Yumurtalıq patologiyaları xoşxassəli kistlər, endometriozla əlaqəli lezyonlar, teratomlar, fibromlar, tubo-ovarial abseslər, borderline şişlər və bədxassəli yumurtalıq xərçəngləri kimi çox geniş klinik spektri əhatə edir. Bu spektrin ən kritik hissəsi yumurtalıq xərçəngidir; çünki yumurtalıq xərçəngi çox vaxt səssiz başlayır, aydın və spesifik simptomlar vermədən irəliləyə bilər və pasiyentlərin mühüm bir hissəsi gec mərhələdə diaqnoz alır. Tədqiqatda erkən mərhələ yumurtalıq xərçəngində sağqalımın xeyli yüksək olduğu, lakin halların böyük əksəriyyətinin III/IV kimi irəli mərhələlərdə aşkarlandığı vurğulanır.

Bu klinik problem erkən və az yük gətirən skrininq və ya triaj vasitələrinə ehtiyacı artırır. Mövcud klinik vasitələrin güclü tərəfləri olsa da, məhdudiyyətləri var. Serum CA-125 yumurtalıq xərçəngi ilə əlaqəli mühüm biomarkerdir; lakin xüsusilə erkən mərhələ xəstəlikdə və premenopauzal qadınlarda həssaslıq və spesifiklik problemləri ola bilər. CA-125 endometrioz, çanaq iltihabi xəstəliyi, xoşxassəli ginekoloji hallar və menstruasiya kimi xərçəngdən kənar səbəblərlə də yüksələ bilər. Transvaginal ultrasəs isə anatomik qiymətləndirmə verir; lakin əhali skrininqi kontekstində aşağı müsbət proqnostik dəyər və lazımsız cərrahi risklər kimi problemlər yarada bilər.

Tədqiqatın çıxış nöqtəsi bu boşluqdur: Yumurtalıq patologiyası üçün daha sürətli, daha ucuz, daha az invaziv və operator asılılığı daha aşağı triaj mərhələsi hazırlamaq mümkündürmü? Tədqiqatçılar bu suala nəfəs analizi ilə yanaşırlar. Nəfəslə xaric edilən uçucu üzvi birləşmələri bədəndəki metabolik proseslərin qaz fazasına daşınan izləri kimi düşünmək olar. Qan dövranına keçən uçucu molekullar yüksək buxar təzyiqi sayəsində ağciyər alveollarından nəfəsə keçə bilər. Buna görə nəfəs sistemik metabolik vəziyyətin və bəzi xəstəlik proseslərinin izlərini daşıya bilən bioloji nümunə növüdür.

Xərçəng biologiyası baxımından VOC yanaşmasının məntiqi belədir: Şiş hüceyrələri metabolik yenidən proqramlaşmaya məruz qalır. Artmış qlikoliz, lipid peroksidləşməsi, oksidativ stress, şiş mikroətrafı ilə qarşılıqlı təsir və iltihabi proseslər uçucu metabolit istehsalını dəyişə bilər. Bu dəyişiklik tək bir molekulda deyil, çoxsaylı uçucu birləşmələrin yaratdığı ümumi kimyəvi imzada görünə bilər. Tədqiqatın yanaşması da məhz buna əsaslanır: tək bir VOC birləşməsini “yumurtalıq patologiyası biomarkeri” kimi müəyyənləşdirməyə tədqiqatq əvəzinə bütün VOC profilini kimyəvi barmaq izi kimi qəbul edir.

Bu məqam tədqiqatın metodoloji xarakterini müəyyən edir. Ənənəvi biomarker yanaşmasında müəyyən molekul seçilir, ölçülür və hədd dəyərinə görə şərh olunur. Bu tədqiqatda isə tədqiqatçılar ayrı-ayrı birləşmələrin kimliyi ilə maraqlanmayıblar. GC-FAIMS/GC-IMS sistemi hər nümunə üçün retensiya vaxtı, kompensasiya gərginliyi və ion intensivliyi oxlarında mürəkkəb siqnal matrisi yaradıb. Bu matris xəstəlik vəziyyəti ilə əlaqəli ola biləcək ümumi VOC nümunəsini daşıyır. Süni intellekt modelləri də bu nümunələri sağlam nəzarət və yumurtalıq patologiyası qrupları arasında fərqləndirməyə çalışıb.

