Бул изилдөө өнөкөт боор оорусун (CLD) демдеги учуучу органикалык кошулмалар аркылуу инвазивдүү эмес жол менен айырмалоону көздөгөн жана газдык хроматография-масс-спектрометрияны (GC-MS), индий нитриди (InN) негизиндеги жарым өткөргүч газ сенсорун, үч абалдуу физиологиялык үлгү алууну жана машиналык үйрөнүүнү бириктирген интеграцияланган диагностикалык алкакты изилдейт. Алкак бир эле биомаркердин концентрациясына таянуунун ордуна бир нече VOC түзгөн көп өлчөмдүү метаболикалык үлгүнү колдонууга багытталган аналитикалык система болуп саналат. Изилдөөчүлөр 2000-ден ашык мүмкүн болгон дем VOC ичинен болжол менен 20 талапкерди аныктап, андан кийин GC-MS жана өзгөчөлүк тандоо аркылуу кыйла чектелген панель түзүшкөн. InN негизиндеги сенсор өзгөчө аммиакты аныктоо үчүн мүнөздөлгөн, ал эми машиналык үйрөнүү классификациясы негизинен GC-MSтен алынган көп сандагы VOC өзгөчөлүктөрүндө жүргүзүлгөн.

Изилдөөнүн негизги татаалдыгы — өнөкөт боор оорусу менен кыймылсыз жашоо образы пайда кылышы мүмкүн болгон метаболикалык үлгүлөрдүн жарым-жартылай дал келиши. Изилдөөчүлөр бул маселени чечүү үчүн эс алуу, көнүгүү жана калыбына келүү баскычтарынан турган үч абалдуу үлгү алуу протоколун колдонуп, кыска мөөнөттүү физикалык активдүүлүктөн катуу таасирленген биомаркерлерди туруктуураак биомаркерлерден ажыратууга аракет кылышкан. Random Forest классификатору жана DBSCAN/kNN негизиндеги маалыматты көбөйтүү ыкмасы менен түзүлгөн төрт класстуу модель үчүн жалпы тактык 0,86, макро-орточо AUC 0,96 деп билдирилген. Кыймылсыз класс үчүн precision 0,92, recall болсо 0,54.

Бирок жыйынтыктар кеңири калк үчүн так клиникалык натыйжалуулуктун далили катары чечмеленбеши керек. Кыймылсыз топтун чыныгы баштапкы үлгүсү болгону төрт адамдан турат жана класстардын тең салмаксыздыгы синтетикалык үлгүлөрдү түзүү менен азайтылган. Мындан тышкары, булак текстинде катышуучулардын жалпы саны, айрым GC-MS иштөө шарттары жана сенсордун аныктоо чегинин берилиши боюнча ички карама-каршылыктар бар. Ошондуктан изилдөө даяр портативдүү клиникалык диагностикалык түзмөктүн толук валидациясынан көрө, дем метаболомикасын, физикалык сенсорду жана көп өзгөрмөлүү машиналык үйрөнүүнү бириктирген эксперименталдык техникалык алкак катары бааланууга тийиш.

Эмне үчүн бир гана дем биомаркери жетишсиз болушу мүмкүн?

Адамдын деминде 2000-ден ашык учуучу органикалык кошулма болушу мүмкүн. Бул молекулалардын бир бөлүгү клеткалык энергия метаболизминин, аминокислота метаболизминин, липид метаболизминин жана боордо жүрүүчү биохимиялык өзгөрүүлөрдүн акыркы же кошумча продуктулары катары пайда болот. Ошондуктан боор функциясындагы өзгөрүүлөр теориялык жактан демде өлчөнө ала турган химиялык “метаболикалык манжа изин” түзүшү мүмкүн.

Бирок бир эле VOC бир гана ооруга мүнөздүү эмес. Аммиак боордогу мочевина циклинин бузулушу менен байланыштуу болушу мүмкүн, ошол эле учурда бөйрөк функциясы, ооз көңдөйүнүн жана ашказан-ичеги микробиотасы да демдеги аммиакка таасир бере алат. Диметилсульфид (DMS) боор метаболизми менен байланыштуу болгону менен ооз гигиенасы, микробдук активдүүлүк жана тамактануу таасир этиши мүмкүн. Лимонен боор клиренси менен байланыштуу деп каралса да, жакында цитрус жемиштерин колдонуу же айлана-чөйрөлүк таасир концентрацияны өзгөртө алат.

