Utafiti huu unachunguza mfumo jumuishi wa uchunguzi unaolenga kutofautisha kwa njia isiyo vamizi ugonjwa sugu wa ini (CLD) kupitia misombo tete ya kikaboni katika pumzi, kwa kuunganisha kromatografia ya gesi-spektrometri ya wingi (GC-MS), utambuzi wa gesi wa semikondakta unaotegemea nitridi ya indiamu (InN), uchukuaji sampuli wa kifizyolojia wa hali tatu na ujifunzaji wa mashine. Mfumo huu ni mfumo wa uchanganuzi unaolenga kutumia muundo wa kimetaboliki wenye vipimo vingi unaoundwa na VOC nyingi badala ya kutegemea mkusanyiko wa biomarker moja. Watafiti walibaini takribani wagombea 20 kutoka zaidi ya VOC 2000 zinazowezekana katika pumzi, kisha wakaunda paneli ndogo zaidi kwa GC-MS na uteuzi wa vipengele. Wakati sensori inayotegemea InN ilifanyiwa uainishaji hasa kwa utambuzi wa amonia, uainishaji wa ujifunzaji wa mashine ulifanywa hasa kwa vipengele vingi vya VOC vilivyopatikana kutoka GC-MS.

Changamoto kuu ya utafiti ni kwamba mifumo ya kimetaboliki inayoweza kutokana na ugonjwa sugu wa ini na mtindo wa maisha wa kutofanya shughuli inaweza kuingiliana kwa kiasi. Ili kushughulikia tatizo hili, watafiti walitumia itifaki ya uchukuaji sampuli wa hali tatu yenye hatua za kupumzika, mazoezi na kupona; walijaribu kutenganisha biomarker zinazoathiriwa sana na shughuli za muda mfupi za mwili na biomarker zilizo thabiti zaidi. Kwa modeli ya madarasa manne iliyoundwa kwa kianishaji cha Random Forest na mbinu ya kuongeza data inayotegemea DBSCAN/kNN, usahihi wa jumla uliripotiwa kuwa 0,86 na AUC ya wastani wa makro 0,96. Kwa darasa la wasiofanya shughuli, precision ilikuwa 0,92 na recall 0,54.

Hata hivyo, matokeo hayapaswi kufasiriwa kama ushahidi wa mwisho wa utendaji wa kliniki kwa idadi kubwa ya watu. Sampuli halisi ya awali ya kundi lisilofanya shughuli ilikuwa watu wanne tu, na kutolingana kwa madarasa kulipunguzwa kwa kutengeneza sampuli sintetiki. Zaidi ya hayo, maandishi ya chanzo yana kutokuwiana kwa ndani kuhusu jumla ya washiriki, baadhi ya hali za uendeshaji wa GC-MS na namna kikomo cha utambuzi wa sensori kilivyoelezwa. Kwa hiyo utafiti huu unapaswa kutazamwa zaidi kama mfumo wa kiufundi wa majaribio unaounganisha metabolomiki ya pumzi, sensori ya kimwili na ujifunzaji wa mashine wenye vigezo vingi, kuliko kama uthibitishaji uliokamilika wa kifaa cha kubebeka cha uchunguzi wa kliniki.

Kwa nini biomarker moja ya pumzi inaweza isitoshe?

Pumzi ya binadamu inaweza kuwa na zaidi ya misombo tete ya kikaboni 2000. Baadhi ya molekuli hizi hutokea kama bidhaa za mwisho au za pembeni za umetaboli wa nishati wa seli, umetaboli wa amino asidi, umetaboli wa lipidi na mabadiliko ya kibayokemia yanayofanywa na ini. Kwa hiyo mabadiliko katika kazi ya ini yanaweza kinadharia kuunda “alama ya kidole ya kimetaboliki” ya kikemia inayoweza kupimwa katika pumzi.

Hata hivyo, VOC ileile si mahsusi kwa ugonjwa mmoja tu. Amonia inaweza kuhusishwa na hitilafu katika mzunguko wa urea wa ini, huku kazi ya figo, mikrobiota ya mdomo na ya njia ya chakula pia ikiweza kuathiri amonia katika pumzi. Dimethyl sulfide (DMS) inahusishwa na umetaboli wa ini lakini inaweza kuathiriwa na usafi wa mdomo, shughuli za vijidudu na lishe. Limonene pia hutathminiwa kuwa inahusiana na uondoaji wa ini, lakini ulaji wa hivi karibuni wa matunda jamii ya machungwa au mfiduo wa mazingira unaweza kubadilisha mkusanyiko wake.

