Родионов Евгений Олегович – канд. мед. наук, ст. науч. сотрудник, отделение торакальной онкологии, НИИ онкологии, Томский НИМЦ; доцент кафедры онкологии, СибГМУ
634009, г. Томск, пер. Кооперативный, 5,
634050, г. Томск, Московский тракт, 2
5 Kooperativny St., 634009 Tomsk,
2 Moskovsky trakt, 634050 Tomsk
Подолько Данил Владиславович – врач-онколог, отделение торакальной онкологии
634009, г. Томск, пер. Кооперативный, 5
5 Kooperativny St., 634009 Tomsk
Обходский Артем Викторович – канд. техн. наук, доцент, инженерная школа ядерных технологий
634050, г. Томск, пр. Ленина, 30
30 Lenin Ave., 634050 Tomsk
Обходская Елена Владимировна – канд. техн. наук, ст. науч. сотрудник, лаборатория химических технологий, химический факультет
634050, г. Томск, пр. Ленина, 36
36 Lenin Ave., 634050 Tomsk
Миллер Сергей Викторович – д-р мед. наук, зав. отделением торакальной онкологии
634009, г. Томск, пер. Кооперативный, 5
5 Kooperativny St., 634009 Tomsk
Кульбакин Денис Евгеньевич – д-р мед. наук, зав. отделением опухолей головы и шеи
634009, г. Томск, пер. Кооперативный, 5
5 Kooperativny St., 634009 Tomsk
Сачков Виктор Иванович – д-р хим. наук, зав. лабораторией химических технологий, химический факультет
634050, г. Томск, пр. Ленина, 36
36 Lenin Ave., 634050 Tomsk
Попов Александр Сергеевич – мл. науч. сотрудник, лаборатория химических технологий, химический факультет
634050, г. Томск, пр. Ленина, 36
36 Lenin Ave., 634050 Tomsk
Лаконкин Владислав Сергеевич – студент 4-го курса, отделение ядерно-топливного цикла
634050, г. Томск, пр. Ленина, 30
30 Lenin Ave., 634050 Tomsk
Чернов Владимир Иванович – д-р мед. наук, профессор, чл.-корр. РАН, зав. отделением радионуклидной терапии и диагностики, заместитель директора по научной и инновационной работе, НИИ онкологии, Томский НИМЦ; руководитель стратегической ставки «Инженерия здоровья», НИ ТПУ, г. Томск; начальник отдела развития радионуклидных технологий, Научно-образовательный медицинский центр ядерной медицины, НИЦ «Курчатовский институт»
634009, г. Томск, пер. Кооперативный, 5,
634050, г. Томск, пр. Ленина, 30,
123098, г. Москва, пл. Академика Курчатова, 1
5 Kooperativny St., 634009 Tomsk,
30 Lenin Ave., 634050 Tomsk,
1 Academician Kurchatov St., 123098 Moscow
Цель. Определить диагностическую эффективность разработанного газоаналитического сенсорного комплекса в сочетании с алгоритмами искусственной нейронной сети для выявления рака легкого по маркерным летучим органическим соединениям в выдыхаемом воздухе.
Материалы и методы. В исследуемую группу включены 53 пробы выдыхаемого воздуха от пациентов с морфологически подтвержденным раком легкого I–IV стадий. Контрольная группа (n = 47) состояла из лиц, не имеющих на момент включения в исследование признаков онкологических заболеваний по данным анамнеза и (или) предшествующих диагностических мероприятий. Исследование проводилось с помощью разработанного мультисенсорного газоаналитического комплекса, состоящего из набора полупроводниковых сенсоров и реализующего алгоритмы нейро-сетевой обработки данных.
Результаты. Полученные при проведении экспериментов по классификации пациентов с раком легкого и здоровых добровольцев результаты показывают наличие явных признаков различия в пробах выдыхаемого воздуха. Точность составила 95,8 %, чувствительность – 98,1% и специфичность – 93,6%. В серии экспериментов с равным распределением стадий (I–II и III–IV) средняя точность классификации составила 75%, чувствительность и специфичность – 65–80%. Подготовленные и неподготовленные пациенты демонстрировали сопоставимые результаты, что подтверждает воспроизводимость метода. Уровень точности 75% позволяет различать пробы от пациентов с ранними и поздними стадиями заболевания.
Заключение. Разработанный комплекс демонстрирует высокую диагностическую эффективность, превосходящую существующие методы, включая низкодозную компьютерную томографию. Полученные данные подтверждают перспективность технологии как для раннего выявления, так и для стадирования рака легкого.
Aim. To evaluate the diagnostic accuracy of a developed gas analysis sensor system combined with neural network algorithms for detecting lung cancer based on volatile organic compounds in exhaled breath.
Materials and methods. The study group included 53 exhaled breath samples from patients with morphologically confirmed stage I–IV lung cancer. The control group (n = 47) consisted of individuals with no history or prior diagnostic findings of cancers at the time of enrollment. The study was conducted using the developed Multisensory Gas Analysis System, comprising an array of semiconductor sensors and implementing neural network data processing algorithms.
Results. The experimental results of classifying lung cancer patients and healthy volunteers demonstrated distinct differences in the exhaled breath samples. The system achieved the accuracy of 95.8%, sensitivity of 98.1%, and specificity of 93.6%. In a series of experiments with balanced stage distribution (stages I–II vs. stages III–IV), the mean classification accuracy was 75%, with sensitivity and specificity ranging from 65 to 80%. Both prepped and non-prepped patients showed comparable results, confirming the reproducibility of the method. The accuracy level of 75% allowed for the differentiation between earlyand late-stage disease samples.
Conclusion. The developed system demonstrates high diagnostic performance, surpassing existing methods, including low-dose computed tomography. The findings support the potential of this technology for both early detection and staging of lung cancer.
The authors declare that there are no conflicts of interest present.