近日，西安电子科技大学“智能传感”团队吴巍炜副教授、西安交通大学第一附属医院泌尿外科范晋海教授、以色列理工学院Hossam Haick教授在人工嗅觉从尿液中快速、无创诊断膀胱癌的应用方面取得了重要进展，以“先进材料与纳米科技学院”为第一单位发表题为“Artificially Intelligent Olfaction for Fast and Noninvasive Diagnosis of Bladder Cancer from Urine”的研究论文，该研究论文获选期刊封面（ACS Sensors, 2022年第7期，第6卷）。先进材料与纳米科技学院博士研究生简瑛瑛为论文的第一作者，西安交通大学硕士研究生张楠和西安电子科技大学前沿交叉学院准聘副教授刘涛平为论文的共同第一作者。范晋海教授、吴巍炜副教授及Hossam Haick教授为论文的共同通讯作者。
论文链接：
https://pubs.acs.org/doi/10.1021/acssensors.2c00467
膀胱癌(BLC)是指发生在膀胱黏膜上的恶性肿瘤，是泌尿系统最常见的恶性肿瘤，也是全身十大常见肿瘤之一。据统计，2020年全球膀胱癌的新发病例约57万例，死亡病例约21万例。并且，男性膀胱癌发病率为女性的3～4倍，男性每100,000人中的发病率和死亡率分别为9.5和3.3人。此外，膀胱癌患者的复发率高达50%，约15-40%的病例发展到膀胱肿瘤侵袭阶段。目前膀胱癌最常见的诊断方式是尿脱落细胞学及膀胱镜检查。然而，膀胱镜检查是一种侵入性诊断方式，并且灵敏度(62-84%)和特异度(43-98%)严重受制于操作人员。尿脱落细胞学是通过对尿液中的脱落细胞进行检查，虽然是一种无创诊断方式，但只对中晚期肿瘤有高达90%以上的灵敏度和特异性，对早期肿瘤的灵敏度很低(4-31%)。因此，一种新型的无创诊断膀胱癌的方式是迫切之需。
挥发性有机化合物(VOCs)是人体代谢（正常或疾病相关）的最终产物，主要通过呼吸、皮肤/汗液、尿液和粪便等排出。其中，尿液中的VOCs作为疾病的标志物有很多的有益之处。首先，尿液中的VOCs检测可以在临床上优先于膀胱镜检查。其次，尿液的取样无创，廉价，无痛，并且尿液VOCs提供一种非侵入性的分子表征方法，可以指导个体化监测治疗。目前，气相色谱-质谱联用技术(GC-MS)广泛应用于人体VOCs分析中，特别是用于识别和诊断与人类疾病相关的尿液中存在的VOC，灵敏度和特异性极高，但其不可携带、成本昂贵等缺点限制了其应用。电子鼻(e-Nose),是模拟人类嗅觉器官精确识别气体种类和浓度方面的能力，可以对不同的VOCs进行有效识别,并且其响应快、成本低、可携带等优势自开展研发以来一直受到科学界和工业界的广泛关注。但是，电子鼻应用于尿液顶空中检测和诊断膀胱癌的应用研究寥寥无几，且目前报道的研究中所使用的电子鼻装置检测的灵敏度和准确性低(70%)。
本研究报道了一种基于化学电阻型气敏传感器阵列的高性能电子鼻，通过“嗅”出临床尿液样本实现快速、无创和高准确性地诊断膀胱癌，并可对术后复发患者进行监测。首先，电子鼻传感单元在室温下分别针对膀胱癌相关的11种VOCs进行了交叉敏感性传感性能研究。随后，传感单元根据筛选评分算法构建电子鼻系统，对临床尿液样本进行检测和诊断。该项研究共有94名志愿者参与，分为76名膀胱癌患者（60名早期和16名晚期）和18名健康对照组。最后，研究人员通过模式识别算法，在支持向量机(SVM)的帮助下，实现了对健康对照组和膀胱癌患者的高准确性(96.67%)、高灵敏度(100%)和高特异性(83.33%)诊断。此外，术后复发的患者也可以成功被快速诊断，诊断过程中的干扰因素(年龄、性别、生活习性等)对电子鼻系统诊断准确性不造成影响。该研究成果可用于大规模筛查、临床诊断和预后监测，为膀胱癌早诊早治提供一种可能的技术路径。同时，该研究解决了面对混合被测物时，如何通过单一组分的传感结果，实现最优传感器阵列组合的预测算法；通过尿液气味诊断疾病的临床标准流程两个关键问题；并且研究这公布了所有算法的源代码供同行借鉴和使用。
该项研究的设计思路示意图