Tədqiqatın əsas məlumat quruluşu belə ümumiləşdirilə bilər: 40 sağlam qadın ilə 40 yumurtalıq patologiyası olan qadın müqayisə edilib. Qruplar yaş, bədən kütlə indeksi, hormonal kontrasepsiya istifadəsi, komorbidliklər və ailədə xərçəng tarixi baxımından statistik olaraq oxşar olub. Yaş nəzarət qrupunda 50,3 ± 13,8 il, yumurtalıq patologiyası qrupunda 54,5 ± 14,6 il olub; p=0,315. BMI nəzarət qrupunda 24,6 ± 4,5 kg/m², yumurtalıq patologiyası qrupunda 24,9 ± 4,4 kg/m² kimi verilib; p=0,730.

Bununla yanaşı iki dəyişəndə qruplar arasında əhəmiyyətli fərq var. Riskə məruzqalma, məsələn asbest və ya pestisid kimi ətraf mühit təsirləri, nəzarət qrupunda 1 nəfərdə (%2,5), yumurtalıq patologiyası qrupunda 5 nəfərdə (%12,5) görülüb və p=0,049 kimi bildirilib. Habitual dərman istifadəsi də nəzarət qrupunda 17 nəfərdə (%42,5), yumurtalıq patologiyası qrupunda 27 nəfərdə (%67,5) olub və p=0,025. Bu fərqlər vacibdir; çünki dərmanlar və ətraf mühitə məruzqalma VOC profilinə yumurtalıq patologiyasından asılı olmayaraq təsir edə bilər. Tədqiqatçılar buna görə qalıq qarışdırıcılığın tam istisna edilə bilməyəcəyini bildiriblər.

Yumurtalıq patologiyası qrupunun histopatoloji quruluşu tədqiqatın klinik şərhini müəyyən edir. 40 OP halının 24-ü (%60) xoşxassəli, 16-sı (%40) bədxassəli kimi təsnif edilib. Xoşxassəli qrup endometrioz, teratom, kistadenofibrom, ovary/cellular fibrom, tubo-ovarial abses, xoşxassəli kistlər və miomları əhatə edir. Bədxassəli qrup yüksək dərəcəli seroz karsinomlar, müsinöz karsinomlar, borderline şişlər və stromal şişlərdən ibarət olub. Bədxassəli halların 9-u mərhələ I, 1-i mərhələ II, 4-ü mərhələ III və 2-si mərhələ IV olub. Bu paylanma kohortda erkən mərhələ bədxassəli xəstəliyin xüsusilə yaxşı təmsil olunduğunu göstərir.

Nəfəs nümunələmə protokolu tədqiqatın etibarlılığı üçün kritikdir. İştirakçılar nümunələmədən əvvəl ən az 4 saat ac qalıb, ən az 2 saat siqaret çəkməyib və ağız gigiyenası tətbiq etməyib. Həmçinin nümunələmə günü üz kremi və ya ətir istifadə edilməməsi istənilib. Bu tədbirlər xarici mənbəli uçucu birləşmələrin nəfəs VOC profilini pozmasını azaltmağa yönəlib. Nəfəs nümunələri ReCIVA sistemi ilə toplanıb, iştirakçı maska vasitəsilə nəfəs alıb verərkən CASPER sistemi aktiv kömür filtri ilə təmiz hava təmin edib. Təmiz hava axını 500 mL/dəqiqə kimi verilib.

Hər iştirakçıdan dörd təkrarlı termal desorbsiya borusuna nəfəs nümunəsi götürülüb. Borular Tenax TA və Carbograph 5TD sorbentlərini ehtiva edir və hər toplama 2 litr tam tidal ekshalasiya olunmuş nəfəsi əhatə edir. Bu detal vacibdir; çünki nəfəs analizində yalnız ölçmə cihazı deyil, nümunənin necə və hansı həcmdə toplandığı, ətraf havanın necə nəzarətdə saxlandığı və təkrarlı nümunələrin necə emal edildiyi nəticələrə birbaşa təsir edir.

