Volatile organic compounds (VOCs) are an increasingly meaningful method for the early detection of various types of cancers, including lung cancer, through non-invasive methods. Traditional cancer detection techniques such as biopsies, imaging, and blood tests, though effective, often involve invasive procedures or are costly, time consuming, and painful. Recent advancements in technology have led to the exploration of VOC detection as a promising non-invasive and comfortable alternative. VOCs are organic chemicals that have a high vapor pressure at room temperature, making them readily detectable in breath, urine, and skin. The present study leverages artificial intelligence (AI) and machine learning algorithms to enhance classification accuracy and efficiency in detecting lung cancer through VOC analysis collected from exhaled breath air. Unlike other studies that primarily focus on identifying specific compounds, this study takes an agnostic approach, maximizing detection efficiency over the identification of specific compounds focusing on the overall compositional profiles and their differences across groups of patients. The results reported hereby uphold the potential of AI-driven techniques in revolutionizing early cancer detection methodologies towards their implementation in a clinical setting.

Journal Section:
Wissenstransfer
Keywords:
Lung cancer, Volatile organic compounds, Artificial intelligence, Early detection, Machine learning

graphic

Abstract aus Vinhas M, Leitão PM, Raimundo BS, et al.: AI Applied to Volatile Organic Compound (VOC) Profiles from Exhaled Breath Air for Early Detection of Lung Cancer. Cancers (Basel). 2024;16(12):2200.

Hintergrund

Die Früherkennung des Lungenkarzinoms kann unzweifelhaft zur Verbesserung der Prognose beitragen, da frühe Stadien mit einer höheren Heilungschance einhergehen. In großen Screeningstudien mittels Low-dose-Computertomographie (CT) konnte der Stellenwert der frühen Diagnosestellung für die Verbesserung der Prognose nachgewiesen werden. Diese aufwendigen Screeningmaßnahmen konnten bisher jedoch nicht flächendeckend eingeführt werden. Andere Biomarker-gestützte Methoden oder der Nachweis von zirkulierender Tumor-DNA (circulating tumor DNA, ctDNA) im Blut konnten sich in den frühen Stadien nicht etablieren. In der Presse erregte die Verwendung «natürlicher Nasen» von speziell trainierten Hunden, die Lungenkarzinome durch Geruchserkennung identifizieren können, Aufmerksamkeit. Elektronische «Nasen» (E-Nose) können dank moderner Sensortechniken und der verbesserten Rechenleistung der modernen EDV flüchtige Sub­stanzen (volatile organic compounds, VOC) aus der Ausatemluft erkennen, die möglicherweise eine Krebssignatur aufweisen. Eine solche nicht invasive Methode wäre einfach und risikolos durchführbar, weshalb man mit einer hohen Patienten-Compliance rechnen kann.

Ergebnisse der Studie

Manuel Vinhas und Kollegen untersuchten 77 Patienten mit Lungenkarzinom im Vergleich zu 126 gesunden Probanden. Die gesunde Gruppe war jünger (median 40 vs. 66 Jahre) und wies mehr Nieraucher (55,9% vs. 31,2%) auf. Die Analyse der Ausatemluft erfolgte über inert beschichtete Röhrchen (thermal desorption tube) mit dem ReCIVA-Atemgassystem (Owlstone Medical, Cambridge, UK). Die Patienten und Probanden exhalierten etwa 4 Minuten über eine Maske in die Teströhrchen. Das Atemgas wurde mittels Gaschromatographie analysiert. Die entstandenen Profile unterschieden sich deutlich und wurden anschließend mithilfe von Machine-learning-Algorithmen (GoogLeNet, VGG-11, CNN1 und 2, ResNet) untersucht. Dabei wurden die Profile mit verschiedenen Methoden bearbeitet (z.B. Graustufenbild, RBG, Kontrast-limitiertes adaptives Histogramm usw.).

Eine gute Unterscheidung zwischen Lungenkarzinom-Signalen und Signalen von gesunden Probanden konnte mit allen Modellen erreicht werden. Das beste Modell erreichte eine Genauigkeit von 96% und einer Verlustrate von 0,23 bei der Auswertung des Testdatensatzes. Die Ergebnisse der Studie von Vinhas et al. zeigen, dass das agnostische Screening von VOCs, auch ohne Identifizierung einer definierten volatilen Substanz, einen vielversprechenden Ansatz darstellt.

Fazit für die Praxis

Die Atemgasanalyse (elektronische Nase) zur Krebsfrüherkennung konnte sich in der Vergangenheit nicht durchsetzen. Durch die aktuellen Entwicklungen in der Sensortechnik und der künstlichen Intelligenz (KI) ist es zu einem Revival dieser Methode gekommen. Die vorliegende Studie belegt den Nutzen eines agnostischen Screenings sogenannter volatiler organic compounds, d.h. der Analyse von Signaturen (nicht von identifizierten Substanzen) durch die Anwendung von KI. Weitere Studien sind notwendig, um die Kosten-Nutzen-Analyse und die Trefferquote der elektronischen Nase zur Früherkennung des Lungenkarzinoms zu belegen.

Disclosure Statement

Hiermit erkläre ich, dass keine Interessenskonflikte in Bezug auf den vorliegenden Wissenstransfer bestehen.

© 2024 S. Karger GmbH, Freiburg
Copyright / Drug Dosage / Disclaimer
Copyright: All rights reserved. No part of this publication may be translated into other languages, reproduced or utilized in any form or by any means, electronic or mechanical, including photocopying, recording, microcopying, or by any information storage and retrieval system, without permission in writing from the publisher.
Drug Dosage: The authors and the publisher have exerted every effort to ensure that drug selection and dosage set forth in this text are in accord with current recommendations and practice at the time of publication. However, in view of ongoing research, changes in government regulations, and the constant flow of information relating to drug therapy and drug reactions, the reader is urged to check the package insert for each drug for any changes in indications and dosage and for added warnings and precautions. This is particularly important when the recommended agent is a new and/or infrequently employed drug.
Disclaimer: The statements, opinions and data contained in this publication are solely those of the individual authors and contributors and not of the publishers and the editor(s). The appearance of advertisements or/and product references in the publication is not a warranty, endorsement, or approval of the products or services advertised or of their effectiveness, quality or safety. The publisher and the editor(s) disclaim responsibility for any injury to persons or property resulting from any ideas, methods, instructions or products referred to in the content or advertisements.
2024