相关实验视频
Updated: Jan 12, 2026
06:09
Breath Collection from Children for Disease Biomarker Discovery
Published on: February 14, 2019
7.3K
来自病例控制研究的AI驱动呼吸活检有助于早期检测儿科脑瘤
Shangzhewen Li1, Zhengnan Cen2, Yufan Chen3
1Shanghai Key Laboratory of Atmospheric Particle Pollution and Prevention (LAP3), Department of Environmental Science & Engineering, Fudan University, Shanghai, 200438, China.
EBioMedicine
|November 8, 2025
概括
这项研究确定了儿童脑瘤 (PBT) 呼气中的12种挥发性有机化合物 (VOC) 生物标志物. 使用这些VOC和临床数据的AI模型实现了早期PBT诊断和风险评估的高准确性.
科学领域:
- 代谢学 代谢学 代谢学
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 儿科脑瘤 (PBT) 是儿童癌症死亡的主要原因.
- 延迟诊断显著阻碍了PBT的有效早期干预.
- 呼出的挥发性代谢物被探索为PBT检测的非侵入性生物标志物.
研究的目的:
- 使用人工智能识别儿童脑瘤 (PBT) 挥发性有机化合物 (VOC) 生物标志物.
- 开发PBT的预测风险评估模型,利用已识别的生物标志物.
- 通过多omics分析来调查VOC生物标志物的生物学起源.
主要方法:
- 一项涉及161名PBT患者和140名对照者的病例控制研究,在呼吸样本上使用非向的挥发性代谢物.
- 应用机器学习算法 (SVM,NB,LR,RF) 来识别一个由12个VOC生物标志物组成的面板.
- 综合PBMCs转录组和基因-VOC相互作用网络的多奥米克分析.
- 开发一个集体学习模型,整合临床指标,以加强风险评估.
主要成果:
- 一个由12个挥发性有机化合物生物标志物组成的小组被确定为0.81的最大AUC (SVM分类器),显示出显著的诊断潜力.
- 多omics分析将VOC变化与免疫失调联系起来,并突出显示印和NOX成分 (NCF1/2) 是关键因素.
- 一个人工智能辅助的风险评估模型实现了高灵敏度 (0.90),特异性 (0.86),准确性 (0.85),超过了传统方法近20%.
结论:
- 对呼出的挥发性代谢物进行人工智能驱动的分析表明,对于识别PBT生物标志物来说是有前途的.
- 挥发性有机化合物生物标志物面板与临床数据相结合,为早期PBT诊断和风险分层提供了有价值的非侵入性工具.
- 呼吸活检成为儿童脑瘤管理的潜在强大的临床工具.