Изопрен өзгөчө маанилүү мисал. Изилдөөдө изопрен физикалык активдүүлүккө жараша олуттуу өзгөрөрү көрсөтүлгөн. Ошондуктан бир VOC оору менен байланыштуу болушу анын өз алдынча ишенимдүү жана физиологиялык абалдан көз карандысыз диагностикалык маркер экенин билдирбейт.

Үч абалдуу үлгү алуу эмне үчүн колдонулду?

Үч абалдуу протоколдун максаты — эс алуу, көнүгүү жана калыбына келүү учурунда өзгөргөн убактылуу метаболикалык сигналдарды өнөкөт жана туруктуураак метаболикалык өзгөчөлүктөрдөн ажыратуу. Изилдөөдө катышуучулар адегенде жүрөк кагышы болжол менен 60–80 BPM болгондо эс алышкан, андан кийин болжол менен эки мүнөт тепкич менен көтөрүлүү көнүгүүсү аркылуу 100–120 BPM диапазонуна жетишкен жана акырында болжол менен 15 мүнөт калыбына келген соң жүрөк кагышы кайра 60–80 BPM деңгээлине түшкөндө үлгү алынган.

Изилдөөнүн логикасы — көнүгүүдөн дароо кийин гана жогорулаган VOC ооруну айырмалоо үчүн ишенимдүү болбой калышы мүмкүн. Ошондуктан Recursive Feature Elimination (RFE) ыкмасы үч физиологиялык абалда тең айырмалоочу күчүн сактаган өзгөчөлүктөрдү аныктоо үчүн колдонулган.

Изопрен эмне үчүн өз алдынча жетишсиз болду?

Эс алуудан көнүгүүдөн кийинки абалга өткөндө изопрен концентрациялары бардык топтордо байкаларлык жогорулаган. Булактагы Dunn көп жолку салыштыруу жыйынтыктарында Patients-B менен Athletes сыяктуу бири-биринен алысыраак топтордун ортосунда күчтүү айырма табылганы менен Athletes-Sedentary, Patients-A-Sedentary жана Patients-A-Athletes сыяктуу татаалыраак салыштыруулар статистикалык жактан маанилүү эмес.

Демек, изилдөөнүн негизги билдирүүлөрүнүн бири — “бир биомаркерде топтордун орточо маанилери айырмаланабы?” деген суроо айрым майда метаболикалык айырмачылыктарды кармоого жетишсиз болушу мүмкүн.

Машиналык үйрөнүү бир өзгөрмөлүү анализден айырмаланып эмнени кармады?

Random Forest модели ар бир VOCту өзүнчө баалоонун ордуна VOCтор биргелешип түзгөн көп өлчөмдүү жана сызыктуу эмес үлгүнү колдонгон. Булактагы концептуалдык мисалга ылайык, кыймылсыз метаболикалык профиль сөзсүз түрдө “VOC-A жогору” деп гана аныкталууга тийиш эмес; ар башка VOCтордун төмөн, орто же жогорку деңгээлдеринин айкалышы айырмалоочу болушу мүмкүн. Изилдөөнүн машиналык үйрөнүү катмары дал ушул жалпы үлгүнү кармоону көздөйт.

Дем VOC панелин түзүү

Изилдөөчүлөр адегенде клиникалык GC-MS маалыматтарынан жана адабияттан болжол менен 20 талапкер биомаркерди тандашкан. Айлана-чөйрөнүн таасирине ачык толуол жана бензол сыяктуу кошулмалар жана ар башка маалымат топторунда туруксуздук көрсөткөн айрым өзгөчөлүктөр алынып салынган. Кийинки анализдерде аммиак, ацетон, изопрен, DMS жана лимонен негизги кошулмалардын арасында болгон.

