Characterizing volatile organic compound profiles in oral cancer using multiple sample collection approaches by GC-IMS and TD-GC-MS
Notice bibliographique
Résumé
Oral cancer (OC) is an aggressive malignancy with poor prognosis due to late-stage diagnosis and limited early detection tools. Volatile organic compounds (VOCs) have emerged as potential biomarkers for early OC detection, offering a non-invasive approach. However, the optimal sample collection and analytical workflow remains unclear. This study compares the diagnostic potential and clinical feasibility of exhaled breath, lesional air, and lesional brushings using thermal desorption-gas chromatography-mass spectrometry (TD-GC-MS) and gas chromatography-ion mobility spectrometry (GC-IMS). Twenty-six participants (13 OC or high-grade lesion patients, 13 controls) were recruited. Multivariate analysis assessed group separation and identified key discriminatory features. TD-GC-MS detected more VOCs and demonstrated stronger separation between OC and controls across all sample types compared to GC-IMS. Lesional brushings provided the best separation between groups, followed by lesional air and exhaled breath. Key discriminatory compounds included various alkanes, alkenes, aromatic hydrocarbons, phenylmethanol, and a homologous series of saturated ketones, many of which have been reported as OC biomarkers. Lesional brushings and lesional air analyzed by TD-GC-MS emerged as the most promising approaches for OC detection. GC-IMS, despite limitations, holds potential as a valuable point-of-care OC screening tool. VOC-based diagnostics offer a promising non-invasive approach for early OC detection.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».