VOC analizi Lonestar GC-IMS sistemi ilə aparılıb. Qaz xromatoqrafiyası hissəsində Trace 1310 GC və HP-PLOT U kolon istifadə olunub. Proqram 40°C-də 2 dəqiqə saxlanıb, sonra 10°C/dəqiqə sürətlə 130°C-yə qaldırılıb və ümumilikdə 30 dəqiqəlik izotermal iş təmin edilib. FAIMS detektoru %45 dispersiya sahəsində və -6 V ilə +6 V arasında kompensasiya gərginliyi skanı ilə işləyib. Bu proses hər nəfəs nümunəsi üçün retensiya vaxtı, kompensasiya gərginliyi və ion intensivliyindən ibarət siqnal matrisi yaradıb.

Bu siqnal matrisi tədqiqatın əsas bioloji məlumatıdır. Tədqiqatda ayrı-ayrı VOC birləşmələri identifikasiya edilməyib. Bunun həm üstünlüyü, həm də məhdudiyyəti var. Üstünlüyü klinik təsnifat üçün bütün nümunədən istifadə edilməsidir; tək bir birləşmənin ayrılmasına, kimyəvi doğrulanmasına və bioloji şərhinə bağlı qalınmır. Məhdudiyyət isə hansı biokimyəvi yolların, hansı molekulların və ya hansı şiş/metabolik proseslərin ayırdetmə gücünə töhfə verdiyinin birbaşa izah edilə bilməməsidir. Buna görə tədqiqat güclü təsnifat siqnalı göstərsə də bioloji mexanizmin izahı məhduddur.

Süni intellekt analizində iki əsas yanaşma istifadə olunub. Birincisi MetaboAnalyst üzərində SVM təsnifatıdır. Hər iştirakçının dörd təkrarlı nəfəs ölçməsi model hazırlanmazdan əvvəl vahid təmsilçi xromatoqrama birləşdirilib. Bu, məlumat sızmasının qarşısını almaq üçün vacibdir; çünki eyni iştirakçının təkrarlı nümunələrinin fərqli təlim və ya test hissələrinə düşməsi performansı süni şəkildə yüksəldə bilər. Tədqiqatda analizlərin iştirakçı səviyyəsində aparıldığı və heç bir iştirakçının təkrarlı nümunələrinin fərqli alt qruplara bölünmədiyi bildirilib.

SVM, yəni Support Vector Machine, iki sinif arasındakı ayırıcı sərhədi ən uyğun şəkildə tapmağa çalışan nəzarətli maşın öyrənməsi üsuludur. Bu tədqiqatda siniflər “sağlam nəzarət” və “yumurtalıq patologiyası”dır. Model 10 qatlı çarpaz doğrulama ilə qiymətləndirilib. Çarpaz doğrulama məlumatın fərqli hissələrə bölünüb modelin müxtəlif təlim-test kombinasiyalarında sınanması deməkdir. Bu yanaşma kiçik məlumat dəstlərində performans təxminini daha balanslı edə bilər; lakin xarici doğrulama kohortunu əvəz etmir.

İkinci yanaşma görüntü əsaslı CNN başlanğıc modelidir. Tədqiqatçılar GC-IMS siqnal matrislərini üçölçülü səth qrafikləri kimi vizuallaşdırıb və bu görüntüləri ResNet-18 əsaslı konvolyusion neyron şəbəkəsinə veriblər. Görüntülərə CLAHE tətbiq olunub, məlumat artırması istifadə edilməyib; çünki kimyəvi informasiyanı pozmaq riski var. Modeldə erkən konvolyusion bloklar dondurulub, son residual blok və təsnifləndirici incə tənzimlənib. Giriş görüntüləri 224 × 224 pikselə miqyaslanıb və ImageNet kanal statistikaları ilə normallaşdırılıb.

CNN qiymətləndirməsi on müstəqil 70/15/15 təlim-doğrulama-test bölünməsi ilə aparılıb. Hər işə salmada 56 təlim nümunəsi, 12 doğrulama nümunəsi və 12 test nümunəsi istifadə olunub. Təlimdə Adam optimizer, 1 × 10⁻⁴ öyrənmə sürəti, 1 × 10⁻⁵ weight decay, cross-entropy loss, 16 batch size, maksimum 50 epoch və doğrulama itkisinə görə 10 səbirli erkən dayandırma istifadə olunub. Nəticələr 10 işə salmanın orta və standart sapması kimi verilib, həmçinin 120 test proqnozu bir hovuzda birləşdirilib.