GC-MS панелинде изопрен, DMS жана лимонен аналитикалык стандарттар менен ырасталган. Калган төрт өзгөчөлүк масс-спектр жана ретенция жүрүмүнө жараша убактылуу Feature 1–4 катары сакталган. Булак бул төрт сигналды так химиялык идентификация катары бербейт; NIST дал келүүлөрүнө карабастан алар “putative”, башкача айтканда убактылуу/болжолдуу метаболикалык өзгөчөлүктөр экени атайын белгиленген.

Метаболикалык механизм: гликолиз, ацетил-CoA жана мевалонат жолу

Изилдөө физикалык активдүүлүк менен демдеги изопрендин байланышын энергия метаболизми аркылуу талкуулайт. Глюкоза гликолиз учурунда пируватка айланат; пируват андан кийин ацетил-CoA түзүлүшүнө салым кошот. Ацетил-CoA бир жагынан митохондриялык Krebs цикли жана оксидативдик фосфорлануу аркылуу энергия өндүрүүдө колдонулса, экинчи жагынан мевалонат жолуна кириши мүмкүн.

Мевалонат жолунда ацетил-CoAдан HMG-CoA жана мевалонат түзүлөт. Кийинки фосфорлануу баскычтарында ATP сарпталып, изопентенил пирофосфат (IPP) сыяктуу аралык продуктуларга жетет. Андан соң жол изопрен өндүрүшүнө же сквален жана холестерин синтезине бөлүнүшү мүмкүн. Ошондуктан физикалык активдүүлүктүн ATP талабын жана кан айлануу динамикасын өзгөртүшү изопрен концентрациясына да таасир этиши мүмкүн.

Бул механизм изилдөөдө кыймылсыз адамдар менен активдүү спортчулардын ортосундагы метаболикалык айырмачылыктар боор оорусуна байланышкан VOC өзгөрүүлөрүн чечмелөөнү эмне үчүн татаалдаштырышы мүмкүн экенин түшүндүрүү үчүн колдонулат.

InN сенсорунун физикалык иштөө негизи

Изилдөөнүн аппараттык катмары индий нитриди (InN) негизиндеги жарым өткөргүч сенсор. Изилдөөчүлөр InN бетиндеги жогорку тыгыздыктагы электрон топтолуу катмарын беттик потенциалдагы кичине өзгөрүүлөргө сезгич өткөрүүчү канал катары колдонушат. Булактагы энергия тилкелеринин схемасы InN бетиндеги тилке ийилүүсү менен ушул электрон топтолуу катмарынын байланышын көрсөтөт.

Аныктоо бетинде платина камтыган каталитикалык катмар колдонулган. Булак ошондой эле аммиакты жогорку концентрациядагы ацетондун тоскоолдугунан ажыратуу үчүн силикон майынын катмарын тандалма өткөрүмдүүлүк катмары катары изилдейт.

Аммиак-ацетон тандалмалуулугу

0,7 ppm аммиакта каптоосуз сенсордун болжол менен %25 деңгээлдеги жообу силикон майы менен капталгандан кийин болжол менен %20-га төмөндөгөн, бирок ачык жооп сакталган. Ошол эле концентрациядагы ацетондо болсо каптоосуз болжол менен %14 жооп силикон майы менен %5-тен төмөн түшкөнү билдирилген. Булак бул жыйынтыкты силикон майынын аммиак үчүн жогорураак, ацетон үчүн төмөнүрөөк өткөрүмдүүлүк/диффузия жүрүмү менен байланыштырат.

Платина капталган InN сенсорунун аммиакка жообу

Булак Table 1-де 200 °C иштөө температурасында алты аммиак концентрациясы үчүн салыштырмалуу ток өзгөрүшүн, абсолюттук ток өзгөрүшүн, жооп убактысын жана калыбына келүү убактысын берет.

Концентрация 0,2 ppm-ден 10 ppm-ге жогорулаган сайын салыштырмалуу ток өзгөрүшү %7,5-тен %37-ге чейин өсөт. Ал эми I10%→I90% түрүндө аныкталган жооп убактысы 2730 секунддан 1230 секундга төмөндөйт. Калыбына келүү убактысы болжол менен 3100–3400 секунд аралыгында калган. Бул маалыматтар сенсор төмөн концентрацияларда өлчөнүүчү жооп берерин, бирок жооп жана айрыкча калыбына келүү убакыттары кыска эмес экенин көрсөтөт.

