Analysis of exhaled breath of lung cancer patients using infrared spectroscopy.
Notice bibliographique
Résumé
e21037 Background: Currently low-dose computed tomography is used for lung cancer (LC) screening, but is limited by radiation exposure, cost, and a high false detection rate (1,2). An accurate, accessible and affordable screening technology is needed to improve detection of LC in high risk individuals. Methods: We conducted an unblinded, prospective cohort study on the effectiveness of a novel technology utilizing infrared absorption measurements via cavity ringdown spectroscopy (IR-CRDS) to differentiate the expired breath of treatment-naïve LC patients from controls without known cancer. Breath samples were taken from 100 LC patients and 98 control subjects but, only 62 non-small cell lung cancer (NSCLC) and 96 control samples were analyzed. Patients on treatment were eligible but, the protocol was amended to exclude these due to signal ambiguities. Samples were also excluded due to missing data, unclear histologic subtypes, or if they were classified as small cell LC samples to prevent obscuring the NSCLC signal. A piecewise cubic spline interpolation was used for the spectra with missing values (3). After first- and second-derivative spectra were computed to increase the information density, a one-dimensional local binary pattern extracted features from the spectra (4). Meaningful spectra-based features were selected using a minimum redundancy maximum relevance algorithm (5). Finally, a classification model was built using a support vector machine classifier (3). Results: The table below characterizes each cohort. The discriminant analysis differentiated between NSCLC and control cases with a cross validation accuracy of 86.1% (89.6% sensitivity and 80.7% specificity) using 20 selected spectra-based features. Conclusions: IR absorption measurements can be used to accurately discriminate between NSCLC and control participants. We continue to build our database to support more robust machine learning models. To our knowledge, this is the first time IR-CRDS has been used to differentiate between NSCLC and control cases. [Table: see text]
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».