使用机器学习对排出的挥发性有机化合物的探索性分析,以对肺癌,肺炎和健康对照进行二元区分,并使用机器学习
Jing Wang1, Haitian Li2, Jianshen Yue3
1Department of Pulmonary and Critical Care Medicine, The People's Hospital of Hengshui, Hengshui, China.
Frontiers in medicine
|March 11, 2026
概括
呼出的气息挥发性有机化合物 (VOC) 显示出不同的模式,可以将肺癌和肺炎与健康个体区分开来. 这种使用机器学习的非侵入性呼吸分析为诊断这些呼吸系统疾病提供了有希望的方法.
科学领域:
- 生物化学 生物化学
- 医学诊断 医学诊断 医学诊断
- 呼吸系统医学 呼吸系统医学
背景情况:
- 肺癌和肺炎共享类似的成像发现,使诊断复杂化.
- 目前的诊断方法是侵入性的,昂贵的,并带有风险.
- 呼出的挥发性有机化合物 (VOC) 为疾病检测提供了潜在的非侵入性生物标志物.
研究的目的:
- 调查VOC档案是否可以区分肺癌,肺炎和健康个体.
- 探索呼吸分析作为一种非侵入性诊断工具的潜力.
- 为特定疾病的呼吸中的代谢特征建立一个基础框架.
主要方法:
- 收集了180名肺癌患者,228名肺炎患者和180名健康对照者的呼气样本.
- 使用微气色谱-质谱法 (micro-GC-MSD) 分析的样品.
- 应用单变量和多变量统计分析,包括五个机器学习算法,进行对对比.
主要成果:
- 群体之间观察到VOC水平的显著差异,有些重叠.
- 模型实现了高分辨性性能:AUC为0.980 (肺癌与健康),0.956 (肺炎与健康),0.983 (肺癌与肺炎).
- 特定的VOC被确定为肺癌和肺炎的潜在生物标志物.
结论:
- 通过机器学习分析出口的VOC档案可以区分肺癌,肺炎和健康个体.
- 呼吸分析显示,对无线图形上相似的呼吸条件进行非侵入性差异化是有希望的.
- 需要在未来的队列和多类模型中进行进一步的验证,以确认临床效用.