Model performansını anlamaq üçün bir neçə əsas göstərici izah olunmalıdır. Bu formullar tədqiqatda açıq şəkildə verilməyib; burada istifadə olunan performans metriklərinin nə demək olduğunu oxucuya izah etmək üçün əsas təsnifat əlaqələri kimi təqdim olunur:

\[ \text{Duyarlılık} = \frac{\text{Doğru Pozitif}}{\text{Doğru Pozitif} + \text{Yanlış Negatif}} \]

Həssaslıq yumurtalıq patologiyası olan şəxslərin model tərəfindən nə qədərinin düzgün tutulduğunu göstərir. Bu tədqiqatda SVM və CNN üçün həssaslıq %100 kimi verilib; yəni qiymətləndirmə dəstlərində modelin OP hallarını qaçırmadığı bildirilib.

\[ \text{Özgüllük} = \frac{\text{Doğru Negatif}}{\text{Doğru Negatif} + \text{Yanlış Pozitif}} \]

Spesifiklik sağlam nəzarətlərin model tərəfindən nə qədərinin düzgün şəkildə sağlam kimi təsnif edildiyini göstərir. SVM-də spesifiklik %90, CNN-də %86,7 ± %12,5 kimi verilib. Bu, yanlış müsbətlərin hələ də olduğunu göstərir.

\[ \text{Doğruluk} = \frac{\text{Doğru Pozitif} + \text{Doğru Negatif}}{\text{Tüm Örnekler}} \]

Doğruluq bütün təsnifatlar içində düzgün olanların nisbətidir. Tədqiqatda SVM doğruluğu %95, CNN doğruluğu %93,3 ± %6,2 kimi verilib.

\[ \text{NPV} = \frac{\text{Doğru Negatif}}{\text{Doğru Negatif} + \text{Yanlış Negatif}} \]

Mənfi proqnostik dəyər test mənfi çıxdıqda şəxsin həqiqətən nəzarət qrupunda olma ehtimalına işarə edir. Bu tədqiqatda hər iki model üçün NPV %100 kimi verilib. Lakin hal-nəzarət dizaynında qrup nisbəti süni şəkildə 50/50 olduğu üçün bu dəyər real əhali skrininqi populyasiyasına birbaşa daşına bilməz.

Tədqiqatın Şəkil 1-i sağlam nəzarətlə yumurtalıq patologiyası olan bir pasiyentin GC-FAIMS nəfəs profillərini müqayisə edir. Görüntüdə həm ikiölçülü xromatoqramlar, həm də birölçülü intensivlik proyeksiyaları var. Yumurtalıq patologiyası nümunəsində daha aydın siqnal intensivlikləri və daha çox fərqləndirici pik görünür. Bu, modelin təkcə abstrakt rəqəmlərdən deyil, vizual olaraq da fərqlənən qlobal VOC nümunələrindən faydalandığını göstərir. Lakin şəkil tək-tək nümunələri təmsil edir; bütün populyasiya üçün təkbaşına sübut deyil.

Şəkil 2 SVM modelinin ROC əyrisini göstərir. Əyrinin altında qalan sahə, yəni AUC 0,967 və %95 etibar intervalı 0,9-1,0 kimi verilib. ROC əyrisi fərqli hədlərdə həssaslıqla yanlış müsbət nisbəti arasındakı əlaqəni göstərir. AUC dəyəri 0,5-ə yaxın olduqda modelin ayırdetmə gücü təsadüfə yaxınlaşır; 1-ə yaxınlaşdıqca ayırdetmə gücü artır. Bu tədqiqatdakı 0,967 dəyəri məlumat dəsti daxilində çox güclü ayırdetmə performansına işarə edir. Lakin xarici doğrulama olmadığı üçün bu performansın real klinik mühitdə eyni qalacağına zəmanət yoxdur.

SVM modelinin performans nəticələri diqqətçəkəndir: doğruluq %95, həssaslıq %100, spesifiklik %90, müsbət proqnostik dəyər %90,9, mənfi proqnostik dəyər %100 və AUC 0,967. Bu, modelin sağlam nəzarət və yumurtalıq patologiyası qruplarını bu məlumat dəstində aydın ayıra bildiyini göstərir. Xüsusilə həssaslığın %100 olması klinik baxımdan maraqlıdır; çünki potensial triaj vasitəsində xəstəliyi qaçırmamaq çox dəyərlidir. Lakin bu nəticə 80 nəfərlik balanslaşdırılmış hal-nəzarət kohortundan gəlir; aşağı prevalensli skrininq populyasiyalarında performans və proqnostik dəyərlər fərqlənə bilər.

