基于电子鼻与气相色谱-质谱联用的互补性呼气分析用于不确定肺结节的无创分诊

《MedComm》：Complementary Breath Profiling Using eNose and Gas Chromatography-Mass Spectrometry for Noninvasive Triage of Indeterminate Pulmonary Nodules

　　

摘要专业翻译 呼气分析可能改善CT检测肺结节的无创分诊。研究人员前瞻性地评估了两个互补的呼气分析平台，即电子鼻（eNose）和气相色谱-质谱联用（GC-MS），研究对象为新检出肺结节的患者。eNose队列包括89名参与者（55例恶性，34例良性），GC-MS队列包括75名参与者（52例恶性，23例良性）。对于每个平台，研究人员评估了三种逻辑回归模型：仅临床模型、仅生物标志物模型以及临床+生物标志物联合模型。对于eNose，表观区分能力从仅临床模型（AUC 0.67；误分类率[MCR] 40.4%）提升至仅传感器模型（AUC 0.86；MCR 22.5%），临床+传感器联合模型进一步改善（AUC 0.88；MCR 22.5%）。内部验证显示性能衰减，联合eNose模型在留一法交叉验证（LOOCV）中AUC为0.67。对于GC-MS，LASSO逻辑回归在仅VOC模型中显示出较强的表观区分能力（AUC 0.97；MCR 4%），尽管内部验证显示性能衰减（bootstrap校正AUC 0.64；LOOCV AUC 0.65）。临床+VOC联合模型保持相当高的性能（AUC 0.96；MCR 8%），优于仅临床基准模型（AUC 0.73；MCR 32%）。这些发现支持基于互补性、无创呼气分析方法的肺结节分诊策略，并有必要开展更大规模的多中心验证研究。

论文解读

一、研究背景与问题

肺癌仍是全球重大健康挑战，每年新发病例约250万例。对于高风险人群，年度低剂量CT（LDCT）筛查被推荐为主动应对措施。然而，在低剂量CT筛查或临床评估中发现的肺结节中，高达95%为假阳性，即最初表现可疑但最终被确定为非癌性病变。这些发现使临床决策复杂化，常导致不必要的活检，某些情况下甚至导致可避免的手术。另一方面，对恶性结节进行活检也存在挑战：当病灶较小且技术上难以到达时，操作可能带来气胸等风险，尤其在肺气肿患者中。而延迟活检则可能对预后产生负面影响，因为早期检测能显著提高生存率——局限性疾病的生存率约为70%，而晚期癌症仅为15%。

当前的影像学手段无法准确区分良性与恶性结节。因此，研究人员积极寻求新型生物标志物以改善分诊并减少对侵入性操作的依赖。任何基于生物标志物的方法都必须具备高灵敏度和高特异性、成本效益高，并能无缝整合到常规临床工作流程中。呼气中挥发性有机化合物（VOCs）检测正受到越来越多的关注，因为这些代谢副产物在不同疾病状态（包括癌症）下呈现谱图变化。许多在肺癌中检测到的VOCs直接反映潜在的生物学过程，如脂质过氧化、氧化应激以及环境暴露相关的外源性物质，为其诊断相关性提供了机制基础。

尽管已开发出多种呼气分析平台，包括离子迁移谱、选择离子流管质谱和激光光谱等，但许多技术对常规临床使用而言仍过于复杂。此外，既往研究中的VOC标志物很少在独立队列中得到重复验证，这限制了其临床转化。呼气采集装置、吸附剂、色谱柱、谱库和统计方法的差异导致跨研究一致性差。许多报道的标志物可能反映方法学假象或环境污染，而非真正的疾病相关VOCs。外部验证罕见，队列往往较小或异质性高，且很少有发现被独立重复。

二、研究目的与设计

为克服上述挑战，研究人员开发了标准化GC-MS工作流程，整合了明确的污染物去除和质量控制程序，以提高可重复性并促进未来多中心呼气研究。基于前期研究，研究人员在正在接受不确定肺结节评估的患者中开展了一项独立的呼气VOC检测和eNose分析试点研究。呼气样本在活检前采集，研究人员评估了临床变量（包括Brock评分）能否分别与eNose和GC-MS衍生的预测因子结合来估计结节风险。该研究有意未构建整合的eNose+GC-MS元模型，因为主要目标是在同一临床队列中分别建立并内部评估每个平台的性能。

该研究为前瞻性观察性队列研究，于2022年8月至2025年3月在澳大利亚布里斯班皇家布里斯班妇女医院（RBWH）进行，另纳入10例历史良性对照。共98名CT检出肺结节（直径8-30mm）的参与者入组，经质量控制后，89人纳入eNose分析，75人纳入GC-MS分析。

三、主要技术方法

研究人员采用了两种互补的呼气分析平台。eNose平台使用Cyranose 320便携式设备，内含32个碳黑聚合物复合化学电阻传感器，通过吸附呼气VOCs产生特征性差异电信号，采用模式识别算法识别疾病特异性"气味指纹"；GC-MS平台采用Markes UNITY–CIA Advantage XR系统预浓缩和低温聚焦，Agilent 7890–5977A GC-MS分析，遵循EPA Method TO-15原则，结合靶向定量（TO-15 75组分气体标准）和非靶向发现（色谱解卷积结合NIST谱库鉴定）。统计建模采用自适应LASSO逻辑回归，内部验证采用留一法交叉验证（LOOCV）和Efron's 0.632+ bootstrap方法。

