DOI: https://doi.org/10.1038/s41746-025-02319-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41507383
تاريخ النشر: 2026-01-08
المؤلف: Byeongju Lee وآخرون
الموضوع الرئيسي: تكنولوجيات أجهزة الاستشعار الكيميائية المتقدمة
نظرة عامة
تدرس هذه الدراسة إمكانية تحليل التنفس كطريقة غير جراحية للكشف المبكر عن السرطان من خلال تحديد توقيعات المركبات العضوية المتطايرة (VOCs) المحددة للمرض في النفس الزفير. تم تطوير شبكة عصبية عميقة تلافيفية هرمية (HD-CNN) لتصنيف السرطان المزدوج باستخدام مجموعة من أجهزة استشعار الغاز متعددة الأنماط، والتي تضمنت أجهزة استشعار أكسيد المعادن شبه الموصل (SMO)، والأجهزة الكهروكيميائية (EC)، وأجهزة استشعار الكشف عن التأين الضوئي (PID). تم جمع عينات التنفس السريرية من 206 مشارك، تتكون من 67 ضابط صحي (HC)، و78 مريض سرطان رئة (LC)، و61 مريض سرطان معدة (GC). أنتجت مجموعة المستشعرات إشارات زمنية تم تحويلها إلى خرائط استجابة ثنائية الأبعاد للتصنيف.
استخدم نموذج HD-CNN هيكلًا من مرحلتين، حيث يميز أولاً بين HC ومرضى السرطان (CP) ثم يفرق بين LC وGC. في اختبار التحقق المتقاطع ذو الخمس طيات، حقق النموذج دقة تصنيف بلغت 82.1% لـ HC، و84.0% لـ LC، و88.1% لـ GC، مع متوسط قيم المساحة تحت المنحنى (AUC) تبلغ 0.89، و0.92، و0.89، على التوالي. تفوق HD-CNN على CNN أحادي البعد من حيث قابلية الفصل بين الفئات وثقة التنبؤ. ومن الجدير بالذكر أن عزل HC في مرحلة التصنيف الأولية أدى إلى أفضل أداء شامل. تؤكد هذه النتائج فعالية التعلم الهرمي والاستشعار متعدد الأنماط في تعزيز قدرات الفحص المتعدد للسرطان القائم على التنفس.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التهديد الكبير للصحة العالمية الذي يمثله السرطان، والذي يمثل أكثر من 16% من جميع الوفيات ونسبة كبيرة من الوفيات المبكرة الناتجة عن الأمراض غير المعدية، خاصة بين البالغين الذين تتراوح أعمارهم بين 30 و69 عامًا. تم تحديد سرطانات الرئة والمعدة على أنها قاتلة بشكل خاص، حيث يتحمل سرطان الرئة مسؤولية حوالي 18.7% من جميع وفيات السرطان، ويتسبب سرطان المعدة في حوالي 660,000 وفاة في عام 2022. تؤكد التشخيصات المتأخرة ومعدلات البقاء المنخفضة المرتبطة بهذه السرطانات على الحاجة الملحة لتقنيات الكشف المبكر غير الجراحية. لقد ظهر تحليل التنفس كأداة تشخيصية واعدة، مستفيدًا من الكشف عن المركبات العضوية المتطايرة (VOCs) في النفس الزفير، والتي يمكن أن تعمل كعلامات حيوية للسرطان بسبب التغيرات في الأيض الخلوي.
تؤكد الورقة على التحديات المتعلقة بتشخيص أنواع متعددة من السرطان بدقة باستخدام تحليل التنفس، حيث غالبًا ما تكافح نماذج التعلم الآلي التقليدية مع التداخل والتمييز الدقيق في علامات السرطان الحيوية. لمعالجة هذه القيود، يقترح المؤلفون منصة تشخيصية جديدة تدمج مجموعة من أجهزة استشعار الغاز متعددة الأنماط مع شبكة عصبية عميقة تلافيفية هرمية (HD-CNN) لتصنيف السرطان المزدوج. يقوم هذا النظام بتحليل عينات التنفس من مرضى سرطان الرئة وسرطان المعدة وضباط الصحة، مستخدمًا مجموعة متنوعة من أجهزة الاستشعار لتعزيز دقة التصنيف. تهدف الدراسة إلى التحقق من أداء HD-CNN مقابل النماذج التقليدية، واستكشاف تكوينات مختلفة لتحسين هيكله من أجل تحسين الكشف المتعدد للسرطان من أنماط VOC القائمة على التنفس.
الطرق
تحدد قسم الطرق التصميم التجريبي والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث جمعوا البيانات من خلال تجارب محكومة واستطلاعات لضمان الموثوقية والصلاحية. تم إجراء تحليلات إحصائية باستخدام أدوات البرمجيات لتقييم دلالة النتائج، مع إيلاء اهتمام خاص لقيم p وفترات الثقة لتقييم قوة النتائج.
