《IEEE Sensors Letters》：Electronic Nose-Based Assessment of Cardiovascular Disease Severity Using Blood Analysis
编辑推荐：
一种基于电子鼻（electronic nose, e-nose）的方法被用于心血管疾病（cardiovascular disease, CVD）严重程度评估；该方法利用血液样本而非传统的呼气分析，以提升临床工作流中的标准化程度。所提出的方法拓展了当前电子鼻应用
一种基于电子鼻（electronic nose, e-nose）的方法被用于心血管疾病（cardiovascular disease, CVD）严重程度评估；该方法利用血液样本而非传统的呼气分析，以提升临床工作流中的标准化程度。所提出的方法拓展了当前电子鼻应用，能够实现对照组与两个疾病严重程度等级之间的三分类判别，从而支持更精细的临床分层。通过集成优化定制传感器并对响应进行增强，研究人员采用集成机器学习（ensemble machine learning）模型进行分析。为避免同一受试者重复测量导致的信息泄漏，研究人员采用基于患者级分组交叉验证（groupwise cross-validation）的受试者独立验证策略，从而获得更真实的性能估计。在该条件下，系统准确率为76%（±15%）。这些结果表明，将先进传感技术与严格验证协议相结合，有助于开发可靠且具有临床相关性的电子鼻系统，用于生物医学应用。
研究背景方面，心血管疾病仍是全球主要死亡原因，亟需快速、非侵入性诊断工具用于早期病理检测。挥发性有机化合物（volatile organic compounds, VOCs）可作为反映生理状态的生物“指纹”。气相色谱-质谱（gas chromatography-mass spectrometry, GC-MS）虽为VOC识别金标准，但成本高、耗时长、便携性差。传统人工嗅觉系统即电子鼻（e-nose）具备实时、无试剂、床旁可携优势，但文献多聚焦二分类，如健康对照与心力衰竭或心肌梗死区分，且常用随机划分交叉验证，会因同一受试者多次测量产生信息泄漏，导致性能被高估。此外，呼气采样在标准临床流程中不如采血标准化。因此，研究人员开展本研究，用微创血液样本替代呼气样本，提出对照组、需手术/介入的重度冠心病患者、药物管理的较轻心血管疾病患者三分类，并采用受试者独立的分组交叉验证，以获得更贴近真实推广能力的评估结果。论文发表在《IEEE Sensors Letters》。该研究证明，先进传感与严谨验证结合可支撑临床相关电子鼻系统发展。
关键技术方法方面，研究人员在意大利“Città di Lecce”医院-GVM Care & Research开展试点队列研究，设20名骨科无动脉粥样硬化对照、20名需冠状动脉旁路移植（coronary artery bypass grafting, CABG）或经皮冠状动脉介入治疗（percutaneous coronary intervention, PCI）的重度狭窄患者、20名仅需药物治疗的非重度狭窄患者。采用SPYROX电子鼻，含8个商用金属氧化物（metal-oxide semiconductor, MOX）传感器与5个定制MOX传感器，共13传感器阵列，以动态顶空（dynamic headspace）方式剥离全血挥发组学信号。特征提取取各传感器相对洁净空气基线电阻的最大归一化电阻变化ΔR/R0。建模采用随机子空间类集成方法，如子空间K近邻（subspace KNN）；验证采用患者级分组交叉验证以防止信息泄漏。
结果与讨论部分如下。
材料与方法：研究人员通过晨间空腹静脉血入枸橼酸钠管，分装2 mL全血至7 mL顶空瓶，?20 °C冻存，分析前室温水浴25 °C并接入流体路。SPYROX由气路与电子控制采集单元组成，双传感模块串联，模拟前端用多量程分压架构读取宽动态范围MOX电阻。研究人员明确MOX传感器交叉敏感，分类依赖集体响应模式而非单一化合物鉴定。
实验结果：测量采用20 min暴露与40 min恢复交替，并40 min预调节。原始阻信号随暴露下降、恢复回升。数据集为13传感器×202观测，每受试者3–5周期。标准十折交叉验证下子空间KNN均准确率82%；改用十折分组交叉验证后，准确率降至76%（±15%），平衡准确率69%（±19%），宏平均召回69%（±19%），宏平均F1 67%（±19%），加权F1 76%（±14%）。仅用8个商用传感器时均准确率67%，加入5个定制传感器后升至76%，说明定制传感器提供互补判别信息。Kruskal–Wallis检验经假发现率（false discovery rate, FDR）校正后，传感器4、5、9、10、11、13在三类间差异显著（FDR-adjusted p<0.05）。
结论部分翻译：本文提出一种基于电子鼻的心血管疾病严重程度评估方法，利用血液样本而非传统呼气分析，从而提升临床工作流中的标准化程度。该方法拓展现有电子鼻应用，实现对照组与两个疾病严重程度等级之间的三分类判别，支持更精细临床分层。研究人员采用基于患者级分组交叉验证的受试者独立验证，防止信息泄漏并更真实估计模型泛化能力。在该条件下，系统准确率为76%（±15%）。结果证明了在生物医学电子鼻中将优化气体传感技术与稳健验证策略相结合的有效性。
讨论总结方面，研究人员指出标准随机交叉验证会因同受试者样本相关而高估性能；分组交叉验证能测试真正未见过受试者，给出更保守但更可信的估计。三分类任务中各类别难度不均，宏平均指标低于整体准确率，说明部分类别敏感性/精确率仍受限。定制MOX传感器并非单一VOC选择性器件，而是通过丰富化学指纹多样性提升模式可分性。受限于每组20人试点规模，结果属初步，需在更大独立队列验证。研究意义在于把血液标准化采样、13传感器MOX阵列、集成学习与受试者独立验证整合，为心血管严重度分层提供可床旁化、低试剂依赖的潜在工具。
