Неинвазивная диагностика злокачественных новообразований верхних дыхательных путей на основе анализа маркеров в выдыхаемом воздухе

Цель исследования – изучение диагностической возможности сенсорного газоаналитического аппарата при исследовании образцов выдыхаемого газа, полученных у больных раком орофарингеальной области и гортани.

Материал и методы. Объектом исследования были пробы выдыхаемого газа от 31 больного раком орофарингеальной области и гортани, а также 31 здорового добровольца. Предлагаемый метод основан на анализе проб выдыхаемого газа исследуемых лиц при помощи разработанного авторами диагностического прибора, созданный на детекции летучих соединений в вдыхаемом воздухе посредством набора полупроводниковых сенсоров с последующим нейросетевым анализом.

Результаты. По сигналам с данных сенсоров нейронная сеть проводила классификацию и выявление пациентов со злокачественными новообразованиями. Чувствительность и специфичность метода составили 67,74 и 87,1 % соответственно.

Заключение. Созданный газоаналитический сенсорный аппарат и метод диагностики опухолей орофарингеальной области и гортани посредством анализа выдыхаемого газа является доступным и дешевым диагностическим этапом и перспективен в отношении скрининга широких слоев населения с целью отбора лиц для комплексного обследования (эндоскопического, рентгенологического и морфологического) при выявлении подозрения на онкологический процесс.

1. Состояние онкологическои помощи населению России в 2021 году. Под ред. А.Д. Каприна, В.В. Старинского, А.О. Шахзадовой. М., 2022. 239 с.

2. Панферова О.И., Николенко В.Н., Кочурова Е.В., Кудасова Е.О. Этиология, патогенез, основные принципы лечения плоскоклеточного рака слизистой оболочки полости рта. Голова и шея. 2022; 10(2): 69–77. doi: 10.25792/HN.2022.10.2.69-77.

3. The National Comprehensive Cancer Network [Internet]. Clinical Practice Guidelines in Oncology. [cited 2023 May 15]. URL: https://www.nccn.org/professionals/physician_gls/default.aspx.

4. Harris A., Lyu L., Wasserman-Winko T., George S., Johnson J.T., Nilsen M.L. Neck Disability and Swallowing Function in Posttreatment Head and Neck Cancer Patients. Otolaryngol Head Neck Surg. 2020; 163(4): 763–70. doi: 10.1177/0194599820923630.

5. Krilaviciute A., Stock C., Leja M., Brenner H. Potential of noninvasive breath tests for preselecting individuals for invasive gastric cancer screening endoscopy. J. Breath Res. 2018; 12. doi: 10.1088/1752-7163/aab5be.

6. Bouza M., Gonzalez-Soto J., Pereiro R., de Vicente J.C., SanzMedel A. Exhaled breath and oral cavity VOCs as potential biomarkers in oral cancer patients. J Breath Res. 2017; 11(1). doi: 10.1088/1752-7163/aa5e76.

7. Leunis N., Boumans M.L., Kremer B., Din S., Stobberingh E., Kessels A.G., Kross K.W. Application of an electronic nose in the diagnosis of head and neck cancer. Laryngoscope. 2014; 124(6): 1377–81. doi: 10.1002/lary.24463.

8. Opitz P., Herbarth O. The volatilome – investigation of volatile organic metabolites (VOM) as potential tumor markers in patients with head and neck squamous cell carcinoma (HNSCC). J Otolaryngol Head Neck Surg. 2018; 47(1): 42. doi: 10.1186/s40463-018-0288-5.

9. Chernov V.I., ChoynzonovE.L., KulbakinD.E., Obkhodskaya E.V., Obkhodskiy A.V., Popov A.S., Sachkov V.I., Sachkova A.S. Cancer Diagnosis by Neural Network Analysis of Data from Semiconductor Sensors. Diagnostics. 2020; 10(9). doi: 10.3390/diagnostics10090677.

10. Horváth I., Barnes P.J., Loukides S., Sterk P.J., Högman M., Olin A.C., Amann A., Antus B., Baraldi E., Bikov A., Boots A.W., Bos L.D., Brinkman P., Bucca C., Carpagnano G.E., Corradi M., Cristescu S., de Jongste J.C., Dinh-Xuan A.T., Dompeling E., Fens N., Fowler S., Hohlfeld J.M., Holz O., Jöbsis Q., Van De Kant K., Knobel H.H., Kostikas K., Lehtimäki L., Lundberg J., Montuschi P., Van Muylem A., Pennazza G., Reinhold P., Ricciardolo F.L.M., Rosias P., Santonico M., van der Schee M.P., van Schooten F.J., Spanevello A., Tonia T., Vink T.J. A European Respiratory Society technical standard: exhaled biomarkers in lung disease. Eur Respir J. 2017; 49(4). doi: 10.1183/13993003.00965-2016.

11. Shakeel P.M., Tolba A., Al-Makhadmeh Z., Jaber M.M. Automatic detection of lung cancer from biomedical data set using discrete AdaBoost optimized ensemble learning generalized neural networks. Neural Computing and Applications. 2020; 32: 777–90.

12. Becker M., Zaidi H. Imaging in head and neck squamous cell carcinoma: the potential role of PET/MRI. Br J Radiol. 2014; 87(1036). doi: 10.1259/bjr.20130677.