Canine olfaction combined with Bayesian modeling for multi-cancer detection from breath samples: a Phase-2 study in India
Notice bibliographique
Résumé
Abstract PURPOSE Low-cost, acceptable, and high-sensitivity triage tests are needed to address the challenge of low cancer prevalence in population screening, particularly in low- and middle-income countries (LMICs). Breath-based canine olfaction has the potential to serve this role; however, evidence to date has been mostly limited to high-income countries and relatively small, single-cancer studies. We evaluated the analytical validity of a multi-cancer breath detection system using trained dogs and Bayesian fusion modeling. PATIENTS AND METHODS We conducted an assessor-masked, multi-center case–control study across six hospitals in Karnataka, India (March 2024–June 2025; CTRI/2024/10/075938). A total of 3,275 participants were enrolled: 1,773 for training and 1,502 for testing. The test cohort comprised 283 treatment-naive, biopsy-confirmed cancer patients (seven major cancer groups) and 1,219 controls (healthy, non-oncologic chronic disease, and benign biopsy). Breath was collected on cotton masks, stored under −20°C cold-chain conditions, and presented on a sniffing platform to trained detection dogs. Individual responses were integrated with Bayesian fusion incorporating historical dog performance and participant-level sample variables. RESULTS The fusion system achieved 91.5% sensitivity (95% CI, 88.0 – 94.8) and 90.8% specificity (95% CI, 89.1 – 92.5), with an area under the ROC curve (AUC) of 0.962 (95% CI, 0.951 - 0.971). Sensitivity was 89.6% in early-stages (Stage I–II), and was relatively consistent across major cancer types. CONCLUSION In a 1,502-participant test cohort, canine olfaction–Bayesian fusion achieved high accuracy for multi-cancer detection from breath, with stable performance across stages. These data establish the analytical validity and support the prospective evaluation of true screening populations. Context Summary Key Objective Does canine olfaction combined with Bayesian modeling maintain analytical validity for multi-cancer breath screening in a large assessor-masked study in India? Knowledge Generated Detection dogs achieved sensitivity and specificity above 90% (AUC 0.962) in 1502 participants, with comparable performance across early- and late-stage cancers.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».