 肺部病理学
• 在瘤学瘤学.
• 生物标志物发现发现
• 机器学习在医学中的应用

背景情况:

• 胸部病变需要准确区分良性和恶性类型,才能有效治疗.
• 目前的诊断方法可能是侵入性的,或缺乏足够的灵敏度,用于早期检测胸部癌症.
• 呼吸学,即对呼气中的挥发性有机化合物 (VOC) 的分析,提出了一个潜在的非侵入性诊断途径.

研究的目的:

• 评估使用呼吸学生物标志物和机器学习用于胸部病变的非侵入性诊断的可行性.
• 开发和验证一种分类模型,能够区分良性与恶性胸部疾病.
• 提高胸部癌症的早期检测,并支持临床决策.

主要方法:

• 132名参与者被确诊患有肺癌,食道癌,胸腺瘤或良性疾病.
• 呼出的呼吸样本使用热吸附气体染色学和质谱学进行分析.
• 在80个样本上训练了一种后勤回归模型,并在52个样本上验证,以对病变进行分类.

主要成果:

• 一个13-VOC逻辑回归模型实现了AUC为0.85,准确度为0.79,灵敏度为0.82,特异性为0.71.
• 该模型显示了肺癌 (80%),胸腺瘤 (80%) 和食道癌 (100%) 的高分类率,并区分了71.4%的良性病变.
• 呼吸学模型在灵敏度上优于血清瘤标记面板,并且显示手术后风险预测降低,与疾病负担相关.

结论:

• 呼吸学生物标志物与机器学习相结合,为早期胸部恶性瘤诊断提供了一种可行的非侵入性方法.
• 这种呼吸分析工具显示了改善早期癌症检测率的巨大潜力.
• 这些发现支持呼吸分析的发展,作为临床决策的有价值工具,并在胸部瘤学中改善患者的治疗结果.