在结直肠癌患者的生物样本中分析挥发性有机化合物,使用基于电子鼻子的机器学习技术

科学领域:

• 生物医学工程 生物医学工程
• 在瘤学瘤学.
• 计算生物学 计算生物学

背景情况:

• 结肠直肠癌 (CRC) 是一个重大的全球健康挑战,由于检测迟到,死亡率高.
• 通过查及早检测和预防,包括去除腺瘤,对于改善CRC结果至关重要.
• 生物样本中的挥发性有机化合物 (VOC) 为非侵入性疾病诊断提供了潜在的生物标志物.

研究的目的:

• 通过分析VOC来研究电子鼻子 (eNose) 与机器学习 (ML) 结合用于诊断结直肠癌 (CRC) 的有效性.
• 为了比较各种ML算法 (PCA,LR,KNN,SVM,GB) 在不同生物矩阵 (血液,尿液,便) 中检测CRC的性能.
• 评估基于eNose的VOC分析作为一种可访问,非侵入性和负担得起的工具,用于CRC查和早期诊断的潜力.

主要方法:

• 一项前性研究涉及100名参与者 (50名CRCIII期患者,50名健康对照) 在2024-2025年期间招募.
• 使用eNose技术分析血液,尿液和便样本中的VOCs.
• 将无监督 (PCA) 和监督 (LR,KNN,SVM,GB) ML算法应用于eNose数据用于CRC检测.

主要成果:

• 与健康对照组相比,CRC患者在所有生物矩阵中表现出明显的VOC模式.
• 血液和便样本提供了最有信息的VOC信号,这是由于信号与噪声比的优越性.
• 集体和基于近距离的ML模型,特别是梯度提升 (GB) 和K-近邻 (KNN),在诊断准确性方面表现优于物流回归 (LR).
• 高斯增强增强了选应用的模型性能和通用性,缓解了专注于III阶段CRC的局限性.

结论:

• 结合机器学习的eNose技术为CRC检测提供了一个有希望的,创新的,非侵入性的和具有成本效益的方法.
• 开发的基于eNose的ML系统显示出高灵敏度和特异性,支持广泛的早期诊断,并可能改善患者的治疗结果.
• 这项技术有可能成为全球可访问的工具,用于增强当前的CRC查策略.