GC-MS жана термалык десорбция

Дем үлгүлөрү 5 L көлөмүндөгү химиялык жактан инерттүү Tedlar баштыктарында чогултулуп, адсорбент түтүкчөлөрүндө концентрацияланып, PerkinElmer GC-MS системасы жана TurboMatrix 300 автоматтык термалык десорбер менен анализденген. Ташуучу газ катары %99,9995 тазалыктагы гелий жана Elite 624 полярдуу капиллярдык колонка билдирилген.

Булактын метод бөлүмүндө GC-MS шарттары үчүн эки башка параметр топтому бар. Бир сүрөттөмөдө баштапкы температура 35 °C-де 5 мүнөт кармалып, 7 °C/мүн ылдамдыкта 90 °C-ге, андан соң 30 °C/мүн ылдамдыкта 220 °C-ге көтөрүлгөн; m/z диапазону 20–300 деп берилген. Башка бөлүм 40 °C-де 2 мүнөт тең салмактоодон башталып 200 °C-ге чейинки программаны жана m/z 22–250 диапазонун билдирет. Бул эки сүрөттөмө булак ичинде шайкеш келтирилбегендиктен бул жерде да өз-өзүнчө сакталган.

Аммиак GC-MSтин төмөнкү масса диапазонундагы чектөөлөрүнө байланыштуу өзүнчө Model T201 хемилюминесценттик аммиак анализатору менен өлчөнгөн. Булак GC-MS LOD жана LOQ чектерин тиешелүүлүгүнө жараша сигнал/ызы-чуу катышы 3 жана 10-дон жогору болушу катары аныктайт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Катышуучулар жана топ түзүмү

Булактын жыйынтык бөлүмүндө жалпысынан 67 катышуучу билдирилет. Боор оорусу барлар 30 адам; дени сак/активдүү топ 33 адам деп көрсөтүлүп, кошумча кыймылсыз көзөмөл тобу n=4 деп берилген. Бейтаптар тобу Child-Pugh классификациясы боюнча эртерээк/компенсацияланган Class A жана өнүккөн/декомпенсацияланган Class B/C топторуна бөлүнгөн.

Кыймылсыз катышуучулар жашоо образы боюнча сурамжылоолордун негизинде, күнүнө сегиз сааттан ашык отуруу жана орто-жогорку интенсивдүү үзгүлтүксүз физикалык көнүгүүнүн жоктугу сыяктуу критерийлер менен тандалган. Бул топтун болгону төрт адамдан турушу кийинки машиналык үйрөнүү анализдерин чечмелөөдөгү эң маанилүү чектөөлөрдүн бири.

Булак ичиндеги сан дал келбестиги: метод бөлүмүнүн бир жеринде “63 катышуучу” деген сөз колдонулганы менен ошол эле жерде 30 бейтап, 33 спортчу жана 4 кыймылсыз адам саналат; алардын жалпы саны 67. Жыйынтык бөлүмү жана машиналык үйрөнүү иш агымы да n=67 колдонот. Ошондуктан 63 жана 67 сандары булак ичинде толук шайкеш эмес.

Машиналык үйрөнүү иш агымы

Чийки маалымат адегенде аспаптык фон термелүүлөрүн азайтуу үчүн тазаланып, максаттуу газ концентрацияларына жараша нормалдаштырылган. Булактын Figure 6 түшүндүрмөсүндө 67 үлгү 53 окутуу жана 14 тест үлгүсүнө бөлүнгөн.

Класстардын тең салмаксыздыгы өзгөчө кыймылсыз топ үчүн өтө чоң. Изилдөөчүлөр стандарттуу SMOTE ордуна DBSCAN менен тыгыздык аймактарын жана мүмкүн болгон четки маанилерди бөлүп, андан соң ишенимдүү өзөк чекиттеринин айланасында kNN негизиндеги синтетикалык үлгүлөрдү түзүүнү тандашкан. Бул жердеги максат n=4 азчылык тобунун кокус интерполяциялар менен ашыкча бурмаланышын азайтуу.