化学电阻型气敏传感器阵列是基于10个由经过/不经过等离子处理掺杂聚苯胺薄膜敏感材料的气体传感器组成，分别命名为S1-S10。图1(a)给出了S2对VOC的动态传感响应曲线，稳定的传感性能和高信噪比表明该传感器阵列适用于临床实践。图1(b)给出了传感器阵列对11种VOCs的响应热图，所有传感数据均以归一化形式呈现。该热图展示了传感器阵列良好的半选择性和交互式响应，对每种VOC形成了特定的指纹图谱，是后续诊断膀胱癌患者的尿液VOC的基础。采用主成分分析法(PCA)评估传感器阵列识别VOCs的能力。图1(c)给出了传感器阵列对VOCs的PCA分类结果，可以看出有3种VOCs不能被准确的分类。之后，研究者们进行了传感器阵列的优化试验，其中五种传感器被挑选(S1, S2, S3, S5和S7)。图1(d)展示了进行传感器优化、剔除多余及干扰传感器之后，11种VOCs可以被完全分开。最后，用聚类评价指标- Calinski-Harabasz指数对优化前后的PCA结果进行验证。该指数是所有集群的集群间离散度和集群间离散度之和(其中，离散度定义为距离平方和)的比值，当集群密集且分离良好时，得分会越高，则表示该聚类的模型越好。可以看到，在进行传感器优化后的Calinski-Harabasz指数高于原始传感器阵列，表明传感器阵列优化是一种有效区分和识别VOC的有效和重要途径。
图1(a)传感器的动态响应曲线 (b)传感器阵列的响应热图 (c)传感器阵列对VOCs的PCA图 (d)优化后的传感器阵列对VOCs的PCA图
本项研究中，76例膀胱癌患者尿液样本由西安交通大学第一附属医院泌尿外科提供，健康对照组尿液样本来自课题组人群。本文采用膀胱癌TNM分期，T1N0M0被定义为早期阶段，等级越高表示癌症扩展程度越高。每个志愿者被要求在采集尿液样本的前一晚避免高脂肪饮食，不允许抽烟或喝酒，且不能进行身体锻炼。收集志愿者们的晨尿约40 mL进行过滤并储存在-4℃的冰箱。为了克服尿液中湿度的干扰，在相同流量下先对水的湿度响应进行测量，之后电子鼻系统在同流量下对每个样本进行连续性测试，样本的传感响应减去湿度的响应为最终该样本的传感信号。图2给出了临床试验的流程及结果图。为了从传感信号中提取最大的有用信息并剔除冗余数据，采用特征提取和特征选择(FS)的方法提供更多数据分析的可能性，增强预期的模式识别和对比。研究者从原始曲线上提取了稳态特征即归一化响应峰值，以及传感信号的瞬态特征即曲线一阶导数的最小值和二阶导数的最大值和最小值，传感器阵列共提取40个特征值。样本集被分为训练集和测试集，训练集由随机52个膀胱癌患者和12个健康对照组成，测试集为24个膀胱癌患者和6个健康对照组组成。
首先采用了无监督的模式识别模型进行数据分析。K均值聚类(Kmeans)算法主要作用是将相似的样本自动归到一个类别中。为了防止模型过拟合及考虑样本量的大小，一种遗传算法(GA)基于特征选择与K-means 结合使用。Calinski-Harabasz指数是用来评估和引导GA寻找对应于最好可分离性的特征组合。基于本实验的样本量，将特征选择数设置为4，可得到最优的特征组合，贡献度最大的特征值分别来源于传感器S1, S5和S7。如若考虑到标签信息，K-means对训练集的区分准确度为 95.31%，灵敏度为 96.15%，特异性为95.31%。然而，将测试集送入模型，测试集只得到76.67%的准确率，95.83%敏感性和0%特异性。
图2 (a) 收集膀胱癌患者的尿液样本及过滤细菌 (b) 将尿液样品鼓泡到电子鼻系统 (c) SVM 模型的机制 (d) SVM模型分析结果 (e) ROC曲线