CNN modeli də oxşar nəticələr verib. Görüntü əsaslı modelin doğruluğu %93,3 ± %6,2, həssaslığı %100 ± %0, spesifikliyi %86,7 ± %12,5, müsbət proqnostik dəyəri %89,3 ± %9,6, mənfi proqnostik dəyəri %100 ± %0 və AUC dəyəri 0,983 ± 0,033 olub. 120 test proqnozunda 8 təsnifat xətası görülüb və onların hamısı yanlış müsbət olub; yanlış mənfi yoxdur. Bu, GC-IMS görüntülərinin belə fərqləndirici informasiya daşıdığını və xəstəlik siqnalının yalnız seçilmiş xüsusiyyətlərdə deyil, qlobal siqnal nümunəsində yerləşdiyini düşündürür.

Buradakı vacib elmi fərq budur: Modelin OP varlığını sağlam nəzarətdən ayıra bilməsi bədxassəli xərçəngi xoşxassəli patologiyadan ayıra bilməsi demək deyil. Tədqiqatın 3.3 bölməsində nəfəs VOC analizinin xoşxassəli və bədxassəli lezyonları etibarlı şəkildə ayıra bilmədiyi bildirilib. Bu, klinik tətbiq üçün kritik sərhəddir. Nəfəs testi müsbət çıxanda bu “bədxassəli yumurtalıq xərçəngi var” demək olmamalıdır; yalnız daha ətraflı qiymətləndirmə tələb edə biləcək yumurtalıq patologiyası siqnalı ola bilər.

Xoşxassəli-bədxassəli ayrımında CA-125 fərqli informasiya verib. Cədvəl 4-ə görə xoşxassəli patologiyalarda CA-125 ortası 12,93 U/mL, medianı 11,40 U/mL, standart sapması 8,53, minimum 2,00 və maksimum 35,40 olub. Bədxassəli qrupda isə orta 303,47 U/mL, median 81,95 U/mL, standart sapma 455,68, minimum 5,70 və maksimum 1243,00 kimi verilib. Bu geniş paylanma xüsusilə bədxassəli qrupda CA-125 dəyərlərinin heterogen olduğunu göstərir; lakin qrup səviyyəsində bədxassəli patologiyalarda aydın yüksəlmə var. Buna görə tədqiqat breathomics ilə CA-125-in tamamlayıcı informasiya verə biləcəyini müdafiə edir.

Tədqiqatın klinik baxımdan ən balanslı şərhi belə olmalıdır: Nəfəs VOC analizi bu kiçik hal-nəzarət kohortunda yumurtalıq patologiyası varlığını sağlam vəziyyətdən ayırmaqda güclü görünür. Lakin bədxassəlilik ayrımı üçün təkbaşına kifayət deyil. CA-125 isə xoşxassəli-bədxassəli ayrımında yardımçı ola bilər. Buna görə gələcəkdə ən mənalı yanaşma nəfəs VOC profili, CA-125, görüntüləmə, klinik risk faktorları və pasiyentin simptomlarının birlikdə qiymətləndirildiyi inteqrə triaj modeli ola bilər.

Tədqiqatın tarixi əhəmiyyəti yumurtalıq xərçənginin erkən aşkarlanması sahəsində uzun müddətdir davam edən çətinliyə yeni qeyri-invaziv texnologiya qatı əlavə etməsidir. UKCTOCS kimi böyük skrininq tədqiqatlarında CA-125 və transvaginal ultrasəs kombinasiyaları yüksək spesifiklik göstərə bilsə də, ölüm hallarını azaltmayıb və yanlış müsbətlər, xərc və lazımsız müdaxilələr mühüm məhdudiyyətlər yaradıb. Nəfəs analizi bu baxımdan pasiyent üçün ağrısız və sürətli nümunələmə verə biləcək tamamlayıcı texnologiya kimi diqqət çəkir.