Бул синтетикалык үлгүлөр чыныгы жаңы катышуучулар эмес. Алар моделдин окутуу бөлүштүрүлүшүн тең салмактоо үчүн математикалык жол менен түзүлгөн үлгүлөр. Ошондуктан модель натыйжалуулугун чечмелөөдө чыныгы биологиялык үлгү көлөмү менен көбөйтүлгөн окутуу үлгүсүн ажыратуу керек.

Random Forest төрт класстуу натыйжалуулугу

Бул таблицадагы эң маанилүү деталдардын бири — кыймылсыз класс үчүн precision 0,92 болгону менен recall болгону 0,54. Башкача айтканда, модель “кыймылсыз” деп белгилеген үлгүлөрдүн көбү туура болгону менен чыныгы кыймылсыз үлгүлөрдүн маанилүү бөлүгүн кармай алган эмес. Precision жана recall бир эле түшүнүк эмес; жогорку precision өзүнөн өзү жогорку сезгичтик дегенди билдирбейт.

Тест топтомундагы чаташуу матрицасы

Тест топтомундагы эки чыныгы кыймылсыз үлгүнүн бири туура классификацияланып, экинчиси спортчу катары классификацияланган. Булак бул үлгүнү негизги айырмалоо кыйынчылыгы “дени сак-кыймылсыз” жана “дени сак-активдүү” фенотиптердин ортосунда экенин көрсөткөн биологиялык жактан жүйөлүү жыйынтык катары чечмелейт.

t-SNE визуалдаштыруу эмнени көрсөтөт?

t-SNE жогорку өлчөмдүү VOC өзгөчөлүктөрүн эки өлчөмдүү визуалдык мейкиндикке азайтуу үчүн колдонулган. Figure 13-тө спортчу, Class A, Class B жана кыймылсыз үлгүлөрдүн ар башка мейкиндик аймактарында топтолгону көрүнөт. Кыймылсыз үлгүлөр спортчу жана бейтап топторунан өзүнчө жерде көрсөтүлгөн.

Бирок бул жерде t-SNE визуалдаштыруу куралы экенин унутпоо керек. Эки өлчөмдүү кластер көрүнүшү өзүнчө көз карандысыз клиникалык валидация же себептүүлүк далили эмес; классификация натыйжалуулугу тест топтому жана башка көрсөткүчтөр менен бирге бааланууга тийиш.

Синтетикалык үлгүлөрдүн FID салыштыруусу

Булак төмөнүрөөк FID маанисин DBSCAN+kNN менен түзүлгөн маалымат бөлүштүрүлүшү түпкү маалымат бөлүштүрүлүшүнө жакыныраак экенинин көрсөткүчү катары чечмелейт. Бирок FID окшоштугу синтетикалык үлгүлөр жаңы чыныгы адам өлчөөлөрү дегенди билдирбейт жана n=4 баштапкы топ үчүн тышкы валидация зарылдыгын жок кылбайт.

Лимонен, DMS жана туруктуу VOC панели

Үч абалдуу үлгү алуу жана RFEден кийин лимонен менен DMS спортчу жана кыймылсыз дени сак топтордун ортосунда маанилүү айырма көрсөтпөгөн, бирок оорунун оордугуна жараша айкын ажырым көрсөткөн өзгөчөлүктөр катары талкууланат. Figure 12-де көрсөтүлгөн физиологиялык жактан туруктуураак төрт өзгөчөлүк да өз-өзүнчө каралганда спортчу жана кыймылсыз топторду маанилүү айырмалабайт.

Бул пункт изилдөөнүн машиналык үйрөнүүгө болгон негиздемесинин борборунда турат: өзүнчө өзгөчөлүктөр жетиштүү айырма бербесе да, алардын бирге түзгөн сызыктуу эмес үлгүсүн классификатор колдоно алат.

Аммиак сенсору менен машиналык үйрөнүү модели бир эле маалымат булагы эмес

Изилдөөдө өзгөчө сакталууга тийиш болгон айырма бар. InN сенсору аммиак сыяктуу белгилүү негизги газдардын физикалык аныкталышын ырастоо үчүн колдонулат. Ал эми азыркы AI классификация модели кеңири GC-MS анализинен алынган көп VOC панелинде окутулган. Ошондуктан изилдөө “InN сенсору өз алдынча төрт топту классификациялады” деп чечмеленбеши керек.