为了进一步提高电子鼻系统的性能，研究者们采用了SVM作为可靠的监督分类模型。支持向量机递归特征消除（SVM-RFE）是一个基于SVM的最大间隔原理的序列后向选择算法。它通过模型训练样本，然后对每个特征进行得分进行排序，去掉最小特征得分的特征，然后用剩余的特征再次训练模型，进行下一次迭代，最后选出需要的特征数。在本实验中，主要分为三个步骤。第一个步骤是选出最优的特征组合。由于病人样本的数量远大于健康人样本数量，需要对病人样本进行随机抽样并分为和健康人样本数量大小大致相等的子集。所有的特征的训练集会被分为3个大小大致相等的子集，3-CV SVM-RFE做重复实验100次得到最高的准确性下的特征组合，贡献度最大的特征值分别来源于传感器S2和S3。第二个步骤是对训练集进行评估。在选定的特征组合下，用3-CV SVM-RFE方法对训练集实现100次的循环随机试验，保存每次得到的灵敏性，特异性和准确性。在这100次循环随机试验中，选择指标性能最好的模型最为最终的模型。一旦最终的模型确定，将训练集的样本放到最优的模型中进行计算，得到训练集的准确度高达92.52 ± 4.43%, 灵敏度为86.08 ± 8.09%，特异性为84.92 ± 8.76%。第三个步骤是对测试集进行评估。在最优的模型下，进一步用测试集样本进行验证。该模型可产生高达96.67%的准确度, 100.00%的灵敏度和83.33%的特异性。图2 (c)展示了健康对照组、早期、晚期、术后复发患者的SVM模型箱线图分类结果，可以看出健康对照组和膀胱癌患者、健康对照组和术后复发组有良好的区分和分类结果。
临床试验结果表明该人工智能化学电阻型传感器阵列能够精准、无创地诊断膀胱癌患者与健康对照者的尿液，并且膀胱癌尿液样本与健康对照者相比具有自己独特的挥发性分子印迹。通过进一步的研究，术后复发的尿液样本也可以得到较高的诊断准确率(88.89%)，这对于监测膀胱癌患者术后复发情况具有重要意义。在诊断临床尿液样本时，该人工智能化学电阻型传感器阵列连续工作超过6个月，表明该传感器阵列具有良好的稳定性、重复性和较长的寿命。此外，研究者们分析SVM模型分类效果高于Kmeans算法的原因是原始数据集线性不可分。K-means是一种线性决策模型，它产生一组线性决策边界来区分膀胱癌患者和健康对照组。但对于SVM,核函数将数据点从原始特征空间映射到一个线性可分的新空间,原始特征空间中的决策边界是非线性的,所以SVM比K-means的分类结果更好。值得一提的是，两种模型挑选出的贡献度大的传感器是S1, S2, S3, S5和S7，这些传感器也对VOCs有着稳定和良好的传感性能，选择出最优的传感器阵列组合对获得更好的传感性能起着重要的作用。
图3 SVM对混杂因素分析的箱线图（左）和AUC曲线（右）
为了证实患者的混杂影响因素是否会对研究结果产生影响，研究者们对膀胱癌患者的潜在影响因素也进行了分析。图3给出了基于SVM模型对混杂因素分析的结果图，主要包括对患者年龄、性别、吸烟情况及慢性病情况分析。结果表明，这些患者的潜在的混杂因素不会分类结果产生影响。
图4 基于尿液样本检测的膀胱癌诊断方式对比
最后，研究者们将基于尿液样本检测膀胱癌的研究进行了总结和对比。相比于GC-MS或其它类型的电子鼻检测手段，该工作构建的电子鼻系统不仅仅可以达到类比于GC-MS的准确度和灵敏度，同时大幅度降低了检测装置的成本。总之，该项研究构建的基于聚苯胺薄膜的人工智能化学电阻阵列可以成功的对膀胱癌患者和健康对照组的尿液样本进行诊断和区分，具有响应速度快、灵敏度高、准确性高和特异性好的特点，并且能够对术后复发的患者进行术后监测。该项研究表明，这种低成本、高性能的电子鼻系统可以在快速无创疾病诊断和个性化医疗保健的应用方面具有巨大的潜力，同时对开发新型低成本的便携式泌尿系统疾病诊断和监测设备提供了参考。
PS：“智能传感”团队依托西安电子科技大学先进材料与纳米科技学院应用化学系、前沿交叉研究院“智能传感”前沿交叉研究中心共同建设，团队面向化学传感器制备与应用，纳米材料、分析化学、半导体物理、流体力学等多学科交叉融合，系统解决化学传感器特征值如何有效产生、准确提取和精确识别的关键科学问题。近年来在Nano-Micro Letters、Nano Research、Chemical Reviews、Advanced Materials、Advanced Functional Materials、Advanced Healthcare Materials等期刊发表多项工作。
*感谢论文作者团队对本文的大力支持。
联系客服