Bu gün baxımından tədqiqatın əhəmiyyəti süni intellekt dəstəkli breathomics yanaşmasının yalnız ağciyər xəstəlikləri deyil, ginekoloji patologiyalar üçün də araşdırıla biləcəyini göstərməsidir. Nəfəs nümunəsi götürmək qan götürmək və ya toxuma biopsiyası qədər invaziv deyil. Standartlaşdırıla, doğrulana və xərc baxımından effektiv hala gətirilə bilsə, gələcəkdə aşağı riskli və ya qeyri-müəyyən simptomlu qadınlarda daha ətraflı qiymətləndirmə ehtiyacını müəyyən edən ilkin triaj vasitəsi ola bilər. Lakin bu tədqiqat belə klinik tətbiqin hazır olduğunu göstərmir.

Gələcək üçün ən vacib ehtiyac çoxmərkəzli, prospektiv və real dünya prevalensini əks etdirən doğrulama tədqiqatlarıdır. Bu tədqiqatda OP və nəzarət sayı bərabərdir; belə dizaynda model performansı və xüsusilə proqnostik dəyərlər klinik skrininq populyasiyalarına nisbətən daha yaxşı görünə bilər. Real skrininq mühitində yumurtalıq xərçəngi və bəzi yumurtalıq patologiyalarının prevalensi xeyli aşağıdır; bu halda yanlış müsbətlərin sayı və klinik idarəetməyə təsiri diqqətlə qiymətləndirilməlidir.

Bundan əlavə ətraf mühitə məruzqalma, dərman istifadəsi, pəhriz, mikrobiom, siqaret, yaş, hormonal vəziyyət, komorbidliklər və nümunələmə şəraiti VOC profilinə təsir edə bilər. Bu tədqiqatda qruplar yaş və BMI baxımından balanslı olsa da, riskə məruzqalma və habitual dərman istifadəsi fərqlidir. Kiçik nümunə səbəbilə bu qarışdırıcıların təsiri güclü şəkildə tənzimlənə bilməyib. Buna görə nəfəs profilindəki fərqin nə qədərinin birbaşa yumurtalıq patologiyasından, nə qədərinin digər həyat/sağlamlıq dəyişənlərindən qaynaqlandığı daha böyük məlumat dəstlərində sınaqdan keçirilməlidir.

Tədqiqatın güclü tərəfləri arasında prospektiv nümunə toplama, standartlaşdırılmış ReCIVA nəfəs nümunələmə sistemi, müalicədən əvvəl OP iştirakçılarının daxil edilməsi, histopatoloji doğrulama, həm klassik maşın öyrənməsi, həm dərin öyrənmə yanaşmasının istifadəsi, iştirakçı səviyyəsində analiz aparılaraq təkrarlı nümunələrdən məlumat sızmasının qarşısının alınması və xoşxassəli/erkən mərhələ bədxassəli lezyonlarla zəngin OP kohortunun olması yer alır.

Məhdudiyyətlər isə tapıntılar qədər vacibdir. Nümunə kiçikdir: 40 nəzarət və 40 yumurtalıq patologiyası halı var. Xarici doğrulama kohortu yoxdur. Dizayn hal-nəzarət xarakterlidir; bu, real skrininq və ya triaj performansını olduğundan yüksək göstərə bilər. Dərman istifadəsi və riskə məruzqalma kimi potensial qarışdırıcılar qruplar arasında fərqlidir. Nəfəs VOC analizi xoşxassəli və bədxassəli patologiyaları ayıra bilməyib. Ayrı-ayrı VOC birləşmələri identifikasiya edilmədiyi üçün bioloji mexanizm səviyyəsi məhduddur. Tədqiqat resenziyadan keçməmiş preprintdir.

Tədqiqatın dediyi budur: Bu prospektiv hal-nəzarət kohortunda süni intellekt dəstəkli nəfəs VOC profili analizi yumurtalıq patologiyası olan qadınları sağlam nəzarətlərdən yüksək performansla ayırıb. SVM və CNN kimi iki fərqli süni intellekt yanaşmasının oxşar nəticələr verməsi GC-IMS/GC-FAIMS siqnalında fərqləndirici informasiya olduğunu düşündürür. Yanlış mənfi görülməməsi və mənfi proqnostik dəyərin %100 kimi bildirilməsi mümkün triaj tətbiqi baxımından diqqətçəkəndir.