Булак ошондой эле аммиак боор оорусу үчүн маанилүү көрсөткүч болгону менен кыймылсыз жана активдүү дени сак топторду жогорку чечилиште айырмалоо үчүн жетишсиз экенин жана ошондуктан тиешелүү жогорку чечилишке ээ классификацияда көбүрөөк айырмалоочу көп өзгөчөлүктүү панелге басым жасалганын билдирет.

Булак ичиндеги аныктоо чеги боюнча билдирүүлөр

Аныктоо чеги боюнча да булак ичинде ар башка билдирүүлөр бар. Кыскача мазмун жана жыйынтык бөлүмү аммиак LOD маанисин 0,2 ppmден төмөн деп билдирсе, метод бөлүмүнүн башка жеринде Pt-AlN модификациясы үчүн 0,7 ppmден төмөн деген сөз колдонулат; жыйынтыктардын сенсорду мүнөздөө бөлүмүндө болсо болжол менен 10 nm Pt катмары менен <1 ppm деп айтылат. Table 1-де өлчөнгөн эң төмөн ачык концентрация 0,2 ppm. Ошондуктан бул билдирүүлөр бул жерде бир эле так LOD санына айландырылган эмес.

Изилдөө колдогон жыйынтыктар

Булак Pt/InN негизиндеги сенсор sub-ppm деңгээлде аммиакка өлчөнүүчү жооп берерин; силикон майынын катмары ацетонго жоопту олуттуу азайтып, аммиакка жооптун маанилүү бөлүгүн сактаарын; физикалык активдүүлүк таасир эткен изопрен өз алдынча майда топторду айырмалоого жетишсиз болгонун; бир нече VOCтун жалпы үлгүсүн колдонгон Random Forest модели төрт класстуу классификацияда макро-орточо AUC 0,96 жана жалпы accuracy 0,86 бергенин көрсөтөт.

Изилдөө ошондой эле n=4 болгон кыймылсыз класс үчүн precision 0,92 жана recall 0,54 деп билдирет жана бул класстын көп өзгөрмөлүү метаболикалык үлгүсү бир өзгөрмөлүү анализдерде көрүнбөгөн маалыматты алып жүрүшү мүмкүн экенин сунуштайт.

Изилдөө колдобогон жыйынтыктар

Бул изилдөө жөн гана дем чыгаруу менен өнөкөт боор оорусун бүгүн клиникада ишенимдүү диагностикалоого болорун далилдебейт. Изилдөө даяр портативдүү көп газдуу продуктунун клиникалык валидациясы эмес. Азыркы InN аппараты бардык VOC панелин бир убакта өлчөбөйт; изилдөөчүлөр көп материалдуу сенсор массивин иштеп чыгууну келечектеги иш катары аныкташкан.

Изилдөө ошондой эле төрт адамдан турган кыймылсыз топ бардык кыймылсыз калкты өкүлчүлүк кылат деп көрсөтпөйт. Синтетикалык маалыматты көбөйтүү көз карандысыз жана чоңураак клиникалык когорт берген биологиялык ар түрдүүлүктү алмаштырбайт. Отчеттогу AUC жана башка натыйжалуулук маанилери ушул изилдөөнүн маалымат топтому жана анализ түзүмүнүн контекстинде бааланууга тийиш.

Булактын өз ичинде көңүл бурууну талап кылган пункттар

Катышуучулардын жалпы саны ар башка жерлерде 63 жана 67 деп көрсөтүлөт. GC-MS температура программасы жана m/z сканерлөө диапазону үчүн эки өзүнчө параметр топтому берилет. Аммиак LOD да ар башка бөлүмдөрдө <0,2 ppm, <0,7 ppm жана <1 ppm деп берилген. AUC болсо ар башка контексттерде 0,95 жана макро-орточо 0,96 деп билдирилген. Бул айырмачылыктардын айрымдары ар башка анализ же натыйжалуулук аныктамаларын билдириши мүмкүн; бирок булак алардын баарын бирдиктүү шайкеш параметр топтомунда ачык түрдө жараштырбайт. Ошондуктан Verianla тексти бул айырмачылыктарды жашырбайт.

