基于UVP-TOF MS呼出气代谢组学的肺癌筛查模型：一项大规模队列研究

《Microchemical Journal》：Exhaled breath metabolomics lung cancer screening model based on UVP-TOF MS

本刊推荐：本研究创新性地将紫外光电离飞行时间质谱（UVP-TOF MS）技术与机器学习（XGBoost算法）相结合，通过对4033例参与者呼出气挥发性有机化合物（VOCs）的大规模分析，实现了肺癌（LC）与良性肺结节（Node）及健康人群的高精度区分（AUC达0.99+）。该非侵入性筛查策略为解决LDCT假阳性率高提供了新思路，有望推动肺癌早期筛查的临床应用。

　　

亮点

基于UVP-TOF MS的预测模型可有效区分肺癌患者与非肺癌患者

非肺癌（Non-LC）与肺癌（LC）模型的总体准确率为97.16%，敏感性为95.56%，特异性为98.84%。ROC曲线下面积（AUC）值为0.9938。测试集的预测结果如下：总体准确率为96.57%，敏感性为98.77%，特异性为94.68%。ROC曲线下面积为0.9971。非肺癌与肺癌的建模效果极佳，算法筛选出的前30个特征中有25个存在显著差异，这些特征可能是潜在的肺癌生物标志物。

讨论

本研究证明了使用UVP-TOF MS进行呼出气分析结合机器学习在非侵入性肺癌检测方面的巨大潜力。我们的主要发现是，基于UVP-TOF MS光谱数据训练的XGBoost算法，能够有效区分肺癌患者与各种对照组——包括非肺癌个体（健康对照和良性肺结节患者合并）、单独的健康对照，以及至关重要的、单独患有良性肺结节的患者——且性能卓越。

结论

利用UVP-TOF MS进行呼出气分析，并结合XGBoost算法，在区分肺癌患者与健康个体以及良性肺结节患者方面表现出高性能，为肺癌筛查提供了一种前景广阔、非侵入性且快速的方法。