通过层次深层卷积神经网络进行高级呼吸分析,用于多种癌症查

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在医学中的应用
• 呼吸系统医学 呼吸系统医学

背景情况:

• 呼吸分析提供了一种通过识别挥发性有机化合物 (VOC) 签名来早期检测癌症的非侵入性方法.
• 现有的方法需要进一步开发,以准确地分类多种癌症.

研究的目的:

• 开发和验证一个层次的深卷积神经网络 (HD-CNN) 平台,使用呼吸分析进行双重癌症分类.
• 评估多式气体传感器阵列在区分健康对照,肺癌和胃癌患者的性能.

主要方法:

• 收集了206名参与者的呼吸样本 (67名健康对照,78名肺癌,61名胃癌).
• 使用多式气体传感器阵列 (SMO,EC,PID) 来从时间分辨率信号中生成2D响应图.
• 开发了一个双阶段的HD-CNN模型,用于粗细分类 (健康与癌症) 和细分类 (肺癌与胃癌).

主要成果:

• 这种HD-CNN的分类准确度很高:82.1% (健康),84.0% (肺癌) 和88.1% (胃癌).
• 平均AUC为0.89 (健康患者),0.92 (肺癌) 和0.89 (胃癌).
• HD-CNN的表现优于1D CNN,显示了更好的类分离性和预测信心.

结论:

• 层次学习和多式传感对于基于呼吸的多种癌症查非常有效.
• 开发的HD-CNN平台展示了通过呼吸分析早期和准确的癌症检测的巨大潜力.
• 优化层次结构,特别是首先隔离健康对照,可以提高整体诊断性能.