Келечектеги изилдөө багыты

Изилдөөчүлөр өзгөчө кыймылсыз когортту кеңейтүүнү, статистикалык күчтү жана жалпыланмалуулукту жогорулатууну жана GC-MS менен аныкталган туруктуу VOC панелин көп материалдуу сенсор массивине өткөрүүнү келечектеги максат катары белгилешет. Акыркы максат — бир нече VOCту бир эле түзмөктө аныктай алган кичирейтилген жана портативдүү дем мониторинг платформасына өтүү.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска аталышы: AI Framework Integrated with InN Gas Sensing to Distinguish Sedentary Metabolic Fingerprints from Chronic Liver Disease

Булак PDFде берилген авторлор: Tsung Ming Chao; Rakesh Kumar Patnaik; Yu Chen Lin; Ming-Chih Ho; Zhe Liang Yeh.

Мекемелер: Institute of NanoEngineering and MicroSystems, National Tsing Hua University, Hsinchu, Taiwan; Department of Surgery, National Taiwan University Hospital, Taipei, Taiwan.

Журнал: AI Sensors.

Басмакана: MDPI.

Том/сан/макала: 2026, 2(2), 6.

DOI: 10.3390/aisens2020006.

Жөнөтүлгөн: 31 декабрь 2025. Редакция: 23 апрель 2026. Кабыл алынган: 11 май 2026. Жарыяланган: 21 май 2026.

Булак түрү: Рецензияланган изилдөө макаласы / Feature Paper.

Лицензия: Ачык жеткиликтүүлүк; Creative Commons Attribution (CC BY).

Этика: Изилдөө National Taiwan University Hospital Institutional Review Board тарабынан жактырылган. Булак эки протокол кодун берет: 201810051RINC жана 201912138RINB. Катышуучулардан маалымдалган макулдук алынганы айтылат.

Маалыматтардын жеткиликтүүлүгү: Маалыматтарды жооптуу автордон суроо боюнча алууга болору, купуялуулук жана этикалык чектөөлөрдөн улам жалпыга ачык эместиги билдирилет.

Каржылоо: Taiwan National Science and Technology Council, NSTC-113-2221-E-007-061-MY3.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришет.

Авторлордун салымы: Концептуалдаштыруу R.K.P. жана Y.C.L.; метод жана программалык камсыздоо R.K.P.; валидация, изилдөө, маалыматтарды курациялоо жана алгачкы долбоор T.M.C.; ресурстар M.-C.H.; көзөмөл, долбоорду башкаруу жана каржылоону алуу Z.L.Y. катары билдирилген.

Жасалма интеллект колдонуу жөнүндө билдирүү: Булак Tsung Ming Chao макаланын тилин жана окулушун жакшыртуу үчүн Gemini 3 колдонгонун; кийин мазмунду карап чыгып оңдогонун жана жарыяланган мазмун үчүн жоопкерчиликти өзүнө алганын билдирет.

Библиографиялык эскертүү: Жүктөлгөн PDF акыркы авторду “Zhe Liang Yeh” деп көрсөтсө, MDPIнин учурдагы сан индекси ошол эле DOI астында “J. Andrew Yeh” деген атты көрсөтөт. Бул айырма булактардын ортосунда чечилбеген библиографиялык дал келбестик катары сакталууга тийиш.

Негизги методологиялык чектөө: Кыймылсыз топтун чыныгы баштапкы көлөмү n=4. Модель класстардын тең салмаксыздыгын DBSCAN/kNN негизиндеги синтетикалык үлгү түзүү менен азайтат. Бул процесс жаңы биологиялык катышуучуларды жаратпайт жана көз карандысыз чоң когорттук валидациянын ордун баспайт.

Кошумча булак-ичиндеги шайкештик эскертүүсү: PDFде жалпы үлгү саны, GC-MS иш программасы, m/z диапазону жана аммиак сенсорунун LOD берилиши боюнча ар башка бөлүмдөрдүн ортосунда шайкешсиздиктер бар. Verianla текстинде бул маанилердин бири өзүм билемдик менен “туура” деп кабыл алынган эмес.