Isoprene ni mfano muhimu sana. Utafiti ulionyesha kuwa isoprene hubadilika sana kutokana na shughuli za mwili. Kwa hiyo, kuhusishwa kwa VOC na ugonjwa hakumaanishi kuwa VOC hiyo peke yake ni alama ya uchunguzi inayotegemeka na isiyotegemea hali ya kifizyolojia.

Kwa nini uchukuaji sampuli wa hali tatu ulitumika?

Lengo la itifaki ya hali tatu ni kutenganisha ishara za muda mfupi za kimetaboliki zinazobadilika wakati wa kupumzika, mazoezi na kupona na vipengele vya kimetaboliki vya muda mrefu na vilivyo thabiti zaidi. Katika utafiti, washiriki walipumzika kwanza kwa mapigo ya moyo ya takribani 60–80 BPM, kisha walifikia 100–120 BPM kwa mazoezi ya kupanda ngazi ya takribani dakika mbili, na hatimaye sampuli zilichukuliwa baada ya takribani dakika 15 za kupona wakati mapigo ya moyo yaliporudi tena katika kiwango cha 60–80 BPM.

Mantiki ya utafiti ni kwamba VOC inayoongezeka tu mara baada ya mazoezi inaweza isiwe ya kuaminika kwa kutofautisha ugonjwa. Kwa hiyo mbinu ya Recursive Feature Elimination (RFE) ilitumika kubaini vipengele vinavyodumisha uwezo wa kutofautisha katika hali zote tatu za kifizyolojia.

Kwa nini isoprene peke yake haikutosha?

Mikusanyiko ya isoprene iliongezeka kwa uwazi katika makundi yote wakati wa kutoka hali ya kupumzika kwenda hali ya baada ya mazoezi. Katika matokeo ya ulinganisho mwingi wa Dunn ya chanzo, tofauti kubwa ilipatikana kati ya makundi yaliyo mbali zaidi kama Patients-B na Athletes, lakini ulinganisho mgumu zaidi kama Athletes-Sedentary, Patients-A-Sedentary na Patients-A-Athletes haukuwa na umuhimu wa kitakwimu.

Kwa hiyo, mojawapo ya ujumbe mkuu wa utafiti ni kwamba swali “je, wastani wa makundi unatofautiana kwa biomarker moja?” linaweza kutotosha kunasa baadhi ya tofauti ndogo za kimetaboliki.

Ujifunzaji wa mashine ulinasa nini tofauti na uchanganuzi wa kigezo kimoja?

Modeli ya Random Forest ilitumia muundo wa vipimo vingi na usio wa mstari unaoundwa na VOC kwa pamoja badala ya kutathmini kila VOC peke yake. Kwa mujibu wa mfano wa dhana uliotolewa na chanzo, wasifu wa kimetaboliki wa mtu asiye na shughuli si lazima ufafanuliwe tu kama “VOC-A iko juu”; mchanganyiko unaoundwa na viwango vya chini, vya kati au vya juu vya VOC tofauti unaweza kuwa wa kutofautisha. Tabaka la ujifunzaji wa mashine la utafiti linalenga hasa kunasa muundo huu wa pamoja.

Uundaji wa paneli ya VOC za pumzi

Watafiti walichagua kwanza takribani biomarker wagombea 20 kutoka data za kliniki za GC-MS na fasihi. Misombo kama toluene na benzene ambayo inaweza kuathiriwa na mazingira, pamoja na baadhi ya vipengele vilivyoripotiwa kutokuwa thabiti katika makundi tofauti ya data, iliondolewa. Katika uchanganuzi wa baadaye, amonia, asetoni, isoprene, DMS na limonene zilikuwa miongoni mwa misombo ya msingi.

Katika paneli ya GC-MS, isoprene, DMS na limonene zilithibitishwa kwa viwango vya uchanganuzi. Vipengele vingine vinne vilihifadhiwa kwa muda kama Feature 1–4 kulingana na spektra za wingi na tabia ya retensheni. Chanzo hakitoi ishara hizi nne kama utambulisho wa kikemia uliohakikishwa; licha ya mfanano wa NIST, kinasisitiza kwamba ni vipengele vya kimetaboliki vya “putative”, yaani vya muda/kinadharia.