Tədqiqatın demədiyi isə aydındır. Bu tədqiqat nəfəs testinin yumurtalıq xərçəngi skrininqi üçün klinikada istifadəyə hazır olduğunu göstərmir. Nəfəs analizinin CA-125 və ya transvaginal ultrasəsi əvəz edəcəyini sübut etmir. Müsbət nəfəs nəticəsinin bədxassəlilik demək olduğunu göstərmir. Xoşxassəli və bədxassəli patologiyaları etibarlı şəkildə ayırmır. Həmçinin %100 həssaslıq və %100 mənfi proqnostik dəyər kiçik və balanslaşdırılmış hal-nəzarət dizaynından gəldiyi üçün əhali skrininqi performansı kimi şərh edilməməlidir.

Tədqiqatın Metodu və Tapıntıları

Tədqiqat Champalimaud Clinical Center – Champalimaud Foundation-da Yanvar 2022 ilə İyul 2024 arasında aparılmış prospektiv müşahidəvi hal-nəzarət tədqiqatıdır. Protokol GYNE-VOX kodu ilə etik komitə təsdiqi alıb, iştirakçılardan yazılı məlumatlandırılmış razılıq götürülüb. Yumurtalıq patologiyası olan iştirakçılar cərrahiyyə və ya kimyaterapiya kimi müalicələrdən əvvəl daxil edilib.

İştirakçı xüsusiyyətləri belə ümumiləşdirilə bilər:

OP qrupunun histopatoloji quruluşu belədir:

Təsnifat metriklərinin əsas hesablanma məntiqi oxucu üçün aşağıdakı formullarla başa düşülə bilər:

\[ \text{Duyarlılık} = \frac{TP}{TP + FN} \]

Burada TP düzgün müsbətləri, FN yanlış mənfiləri ifadə edir. Yumurtalıq patologiyası olan şəxslərin nə qədərinin model tərəfindən düzgün aşkarlandığını göstərir.

\[ \text{Özgüllük} = \frac{TN}{TN + FP} \]

Burada TN düzgün mənfiləri, FP yanlış müsbətləri ifadə edir. Sağlam nəzarətlərin nə qədərinin düzgün şəkildə mənfi təsnif edildiyini göstərir.

\[ \text{Doğruluk} = \frac{TP + TN}{TP + TN + FP + FN} \]

Bu formula bütün proqnozlar daxilində düzgün təsnif edilmiş nümunələrin nisbətini verir.

CNN modelinin 120 test proqnozundakı bütün 8 xətanın yanlış müsbət olması modelin OP hallarını qaçırmadığını, lakin bəzi sağlam nəzarətləri OP kimi təsnif etdiyini göstərir. Triaj kontekstində yanlış mənfilərin azlığı dəyərli ola bilər; lakin yanlış müsbətlərin klinik xərci, narahatlıq təsiri, əlavə görüntüləmə və lazımsız yönləndirmə riski daha böyük real dünya tədqiqatlarında qiymətləndirilməlidir.

Xoşxassəli və bədxassəli ayrımı üçün CA-125 nəticələri belədir:

Bu cədvəl nəfəs VOC analizinin müəyyən edə bilmədiyi xoşxassəli-bədxassəli ayrımında CA-125-in tamamlayıcı ola biləcəyini göstərir. Bununla belə CA-125-in də təkbaşına qüsursuz bədxassəlilik markeri olmadığı unudulmamalıdır. Tədqiqatın təklif etdiyi daha balanslı şərh budur ki, nəfəs analizi patologiyanın varlığını göstərə bilər, CA-125 və görüntüləmə kimi mövcud vasitələr isə patologiyanın xarakterini qiymətləndirmək üçün birlikdə istifadə oluna bilər.

Şəkil 1-dəki GC-FAIMS profilləri sağlam nəzarətlə yumurtalıq patologiyası nümunələri arasında vizual siqnal fərqləri olduğunu göstərir. OP nümunələrində daha yüksək siqnal intensivliyi və daha fərqləndirici piklər görünür. Şəkil 2-dəki ROC əyrisi isə SVM modelinin yüksək AUC dəyərini vizuallaşdırır. Bu iki görüntü birlikdə həm xam siqnal, həm də model performansı səviyyəsində fərqləndirici nümunə olduğunu dəstəkləyir.

