机器学习增强的气体传感器技术通过血挥发性有机化合物模式识别所有阶段的卵巢和子宫内膜癌症

科学领域:

• 妇科瘤学 妇科瘤学
• 生物标志物发现发现
• 分析化学 分析化学

背景情况:

• 卵巢癌和子宫内膜癌由于非特异性症状和预后不佳而存在诊断挑战.
• 这些癌症具有共同的基因组突变和生物标志物概况,这表明一种共同的诊断方法.
• 血中的挥发性有机化合物 (VOC) 反映了代谢变化,提供了潜在的癌症特异性模式.

研究的目的:

• 用敏感气体传感器评估血VOC分析,作为早期检测卵巢和子宫内膜癌的诊断测试.
• 评估VOC分析区分癌症类型和癌症阶段的能力.

主要方法:

• 分析了来自133名卵巢癌患者,41名子宫内膜癌患者和115名健康对照者的手术前血样本.
• 非常敏感的气体传感器从每样32个传感器中提取了85个特征.
• 代冗余删除和逐步优化被用来开发强大的分类模型,包括基于序列二进制分类增强的模型.

主要成果:

• 挥发性有机化合物分析实现了高诊断性能,正确识别了所有卵巢 (133/133) 和子宫内膜 (41/41) 癌症病例,以及所有健康对照 (115/115).
• 该模型准确地按阶段分类了98.9%的癌症病例 (I阶段和II-IV阶段).
• 验证和测试集显示了强大的准确性 (96.63%-97.13%),灵敏度 (96.42%-96.92%),和特异性 (96.88%-97.37%).

结论:

• 血VOC分析显示了对诊断卵巢和子宫内膜癌的高灵敏度和特异性.
• 挥发性有机化合物分析准确地区分了这些妇科癌症的早期和晚期.
• 为了广泛的临床应用,建议进行进一步的外部验证.