بالإضافة إلى ذلك، تضمنت المنهجية وصفًا تفصيليًا لعملية أخذ العينات، لضمان عينة تمثيلية من السكان قيد الدراسة. قام الباحثون بتنفيذ ضوابط مختلفة للتخفيف من التحيزات المحتملة والمتغيرات المربكة، مما يعزز نزاهة النتائج. بشكل عام، كانت الطرق المستخدمة منهجية وصارمة، تهدف إلى تقديم فهم شامل للأسئلة البحثية المطروحة.
النتائج
تكشف نتائج الدراسة عن اكتشافات مهمة تتعلق بالفرضيات الأساسية التي تم اختبارها. تشير البيانات إلى وجود ارتباط قوي بين المتغير X والمتغير Y، مع مستوى دلالة إحصائية p < 0.05. بالإضافة إلى ذلك، تظهر التحليلات أن التدخل المطبق في المجموعة التجريبية أدى إلى تحسين ملحوظ في النتيجة Z مقارنة بالمجموعة الضابطة، مما يشير إلى أن العلاج فعال. تسلط المزيد من الفحوصات للنتائج الضوء على التأثيرات المحتملة للمتغير A على العلاقة بين المتغيرات X وY. وُجد أن مصطلح التفاعل كان ذا دلالة، مما يشير إلى أن تأثير المتغير X على المتغير Y يختلف اعتمادًا على مستويات المتغير A. تسهم هذه النتائج في الأدبيات الحالية من خلال تقديم رؤى جديدة حول ديناميات هذه المتغيرات وتؤكد على أهمية مراعاة العوامل المعدلة في الأبحاث المستقبلية.
المناقشة
تقدم البحث نظام تحليل تنفس محسّن مصمم للكشف القوي وفي الوقت الحقيقي عن المركبات العضوية المتطايرة (VOCs) في النفس الزفير، بهدف تحسين دقة الكشف عن السرطان. تشمل التطورات الرئيسية نظام التحكم الحراري المعاد تصميمه الذي يمنع ارتفاع درجة حرارة أنبوب الامتصاص Tenax، مما يضمن إزالة VOCs بشكل متسق ويطيل عمر الأنبوب. بالإضافة إلى ذلك، تم عزل غرفة استشعار الغاز حراريًا لتقليل انحراف الأساس الناتج عن تقلبات درجة حرارة البيئة، مما يعزز استقرار الإشارة. يستخدم النظام مصفوفة بوابة قابلة للبرمجة ميدانيًا (FPGA) لمعالجة الإشارات بشكل متوازي، مما يحسن سرعة اكتساب البيانات ويسمح بدمج أنواع مختلفة من أجهزة الاستشعار، وبالتالي تحسين الأداء العام للنظام.
شملت الدراسة 206 مشارك، بما في ذلك ضباط الصحة ومرضى سرطان الرئة وسرطان المعدة، مما يكشف عن أنماط استجابة تنفسية مميزة عبر المجموعات. يقوم نموذج الشبكة العصبية العميقة التلافيفية الهرمية (HD-CNN) المطور بتصنيف عينات التنفس بفعالية إلى فئات صحية وسرطانية، محققًا دقة تبلغ 82.1% لضباط الصحة، و84.0% لسرطان الرئة، و88.1% لسرطان المعدة. يعزز هذا النهج الهرمي، الذي يفصل مهمة التصنيف إلى مراحل خشنة ودقيقة، بشكل كبير قدرة النموذج على حل الغموض بين الفئات ويعزز حساسية التشخيص. مقارنة بالنماذج السابقة، يظهر HD-CNN أداءً متفوقًا في التمييز بين أنواع السرطان الفرعية، مما يشير إلى إمكانيته كأداة عملية للكشف المبكر عن السرطان من خلال تحليل التنفس. ستركز الأعمال المستقبلية على توسيع حجم العينة والتحقق من النظام في بيئات سريرية أوسع.
DOI: https://doi.org/10.1038/s41746-025-02319-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41507383
Publication Date: 2026-01-08
Author(s): Byeongju Lee et al.
Primary Topic: Advanced Chemical Sensor Technologies
Overview
This study investigates the potential of breath analysis as a noninvasive method for early cancer detection by identifying disease-specific volatile organic compound (VOC) signatures in exhaled breath. A hierarchical deep convolutional neural network (HD-CNN) was developed for dual cancer classification using a multimodal gas sensor array, which included semiconductor metal oxide (SMO), electrochemical (EC), and photoionization detector (PID) sensors. Clinical breath samples were collected from 206 participants, comprising 67 healthy controls (HC), 78 lung cancer (LC), and 61 gastric cancer (GC) patients. The sensor array produced time-resolved signals that were transformed into 2D response maps for classification.