Utaratibu wa kimetaboliki: glikolisi, acetyl-CoA na njia ya mevalonate

Utafiti unajadili uhusiano kati ya shughuli za mwili na isoprene ya pumzi kupitia umetaboli wa nishati. Glukosi hubadilishwa kuwa pyruvate wakati wa glikolisi; pyruvate kisha huchangia katika uzalishaji wa acetyl-CoA. Acetyl-CoA hutumiwa kwa upande mmoja katika uzalishaji wa nishati kupitia mzunguko wa mitochondrial Krebs na fosforilesheni ya kioksidishaji, na kwa upande mwingine inaweza kuingia katika njia ya mevalonate.

Katika njia ya mevalonate, HMG-CoA na mevalonate hutengenezwa kutoka acetyl-CoA. ATP hutumika katika hatua zinazoendelea za fosforilesheni na hufikiwa bidhaa za kati kama isopentenyl pyrophosphate (IPP). Njia hiyo inaweza baadaye kugawanyika kuelekea uzalishaji wa isoprene au usanisi wa squalene na cholesterol. Kwa hiyo, mabadiliko katika mahitaji ya ATP na mienendo ya mzunguko kutokana na shughuli za mwili yanaweza pia kuathiri mkusanyiko wa isoprene.

Utaratibu huu unatumiwa katika utafiti kueleza kwa nini tofauti za kimetaboliki kati ya watu wasiofanya shughuli na wanamichezo walio hai zinaweza kufanya tafsiri ya mabadiliko ya VOC yanayohusiana na ugonjwa wa ini kuwa ngumu.

Msingi wa kimwili wa utendaji wa sensori ya InN

Tabaka la vifaa vya utafiti ni sensori ya semikondakta inayotegemea nitridi ya indiamu (InN). Watafiti hutumia tabaka la mkusanyiko wa elektroni lenye msongamano mkubwa kwenye uso wa InN kama njia ya upitishaji inayohisi mabadiliko madogo ya potenshali ya uso. Mchoro wa bendi za nishati uliotolewa katika chanzo unaonyesha uhusiano kati ya kupinda kwa bendi kwenye uso wa InN na tabaka hili la mkusanyiko wa elektroni.

Tabaka katalitiki lenye platini lilitumika kwenye uso wa utambuzi. Chanzo pia kinachunguza tabaka la mafuta ya silikoni kama tabaka la upenyezaji teule ili kutenganisha amonia na mwingilio wa asetoni yenye mkusanyiko mkubwa.

Uteuzi wa amonia-asetoni

Katika amonia ya 0,7 ppm, mwitikio wa sensori isiyofunikwa wa takribani %25 ulipungua hadi takribani %20 baada ya kufunikwa kwa mafuta ya silikoni, lakini mwitikio unaoonekana uliendelea kuwepo. Kwa asetoni katika mkusanyiko huohuo, iliripotiwa kwamba mwitikio wa takribani %14 bila kifuniko ulipungua hadi chini ya %5 kwa mafuta ya silikoni. Chanzo kinahusisha matokeo haya na tabia ya upenyezaji/difuseni iliyo juu zaidi kwa amonia na chini zaidi kwa asetoni katika mafuta ya silikoni.

Mwitikio wa amonia wa sensori ya InN iliyofunikwa kwa platini

Katika Table 1, chanzo kinaripoti mabadiliko ya mkondo wa jamaa, mabadiliko ya mkondo wa moja kwa moja, muda wa mwitikio na muda wa urejeshaji kwa mikusanyiko sita ya amonia katika joto la uendeshaji la 200 °C.

Kadiri mkusanyiko unavyoongezeka kutoka 0,2 ppm hadi 10 ppm, mabadiliko ya mkondo wa jamaa huongezeka kutoka %7,5 hadi %37. Kwa upande mwingine, muda wa mwitikio unaofafanuliwa kama I10%→I90% hupungua kutoka sekunde 2730 hadi sekunde 1230. Muda wa urejeshaji hubaki takribani katika masafa ya sekunde 3100–3400. Data hizi zinaonyesha kwamba sensori hutoa mwitikio unaoweza kupimwa katika mikusanyiko ya chini, lakini muda wa mwitikio na hasa wa urejeshaji si mfupi.

GC-MS na desorpsheni ya joto

Sampuli za pumzi zilikusanywa katika mifuko ya Tedlar ya 5 L isiyotenda kikemia, zikakolezwa kwenye mirija ya adsorbenti na kuchanganuliwa kwa mfumo wa PerkinElmer GC-MS pamoja na desorber ya joto otomatiki TurboMatrix 300. Heliamu yenye usafi wa %99,9995 na safu kapilari ya polar Elite 624 ziliripotiwa kutumika kama gesi ya kubeba.

Katika sehemu ya mbinu ya chanzo kuna seti mbili tofauti za vigezo vya hali za GC-MS. Katika maelezo moja, joto la kuanzia lilishikiliwa kwa dakika 5 katika 35 °C, likaongezwa kwa 7 °C/dk hadi 90 °C na kisha kwa 30 °C/dk hadi 220 °C; masafa ya m/z yalitolewa kama 20–300. Sehemu nyingine ndogo iliripoti programu inayoanza na usawazishaji wa dakika 2 katika 40 °C na kuendelea hadi 200 °C pamoja na masafa ya m/z 22–250. Kwa kuwa maelezo haya mawili hayajapatanishwa ndani ya chanzo, yanahifadhiwa hapa pia kando.

Amonia ilipimwa kwa kichanganuzi huru cha amonia cha kemiluminesensi Model T201 kutokana na vikwazo vya GC-MS katika masafa ya chini ya wingi. Chanzo kinafafanua vizingiti vya LOD na LOQ vya GC-MS kama uwiano wa ishara/kelele unaozidi 3 na 10 mtawalia.

Mbinu na Matokeo ya Utafiti

Washiriki na muundo wa makundi

Katika sehemu ya matokeo ya chanzo jumla ya washiriki 67 imeripotiwa. Wagonjwa wa ini ni watu 30; kundi la wenye afya/wenye shughuli linaonyeshwa kuwa watu 33, na kundi la udhibiti lisilofanya shughuli pia linatolewa kama n=4. Kundi la wagonjwa liligawanywa kulingana na uainishaji wa Child-Pugh kuwa Class A ya mapema/iliyofidiwa na Class B/C iliyoendelea/isiyofidiwa.

Washiriki wasiofanya shughuli walichaguliwa kwa msingi wa dodoso za mtindo wa maisha, kwa vigezo kama kukaa zaidi ya saa nane kwa siku na kutokuwa na mazoezi ya kawaida ya mwili ya nguvu ya kati hadi ya juu. Ukweli kwamba kundi hili lina watu wanne tu ni mojawapo ya vikwazo muhimu zaidi katika kutafsiri uchanganuzi wa baadaye wa ujifunzaji wa mashine.

Kutokuwiana kwa idadi ndani ya chanzo: ingawa sehemu moja ya mbinu inatumia kauli “washiriki 63”, sehemu hiyo hiyo inahesabu wagonjwa 30, wanamichezo 33 na watu 4 wasiofanya shughuli; jumla yao ni 67. Sehemu ya matokeo na mtiririko wa kazi wa ujifunzaji wa mashine pia hutumia n=67. Kwa hiyo, namba 63 na 67 hazilingani kikamilifu ndani ya chanzo.

Mtiririko wa kazi wa ujifunzaji wa mashine

Data ghafi ilisafishwa kwanza ili kupunguza mabadiliko ya usuli wa kifaa na ikasawazishwa kulingana na mikusanyiko ya gesi lengwa. Katika maelezo ya Figure 6 ya chanzo, sampuli 67 ziligawanywa kuwa sampuli 53 za mafunzo na 14 za majaribio.

Kutolingana kwa madarasa ni kubwa hasa kwa kundi lisilofanya shughuli. Watafiti walichagua kutumia DBSCAN kutenganisha maeneo ya msongamano na thamani zinazoweza kuwa za pembeni badala ya SMOTE ya kawaida, kisha kutengeneza sampuli sintetiki zinazotegemea kNN karibu na nukta za msingi zinazoaminika. Lengo hapa ni kupunguza upotoshaji wa kupita kiasi wa kundi la wachache la n=4 kupitia interpolations za nasibu.

Sampuli hizi sintetiki si washiriki wapya halisi. Ni sampuli zilizotengenezwa kihesabu ili kusawazisha usambazaji wa mafunzo wa modeli. Kwa hiyo, wakati wa kutafsiri utendaji wa modeli, ukubwa wa sampuli halisi ya kibayolojia lazima utenganishwe na sampuli iliyoongezwa ya mafunzo.

Utendaji wa Random Forest wa madarasa manne

Mojawapo ya maelezo muhimu zaidi katika jedwali hili ni kwamba ingawa thamani ya precision kwa darasa lisilofanya shughuli ni 0,92, thamani ya recall ni 0,54 tu. Kwa maneno mengine, sehemu kubwa ya sampuli ambazo modeli ilitia alama kuwa “zisizofanya shughuli” zilikuwa sahihi, lakini haikuweza kunasa sehemu muhimu ya sampuli halisi zisizofanya shughuli. Precision na recall si dhana moja; precision ya juu peke yake haimaanishi unyeti mkubwa.

Matriksi ya mkanganyiko katika seti ya majaribio

Katika seti ya majaribio, moja kati ya sampuli mbili halisi zisizofanya shughuli iliainishwa kwa usahihi na nyingine ikaainishwa kama mwanamichezo. Chanzo kinatafsiri muundo huu kama hitimisho linalokubalika kibayolojia kwamba ugumu mkuu wa kutofautisha upo kati ya fenotipu za “mwenye afya-asiyefanya shughuli” na “mwenye afya-mwenye shughuli”.

Taswira ya t-SNE inaonyesha nini?

t-SNE ilitumika kupunguza vipengele vya VOC vyenye vipimo vingi hadi nafasi ya taswira ya vipimo viwili. Katika Figure 13, sampuli za wanamichezo, Class A, Class B na wasiofanya shughuli zinaonekana kukusanyika katika maeneo tofauti ya nafasi. Sampuli zisizofanya shughuli zinaonyeshwa katika eneo tofauti na makundi ya wanamichezo na wagonjwa.

Hata hivyo, ni muhimu kukumbuka kwamba t-SNE hapa ni zana ya taswira. Muonekano wa makundi ya vipimo viwili peke yake si ushahidi wa uthibitishaji huru wa kliniki au wa usababishi; utendaji wa uainishaji unapaswa kutathminiwa pamoja na seti ya majaribio na vipimo vingine.

Ulinganisho wa FID wa sampuli sintetiki

Chanzo kinatafsiri thamani ya chini ya FID kama kiashiria kwamba usambazaji wa data uliotengenezwa kwa DBSCAN+kNN uko karibu zaidi na usambazaji wa data asili. Hata hivyo, kufanana kwa FID hakumaanishi kwamba sampuli sintetiki ni vipimo vipya halisi vya binadamu na hakuondoi hitaji la uthibitishaji wa nje kwa kundi la awali la n=4.

Limonene, DMS na paneli thabiti ya VOC

Baada ya uchukuaji sampuli wa hali tatu na RFE, limonene na DMS zinajadiliwa kama vipengele visivyoonyesha tofauti muhimu kati ya makundi yenye afya ya wanamichezo na wasiofanya shughuli, lakini vinavyoonyesha kutengana wazi zaidi kulingana na ukali wa ugonjwa. Vipengele vinne vilivyo thabiti zaidi kifizyolojia vilivyoonyeshwa katika Figure 12 pia havitenganishi kwa kiwango muhimu makundi ya wanamichezo na wasiofanya shughuli vinapochunguzwa kimoja kimoja.

Jambo hili ndilo kitovu cha mantiki ya ujifunzaji wa mashine katika utafiti: ingawa vipengele binafsi havitoi utenganishaji wa kutosha, muundo usio wa mstari unaoundwa navyo kwa pamoja unaweza kutumiwa na kianishaji.

Sensori ya amonia na modeli ya ujifunzaji wa mashine hazitumii chanzo kimoja cha data

Kuna tofauti muhimu katika utafiti ambayo lazima ihifadhiwe. Sensori ya InN hutumika kuthibitisha utambuzi wa kimwili wa gesi fulani kuu kama amonia. Kinyume chake, modeli ya sasa ya uainishaji ya AI imefunzwa kwa paneli ya VOC nyingi iliyopatikana kutoka uchanganuzi mpana wa GC-MS. Kwa hiyo utafiti haupaswi kufasiriwa kuwa “sensori ya InN peke yake iliainisha makundi manne”.

Chanzo pia kinaripoti kwamba, ingawa amonia ni kiashiria muhimu kwa ugonjwa wa ini, haitoshi kutofautisha kwa azimio la juu makundi yenye afya ya wasiofanya shughuli na wenye shughuli, na kwa hiyo katika uainishaji huu wa azimio la juu msisitizo uliwekwa kwenye paneli yenye vipengele vingi vinavyotofautisha zaidi.

Kauli za kikomo cha utambuzi ndani ya chanzo

Kuhusu kikomo cha utambuzi pia kuna kauli tofauti ndani ya chanzo. Muhtasari na sehemu ya matokeo zinaripoti thamani ya LOD ya amonia kuwa chini ya 0,2 ppm, wakati sehemu nyingine ya mbinu inatumia kwa urekebishaji wa Pt-AlN kauli chini ya 0,7 ppm; katika sehemu ya uainishaji wa sensori kwenye matokeo, ikiwa na tabaka la Pt la takribani 10 nm, inasema <1 ppm . Kiwango cha chini wazi kilichopimwa katika Table 1 ni 0,2 ppm. Kwa hiyo, kauli hizi hazijageuzwa hapa kuwa namba moja ya LOD iliyo hakika.

Matokeo yanayoungwa mkono na utafiti

Chanzo kinaonyesha kwamba sensori inayotegemea Pt/InN hutoa mwitikio unaoweza kupimwa kwa amonia katika kiwango cha sub-ppm; tabaka la mafuta ya silikoni hupunguza kwa kiasi kikubwa mwitikio kwa asetoni huku likihifadhi sehemu muhimu ya mwitikio kwa amonia; isoprene inayoathiriwa na shughuli za mwili haitoshi peke yake kutofautisha makundi madogo; na modeli ya Random Forest inayotumia muundo wa pamoja wa VOC nyingi hutoa AUC ya wastani wa makro 0,96 na accuracy ya jumla 0,86 katika uainishaji wa madarasa manne.

Utafiti pia unaripoti precision 0,92 na recall 0,54 kwa darasa lisilofanya shughuli lenye n=4 na unapendekeza kwamba muundo wa kimetaboliki wenye vigezo vingi wa darasa hili unaweza kubeba taarifa zisizoonekana katika uchanganuzi wa kigezo kimoja.

Matokeo yasiyoungwa mkono na utafiti

Utafiti huu haujathibitisha kwamba ugonjwa sugu wa ini unaweza leo kutambuliwa kwa kuaminika kliniki kwa kupuliza pumzi pekee. Utafiti si uthibitishaji wa kliniki wa bidhaa ya kubebeka ya gesi nyingi iliyokamilika. Vifaa vya sasa vya InN havipimi paneli nzima ya VOC kwa wakati mmoja; watafiti wanaeleza maendeleo ya safu ya sensori zenye nyenzo nyingi kama kazi ya baadaye.

Utafiti pia hauonyeshi kwamba kundi la watu wanne wasiofanya shughuli linawakilisha watu wote wasiofanya shughuli. Kuongeza data sintetiki hakuchukui nafasi ya utofauti wa kibayolojia ambao ungepatikana kutoka kohorti huru na kubwa zaidi ya kliniki. AUC na thamani nyingine za utendaji zilizoripotiwa zinapaswa kutathminiwa katika muktadha wa seti ya data na mpangilio wa uchanganuzi wa utafiti huu.

Mambo ndani ya chanzo yenyewe yanayohitaji uangalifu

Jumla ya washiriki inatajwa kama 63 na 67 katika sehemu tofauti. Seti mbili tofauti za vigezo zimetolewa kwa programu ya joto ya GC-MS na masafa ya uchanganuzi wa m/z. LOD ya amonia pia inaelezwa katika sehemu tofauti kama <0,2 ppm, <0,7 ppm na <1 ppm. AUC nayo imeripotiwa katika miktadha tofauti kama 0,95 na wastani wa makro 0,96. Baadhi ya tofauti hizi zinaweza kuwakilisha ufafanuzi tofauti wa uchanganuzi au utendaji; hata hivyo, chanzo hakizipatani zote wazi katika seti moja thabiti ya vigezo. Kwa hiyo, maandishi ya Verianla hayafichi tofauti hizi.

Mwelekeo wa kazi za baadaye

Watafiti wanataja hasa kupanua kohorti ya wasiofanya shughuli, kuongeza nguvu ya kitakwimu na uwezo wa kujumlisha, na kuhamisha paneli thabiti ya VOC iliyobainishwa kwa GC-MS kwenda kwenye safu ya sensori zenye nyenzo nyingi kama malengo ya baadaye. Lengo la mwisho ni kuelekea jukwaa dogo na la kubebeka la ufuatiliaji wa pumzi linaloweza kutambua VOC nyingi kwenye kifaa kimoja.

Maelezo ya Chanzo na Mbinu

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

Waandishi waliotajwa katika PDF ya chanzo: Tsung Ming Chao; Rakesh Kumar Patnaik; Yu Chen Lin; Ming-Chih Ho; Zhe Liang Yeh.

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

Jarida: AI Sensors.

Mchapishaji: MDPI.

Juzuu/toleo/makala: 2026, 2(2), 6.

DOI: 10.3390/aisens2020006.

Uwasilishaji: 31 Desemba 2025. Marekebisho: 23 Aprili 2026. Kukubaliwa: 11 Mei 2026. Uchapishaji: 21 Mei 2026.

Aina ya chanzo: Makala ya utafiti iliyopitiwa na wataalamu / Feature Paper.

Leseni: Ufikiaji wazi; Creative Commons Attribution (CC BY).

Maadili: Utafiti uliidhinishwa na National Taiwan University Hospital Institutional Review Board. Chanzo kinatoa misimbo miwili ya itifaki: 201810051RINC na 201912138RINB. Imeripotiwa kwamba washiriki walitoa idhini yenye taarifa.

Upatikanaji wa data: Imeripotiwa kwamba data zinaweza kupatikana kwa ombi kutoka kwa mwandishi anayewajibika na hazipatikani hadharani kutokana na vikwazo vya faragha na maadili.

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

Mgongano wa maslahi: Waandishi wanaripoti kutokuwepo kwa mgongano wa maslahi.

Michango ya waandishi: Uundaji wa dhana R.K.P. na Y.C.L.; mbinu na programu R.K.P.; uthibitishaji, uchunguzi, usimamizi wa data na rasimu ya kwanza T.M.C.; rasilimali M.-C.H.; usimamizi, uendeshaji wa mradi na upatikanaji wa ufadhili Z.L.Y. zimeripotiwa.

Taarifa ya matumizi ya akili bandia: Chanzo kinasema kwamba Tsung Ming Chao alitumia Gemini 3 ili kuboresha lugha na usomaji wa makala; baadaye akapitia na kuhariri maudhui na akachukua jukumu la maudhui ya chapisho.

Onyo la kibibliografia: PDF iliyopakiwa inamtaja mwandishi wa mwisho kama “Zhe Liang Yeh”, huku faharasa ya sasa ya toleo la MDPI ikionyesha jina “J. Andrew Yeh” chini ya DOI hiyo hiyo. Tofauti hii inapaswa kuhifadhiwa kama kutokuwiana kwa kibibliografia ambako hakujatatuliwa kati ya vyanzo.

Kikomo kikuu cha kimethodolojia: Ukubwa halisi wa awali wa kundi lisilofanya shughuli ni n=4. Modeli inapunguza kutolingana kwa madarasa kwa kutengeneza sampuli sintetiki zinazotegemea DBSCAN/kNN. Mchakato huu hautengenezi washiriki wapya wa kibayolojia na hauchukui nafasi ya uthibitishaji huru wa kohorti kubwa.

Onyo la ziada la uthabiti wa ndani wa chanzo: Katika PDF kuna kutokuwiana kati ya sehemu tofauti kuhusu jumla ya idadi ya sampuli, programu ya uendeshaji ya GC-MS, masafa ya m/z na namna LOD ya sensori ya amonia ilivyoelezwa. Katika maandishi ya Verianla hakuna mojawapo ya thamani hizi iliyokubaliwa kiholela kuwa “sahihi”.