MétaCan
Menu
Retour à la cohorte
Enregistrement W4220767189 · doi:10.1088/1752-7163/ac5e4f

Infrared cavity ring-down spectroscopy for detecting non-small cell lung cancer in exhaled breath

2022· article· en· W4220767189 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.

Notice bibliographique

RevueJournal of Breath Research · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Chemical Sensor Technologies
Établissements canadiensUniversity of New Brunswick
Organismes subventionnairesMitacsNew Brunswick Innovation Foundation
Mots-clésBreath gas analysisLung cancerExhalationCavity ring-down spectroscopyReceiver operating characteristicSpectroscopyMedicineExhaled airInternal medicineRadiologyBiology

Résumé

récupéré en direct d'OpenAlex

Early diagnosis of lung cancer greatly improves the likelihood of survival and remission, but limitations in existing technologies like low-dose computed tomography have prevented the implementation of widespread screening programs. Breath-based solutions that seek disease biomarkers in exhaled volatile organic compound (VOC) profiles show promise as affordable, accessible and non-invasive alternatives to traditional imaging. In this pilot work, we present a lung cancer detection framework using cavity ring-down spectroscopy (CRDS), an effective and practical laser absorption spectroscopy technique that has the ability to advance breath screening into clinical reality. The main aims of this work were to (1) test the utility of infrared CRDS breath profiles for discriminating non-small cell lung cancer (NSCLC) patients from controls, (2) compare models with VOCs as predictors to those with patterns from the CRDS spectra (breathprints) as predictors, and (3) present a robust approach for identifying relevant disease biomarkers. First, based on a proposed learning curve technique that estimated the limits of a model's performance at multiple sample sizes (10-158), the CRDS-based models developed in this work were found to achieve classification performance comparable or superior to like mass spectroscopy and sensor-based systems. Second, using 158 collected samples (62 NSCLC subjects and 96 controls), the accuracy range for the VOC-based model was 65.19%-85.44% (51.61%-66.13% sensitivity and 73.96%-97.92% specificity), depending on the employed cross-validation technique. The model based on breathprint predictors generally performed better, with accuracy ranging from 71.52%-86.08% (58.06%-82.26% sensitivity and 80.21%-88.54% specificity). Lastly, using a protocol based on consensus feature selection, three VOCs (isopropanol, dimethyl sulfide, and butyric acid) and two breathprint features (from a local binary pattern transformation of the spectra) were identified as possible NSCLC biomarkers. This research demonstrates the potential of infrared CRDS breath profiles and the developed early-stage classification techniques for lung cancer biomarker detection and screening.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,060
Score d'incertitude au seuil0,884

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,335
Écart entre enseignants0,307 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle