Диагностика рака легкого на основе анализа летучих маркеров в выдыхаемом воздухе

Abstract

Цель. Определить диагностическую эффективность разработанного газоаналитического сенсорного комплекса в сочетании с алгоритмами искусственной нейронной сети для выявления рака легкого по маркерным летучим органическим соединениям в выдыхаемом воздухе. Материалы и методы. В исследуемую группу включены 53 пробы выдыхаемого воздуха от пациентов с морфологически подтвержденным раком легкого I-IV стадий. Контрольная группа (n = 47) состояла из лиц, не имеющих на момент включения в исследование признаков онкологических заболеваний по данным анамнеза и (или) предшествующих диагностических мероприятий. Исследование проводилось с помощью разработанного мультисенсорного газоаналитического комплекса, состоящего из набора полупроводниковых сенсоров и реализующего алгоритмы нейро-сетевой обработки данных. Результаты. Полученные при проведении экспериментов по классификации пациентов с раком легкого и здоровых добровольцев результаты показывают наличие явных признаков различия в пробах выдыхаемого воздуха. Точность составила 95,8 %, чувствительность - 98,1% и специфичность - 93,6%. В серии экспериментов с равным распределением стадий (I-II и III-IV) средняя точность классификации составила 75%, чувствительность и специфичность - 65-80%. Подготовленные и неподготовленные пациенты демонстрировали сопоставимые результаты, что подтверждает воспроизводимость метода. Уровень точности 75% позволяет различать пробы от пациентов с ранними и поздними стадиями заболевания. Заключение. Разработанный комплекс демонстрирует высокую диагностическую эффективность, превосходящую существующие методы, включая низкодозную компьютерную томографию. Полученные данные подтверждают перспективность технологии как для раннего выявления, так и для стадирования рака легкого.Aim. To evaluate the diagnostic accuracy of a developed gas analysis sensor system combined with neural network algorithms for detecting lung cancer based on volatile organic compounds in exhaled breath. Materials and methods. The study group included 53 exhaled breath samples from patients with morphologically confirmed stage I-IV lung cancer. The control group (n = 47) consisted of individuals with no history or prior diagnostic findings of cancers at the time of enrollment. The study was conducted using the developed Multisensory Gas Analysis System, comprising an array of semiconductor sensors and implementing neural network data processing algorithms. Results. The experimental results of classifying lung cancer patients and healthy volunteers demonstrated distinct differences in the exhaled breath samples. The system achieved the accuracy of 95.8%, sensitivity of 98.1%, and specificity of 93.6%. In a series of experiments with balanced stage distribution (stages I-II vs. stages III-IV), the mean classification accuracy was 75%, with sensitivity and specificity ranging from 65 to 80%. Both prepped and non-prepped patients showed comparable results, confirming the reproducibility of the method. The accuracy level of 75% allowed for the differentiation between earlyand late-stage disease samples. Conclusion. The developed system demonstrates high diagnostic performance, surpassing existing methods, including low-dose computed tomography. The findings support the potential of this technology for both early detection and staging of lung cancer.