Bununla yanaşı vizual və rəqəmsal performans klinik tətbiq üçün kifayət deyil. Nəfəs analizi kimi yanaşmanın skrininq və ya triaj vasitəsinə çevrilməsi üçün nümunələmə protokolunun standartlaşdırılması, cihazlararası uyğunluğun göstərilməsi, fərqli mərkəzlərdə xarici doğrulama aparılması, aşağı prevalensli real dünya populyasiyalarında yanlış müsbət/yanlış mənfi balansının araşdırılması və müsbət testdən sonrakı klinik yol xəritəsinin dəqiqləşdirilməsi lazımdır.

Mənbə və Metod Qeydi

Bu məqalə Bernardo S. Raimundo, Manuel Vinhas, Gonçalo Renato-Gomes, Sónia Ferreira, Joana Pereira, Marta Pires, Sandra Alves, Gonçalo Dias, Isabel Riscado, Maria de Lurdes Batarda, Margarida Cal, Adelaide Vitorino, Luís Vieira Pinto, Filipa Silva, Rita Luz, Rita Torres, Fernando Luís-Ferreira və Pedro D. Vaz tərəfindən hazırlanmış “Artificial Intelligence–Assisted Breath Volatile Organic Compound Profiling for Detection of Ovarian Pathology: A Prospective Case-Control Study” başlıqlı tədqiqata əsasən hazırlanıb.

Mənbə mətn preprint prospektiv müşahidəvi hal-nəzarət tədqiqatıdır. Mətndə açıq şəkildə “Bu preprint tədqiqat məqaləsi resenziyadan keçməyib” ifadəsi yer alır. Buna görə tədqiqat resenziyadan keçməyib və nəticələr klinik tətbiq standartı kimi deyil, daha böyük doğrulama tədqiqatları tələb edən kəşfiyyat xarakterli tapıntılar kimi oxunmalıdır.

Tədqiqat müalicə sınağı deyil. Yumurtalıq patologiyası üçün yeni dərman, cərrahi üsul və ya müalicə protokolunu sınaqdan keçirmir. Araşdırmanın diqqət mərkəzi nəfəs VOC profillərinin GC-FAIMS/GC-IMS ilə ölçülməsi və süni intellekt modelləri ilə sağlam nəzarət və yumurtalıq patologiyası qruplarının ayırd edilə bilib-bilmədiyinin qiymətləndirilməsidir.

Bu məzmuna PDF-də olmayan klinik diaqnoz zəmanəti, xərçəng skrininqi tövsiyəsi, müalicə yönləndirilməsi və ya təkcə nəfəs testi ilə bədxassəliliyin aşkarlana biləcəyi iddiası əlavə edilməyib. Tədqiqat nəfəs analizinin transvaginal ultrasəsi və ya CA-125-i əvəz edəcəyini göstərmir. Əksinə, nəfəs VOC analizinin mümkün tamamlayıcı triaj vasitəsi kimi CA-125, görüntüləmə və klinik risk faktorları ilə birlikdə qiymətləndirilməli olduğu vurğulanır.

Tədqiqatın məhdudiyyətlərinə kiçik nümunə ölçüsü, xarici doğrulama kohortunun olmaması, hal-nəzarət dizaynına görə real skrininq performansının birbaşa təxmin edilə bilməməsi, dərman istifadəsi və ətraf mühit riskinə məruzqalma kimi potensial qarışdırıcıların qruplar arasında fərqli olması, xoşxassəli-bədxassəli ayrımının nəfəs VOC analizi ilə etibarlı aparıla bilməməsi və ayrı-ayrı VOC birləşmələrinin identifikasiya edilməməsi daxildir.

Nəticə olaraq tədqiqat süni intellekt dəstəkli nəfəs VOC analizinin yumurtalıq patologiyası varlığını sağlam nəzarətlərdən ayırmaqda ümidverici və qeyri-invaziv yanaşma ola biləcəyini göstərir. Lakin klinik istifadəyə keçid üçün çoxmərkəzli prospektiv validasiya, standartlaşdırılmış nümunələmə/analiz protokolları, xarici məlumat dəstlərində doğrulama və breathomics, CA-125, görüntüləmə və klinik risk faktorlarını birləşdirən inteqrə modellər tələb olunur.