四、研究结果

2.1 呼气eNose

2.1.1 队列特征：eNose分析集包括89名参与者。恶性病例表现出更高的Brock评分（30.4 vs. 21.4；p=0.0073）和稍大的结节直径（17.1mm vs. 14.4mm；p=0.0425），而年龄、性别和ECOG体能状态在两组间相当。前瞻性收集队列（n=80）中，恶性病例以腺癌为主（26/55，47.3%），其次为非小细胞肺癌-非特指型（NSCLC-NOS）（12/55，21.8%）和鳞状细胞癌（8/55，14.5%）；良性结节中，影像学稳定或缩小病灶最常见（9/25，36.0%），其次为肉芽肿性感染（5/25，20%）。

2.1.2 模型性能：仅临床模型（年龄、性别、吸烟史和ECOG）在全队列（n=89）中AUC为0.67（95% CI 0.547-0.773），MCR为40.4%，区分能力有限。eNose仅传感器模型通过自适应LASSO逻辑回归从32个传感器中选出10个，AUC达0.86（95% CI 0.755-0.920），MCR为22.5%。临床+eNose联合模型表观AUC最高，为0.88（95% CI 0.788-0.933），MCR为22.5%。

2.1.3 预测因子的稳定性与重要性：采用≥30%稳定性阈值，三个传感器（S8、S27、S13；各73%）是最稳定被选中的预测因子，其次是ECOG（63%）和S6（55%）。其他保留预测因子显示中等稳定性：吸烟史（39%）、性别（39%）、S20（39%）、S22（36%）、年龄（31%）和S11（31%）。

2.1.4 内部验证：Efron's 0.632+ bootstrap验证显示中等乐观度（R=0.60），乐观校正后AUC为0.69（95% CI 0.58-0.80）。外层LOOCV下，联合模型AUC为0.67（95% CI 0.561-0.784）。

2.2 GC-MS结果

2.2.1 特征提取与化合物选择：采集时每次运行检测约1500个候选VOC信号，跨样本合并后保留296个独特VOC特征。应用存在性过滤（≥30%参与者中检出）后，48个VOC特征适合建模，涵盖羰基化合物、烷烃/烯烃、芳香烃以及卤代或含硫化合物。

2.2.2 化合物鉴定与统计过滤：11个VOC特征在区分良恶性肺结节方面具有名义显著性（p<0.05），包括环己酮（C₆H₁₀O）、3-甲基呋喃（C₅H₆O）、戊烷异构体（C₅H₁₂）、己烷异构体（C₆H₁₄）、己烯/环烷烃异构体（C₆H₁₂）、庚烯/环烷烃异构体（C₇H₁₄）、四氯乙烯（C₂Cl₄）、三氯乙烯（C₂HCl₃）、二硫化碳（CS₂）、乙苯/二甲苯异构体（C₈H₁₀）和辛烷异构体（C₈H₁₈）。所有11个特征在恶性样本中的检出频率均高于良性样本。

2.2.3 模型性能：仅临床模型AUC为0.73，MCR为32%，灵敏度0.67，特异性0.70。仅VOC模型表现出高表观区分能力（AUC 0.97，MCR 4%，灵敏度0.98，特异性0.91），但bootstrap校正后AUC降至0.64（95% CI 0.50-0.78），LOOCV下AUC为0.65（95% CI 0.53-0.78）。临床+VOC联合模型表观AUC为0.96，MCR 8%，灵敏度0.94，特异性0.87，bootstrap校正后AUC为0.66（95% CI 0.53-0.80）。

2.2.4 关键VOC类别的功能分析：模型优先选择的VOCs对应与肺癌相关的代谢通路，包括羰基化合物、含氧杂环、烷烃/烯烃和氯化溶剂等类别。

2.2.5 预测因子的稳定性与重要性：8个VOCs在≥30%纳入阈值以上被一致保留：C₅H₆O（54%）、C₅H₁₂（44%）、C₂Cl₄（44%）、CS₂（42%）、C₂HCl₃（41%）、C₁₀H₂₂（36%）、C₄H₈O（33%）和CH₃Cl（30%）。

五、讨论与结论总结

讨论部分指出，该研究的关键发现是表观模型性能与内部验证性能之间存在显著差异。GC-MS模型表观AUC 0.97经bootstrap校正后降至约0.64，eNose模型表观AUC 0.88在LOOCV下降至约0.67。这种乐观度在样本量适中且候选预测因子较多的生物标志物研究中并不意外。因此，这些发现应被视为概念验证而非临床就绪的证据，需要在更大规模独立队列中验证。值得注意的是，临床增强模型的性能提升提示，呼气衍生的分子信号在与既定临床变量联合解读时可能提供更大的诊断价值。

研究的主要优势包括：前瞻性入组临床相关的肺结节队列；在同一参与者中应用两种互补的呼气分析平台；采用透明、正则化的建模方法并预设阈值；使用LOOCV和Efron's 0.632+ bootstrap进行内部验证；遵循TRIPOD-AI和STARD报告原则。

研究的局限性包括：单中心设计和中等样本量；GC-MS特征二值化（存在/不存在）可能减少定量信息并限制跨平台可移植性；缺乏外部校准、决策曲线分析和成本效益分析；吸烟史和合并症可能产生混杂效应。

研究结论：该研究表明，eNose模式识别和GC-MS VOC谱图分析为区分良恶性肺结节提供了互补性、无创的诊断信息。本研究未构建整合的eNose+GC-MS元模型，而是在同一临床队列中并行评估了两种平台。这些发现为未来分级工作流程提供了概念验证证据，即快速eNose筛查后可进行GC-MS分子表征。然而，内部验证显示模型性能衰减，表明应谨慎解读这些发现。在临床实施之前，需要更大规模的多中心研究来验证该方法、确认其普适性并评估其临床实用性。该论文发表于《MedComm》。