编辑推荐：
慢性阻塞性肺疾病（COPD）严重威胁全球健康，寻找无创特异性疾病生物标志物意义重大。研究人员开展利用近红外（NIR）设备结合卷积神经网络（CNN）检测 COPD 患者唾液中 P 物质的研究，结果显示该方法有效，为 COPD 诊疗带来新契机。
慢性阻塞性肺疾病（Chronic Obstructive Pulmonary Disease，COPD），就像隐藏在呼吸道里的 “顽固敌人”，持续破坏着肺部的正常功能。它是一种慢性且逐渐进展的肺部疾病，主要特征是气流受限，让患者呼吸越来越困难。在全球范围内，COPD 的发病率和死亡率都居高不下，随着人口老龄化以及吸烟、空气污染等危险因素的持续存在，未来几十年其患病率还可能不断攀升。
对于 COPD 的治疗和管理来说，深入了解其发病机制至关重要，而找到特异性的疾病生物标志物则是其中的关键一环。这些生物标志物就像是 COPD 的 “秘密信号”，能够反映疾病的进展、潜在并发症以及治疗效果。P 物质（Substance P）作为一种神经肽，在多种呼吸疾病中都发挥着重要作用，尤其是在 COPD 的发病过程中，它参与了肺部组织的炎症反应和重塑，精确检测 P 物质的含量，对评估 COPD 的严重程度和监测病情发展意义非凡。
然而，目前检测生物样本中的 P 物质困难重重。传统的血液采样不仅具有侵入性，给患者带来痛苦，而且检测方法需要高灵敏度和特异性，还要求能在床边快速得出结果，现有的检测手段很难满足这些要求。为了解决这些问题，来自西班牙塞维利亚大学等研究机构的研究人员开展了一项创新研究，旨在验证一种结合近红外光反射技术和卷积神经网络（Convolutional Neural Network，CNN）的数据验证的近红外（Near-Infrared，NIR）设备，用于无创检测唾液样本中的 P 物质。这项研究成果发表在《Scientific Reports》上，为 COPD 的诊断和治疗带来了新的希望。
研究人员采用了多种关键技术方法来开展这项研究。首先是样本采集与处理技术，他们选取了 COPD 患者和健康对照人群，收集了详细的临床数据，包括年龄、性别、吸烟史、肺功能、呼吸困难程度以及既往急性加重或住院次数等。同时，规范采集唾液样本用于 P 物质检测，样本采集前受试者需遵循一系列注意事项，采集后进行离心、添加蛋白酶抑制剂并低温保存。其次，运用了 NIR 设备检测技术和酶联免疫吸附测定（Enzyme-Linked Immunosorbent Assay，ELISA）技术，分别测定样本中 P 物质的浓度，其中 ELISA 作为标准参考方法。此外，利用数据处理与建模技术，对收集到的数据进行清洗、处理异常值、归一化等预处理，并设计 CNN 模型预测 P 物质浓度，通过多种评估指标验证模型性能。
在研究结果部分，研究人员首先介绍了研究对象的基本特征。本次研究共纳入 102 名受试者，其中 44 例为 COPD 患者，58 例为健康对照。受试者中男性占比 62.7%，有 32 名（31.4%）为活跃吸烟者，累计吸烟量为 29.2（28.4）包年。COPD 患者的肺功能分级各阶段均有分布，平均呼吸困难评分为 2.0（0.9）分，上一年急性加重次数为 0.5（0.7）次 。
接着是测量方法的比较。NIR 设备和 ELISA 两种测量方法所得的平均差异相似，无显著差异（P>0.05），NIR 设备测量值为 110.2（16.1）pg/ml，ELISA 测量值为 110.5 (16.7) pg/ml 。在 COPD 患者和健康对照之间，两种测量方法的结果也无差异。
然后是 CNN 模型的评估。回归模型预测 P 物质浓度的总体决定系数（R2）为 0.929，95% 置信区间为 0.876 - 0.983，表明模型能解释大部分 P 物质浓度的变异性。测试集的均方误差为 0.042，平均绝对误差为 0.015，这意味着模型的预测值与实际值非常接近，预测误差极小。Bland–Altman 分析显示，NIR 设备和 ELISA 方法之间的平均差异较小，大部分值都在计算出的一致性界限内。
研究结论表明，基于 CNN 的回归模型能够有效地从光谱数据中预测唾液中 P 物质的浓度，验证了 NIR 设备联合 CNN 检测 COPD 患者唾液中 P 物质的有效性。这一研究成果意义重大，它为 COPD 患者提供了一种准确、无创的 P 物质检测工具，有助于早期诊断和病情的持续监测，改善疾病管理。此外，精确的生物标志物检测能够推动个性化治疗策略的发展，根据患者的具体情况制定更精准的治疗方案。同时，便携式、低成本的 NIR 设备有望降低传统诊断成本，提高资源有限地区先进检测工具的可及性。
不过，该研究也存在一些局限性。样本量相对较小，虽然对于内部分析足够，但在评估结果的外部有效性方面存在不足；光谱测量易受温度、湿度等外部因素影响，存在测量变异性；CNN 计算复杂度高，对计算资源要求高，限制了其在资源受限环境中的应用。而且研究主要聚焦于检测方法的验证，未深入探讨唾液中 P 物质浓度与 COPD 患者临床关系。未来研究应扩大样本量，开展分层分析，探索更先进的神经网络架构和优化技术，进一步验证该方法在实际临床中的可行性和有效性。