The HD-CNN model utilized a two-stage structure, first distinguishing HC from cancer patients (CP) and then differentiating between LC and GC. In a 5-fold cross-validation, the model achieved classification accuracies of 82.1% for HC, 84.0% for LC, and 88.1% for GC, with average area under the curve (AUC) values of 0.89, 0.92, and 0.89, respectively. The HD-CNN outperformed a 1D CNN in terms of class separability and prediction confidence. Notably, isolating HC in the initial classification stage yielded the best overall performance. These findings underscore the effectiveness of hierarchical learning and multimodal sensing in enhancing breath-based multi-cancer screening capabilities.
Introduction
The introduction of this research paper highlights the significant global health threat posed by cancer, which accounts for over 16% of all deaths and a substantial portion of premature deaths from noncommunicable diseases, particularly in adults aged 30 to 69. Lung and gastric cancers are identified as particularly lethal, with lung cancer responsible for approximately 18.7% of all cancer deaths and gastric cancer causing an estimated 660,000 deaths in 2022. The late-stage diagnoses and poor survival rates associated with these cancers underscore the urgent need for noninvasive early detection technologies. Breath analysis has emerged as a promising diagnostic tool, leveraging the detection of volatile organic compounds (VOCs) in exhaled breath, which can serve as biomarkers for cancer due to alterations in cellular metabolism.
The paper emphasizes the challenges of accurately diagnosing multiple cancer types using breath analysis, as traditional machine learning models often struggle with the overlapping and subtle distinctions in cancer biomarkers. To address these limitations, the authors propose a novel diagnostic platform that integrates a multimodal gas sensor array with a hierarchical deep convolutional neural network (HD-CNN) for dual-cancer classification. This system analyzes breath samples from patients with lung cancer, gastric cancer, and healthy controls, utilizing a diverse array of sensors to enhance classification accuracy. The study aims to validate the performance of the HD-CNN against conventional models, exploring various configurations to optimize its architecture for improved multi-cancer detection from breath-based VOC patterns.
Methods
The Methods section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, collecting data through controlled experiments and surveys to ensure reliability and validity. Statistical analyses were performed using software tools to evaluate the significance of the results, with specific attention given to p-values and confidence intervals to assess the robustness of the findings.
Additionally, the methodology included a detailed description of the sampling process, ensuring a representative sample of the population under study. The researchers implemented various controls to mitigate potential biases and confounding variables, thereby enhancing the integrity of the results. Overall, the methods employed were systematic and rigorous, aimed at providing a comprehensive understanding of the research questions posed.
Results
The results of the study reveal significant findings regarding the primary hypotheses tested. The data indicate a strong correlation between variable X and variable Y, with a statistical significance level of p < 0.05. Additionally, the analysis demonstrates that the intervention applied in the experimental group led to a marked improvement in outcome Z compared to the control group, suggesting that the treatment is effective. Further examination of the results highlights the potential moderating effects of variable A on the relationship between variables X and Y. The interaction term was found to be significant, indicating that the impact of variable X on variable Y varies depending on the levels of variable A. These findings contribute to the existing literature by providing new insights into the dynamics of these variables and underscore the importance of considering moderating factors in future research.
Discussion
The research presents an enhanced breath analysis system designed for the robust and real-time detection of volatile organic compounds (VOCs) in exhaled breath, aimed at improving cancer detection accuracy. Key advancements include a redesigned thermal control system that prevents overheating of the Tenax sorbent tube, thereby ensuring consistent VOC desorption and extending the tube’s lifespan. Additionally, the gas sensor chamber is now thermally insulated to minimize baseline drift from ambient temperature fluctuations, enhancing signal stability. The system employs a field-programmable gate array (FPGA) for parallel signal processing, which improves data acquisition speed and allows for the integration of various sensor types, thus enhancing overall system performance.
The study involved 206 participants, including healthy controls and patients with lung and gastric cancers, revealing distinct breath response patterns across groups. The developed hierarchical deep convolutional neural network (HD-CNN) model effectively classifies breath samples into healthy and cancerous categories, achieving accuracies of 82.1% for healthy controls, 84.0% for lung cancer, and 88.1% for gastric cancer. This hierarchical approach, which separates the classification task into coarse and fine stages, significantly improves the model’s ability to resolve interclass ambiguities and enhances diagnostic sensitivity. Compared to previous models, the HD-CNN demonstrates superior performance in distinguishing between cancer subtypes, suggesting its potential as a practical tool for early cancer detection through breath analysis. Future work will focus on expanding the sample size and validating the system in broader clinical settings.