基于质谱技术的呼出气体分析：一种用于肺癌检测的有前景的诊断工具

《Holistic Integrative Oncology》：Mass spectrometry-based analysis of exhaled gases: a promising diagnostic tool for lung cancer detection

　　摘要
目的
呼出气体分析是一种无创且简单的方法，可用于肺癌的诊断。本研究旨在评估呼出气体中的特征化合物是否可以作为肺癌的特异性诊断标志物。

方法
本研究共招募了410名参与者，包括102名健康个体和308名肺癌患者。使用自主研发的呼出气体收集装置收集参与者的呼出气体，然后通过提取电喷雾电离质谱法（EESI-MS）检测这些气体。随后，通过偏最小二乘判别分析（PLS-DA）筛选出显著不同的化合物。最后，利用支持向量机（SVM）算法构建了肺癌诊断模型。

结果
通过PLS-DA分析，在正离子模式和负离子模式下，分别获得了17种和11种在两组参与者中都存在的特征化合物。基于第三组参与者构建的肺癌诊断模型，在正离子模式下包含17种特征化合物，准确率为92.50%，敏感性为92.39%；在负离子模式下，包含11种特征化合物的模型表现同样出色，准确率为90.83%，敏感性为94.57%。在第一组和第二组中的交叉验证证实了该模型的稳健性，曲线下面积值超过0.97，准确率和敏感性均超过90.00%。最终，共鉴定出28种具有显著差异的代谢物。

结论
本研究强调了呼出气体分析作为肺癌诊断可靠方法的潜力。

试验注册
ClinicalTrials.gov NCT06086587，注册日期为2023年9月26日。EESI离子源是由实验室内部制造的，实验装置在图3中以示意图的形式展示。EESI-MS的操作流程包括准备两根注射针头及其相应的注射泵，通过毛细管、柔性导管、双向接口等部件将它们连接到喷雾器上，同时将它们连接到鞘气和辅助气体通道。这两个喷雾器分别作为样品通道和电喷雾（离子化试剂）通道。在电喷雾通道上施加高电压，样品通道中的中性样品和电喷雾通道中的离子化试剂液滴被连续引入质谱仪（MS）入口前的区域。通过相互碰撞和液-液萃取，分析物被提取到离子化试剂中，完成脱溶过程并获取分析物的离子。随后，分析物的离子被引导进入MS进行分析，从而获得MS信号。在实验过程中，MS参数设置如下：扫描模式设置为全扫描，分辨率为70,000.00；正离子和负离子模式的电离电压分别设置为+3000.00 V和-2500.00 V；鞘气和辅助气体的流速均为60.00 Arb.，离子传输管温度为320.00℃；离子化试剂为CH3OH/H2O/HCOOH（90.00:10.00:0.10，v/v/v）溶液；样品流速和离子化试剂流速均为20.00 μL/min，扫描范围为m/z 50.00-750.00；在进行高能碰撞解离和碰撞诱导解离分析时，碰撞能量精细调节至5.00%至60.00%的范围；母离子的隔离宽度精确设置为2.00 m/z。除非另有说明，所有其他参数均采用仪器的默认设置。

图2：该图像的替代文本可能是使用AI生成的。全尺寸图像。

本研究的研究思路图。通过使用自开发的分子评估器分析呼出气体，获得了用于肺癌诊断和治疗效果的分子指纹。该评估器作为肺癌诊断和效果评估的分子标志。

图3：该图像的替代文本可能是使用AI生成的。全尺寸图像。呼出气体收集过程和用于肺癌诊断和治疗效果的自开发分子评估器。呼出气体采样和分析的流程示意图。受试者的呼出气体通过气体收集装置收集在棕色收集瓶中，然后进行EESI-MS分析，最后对数据进行处理。B 自开发的呼出气体收集瓶。吹气和排气端口装有纳米银过滤器，瓶内含有用于提取呼出气体中VOCs的提取液。C 用于肺癌诊断和治疗效果的自开发分子评估器。它包含一个封闭的离子化系统、数据采集和处理系统以及支持连接系统。离子化主要使用EESI进行。

2.4 EESI-MS数据处理与分析
初始阶段包括仔细分组和压缩原始MS数据，然后通过一系列预处理步骤进行处理，包括峰值识别、对齐、完整性验证和缺失值插补，所有这些步骤均借助MetaboAnalyst（版本6.0）完成。接下来进行偏最小二乘判别分析（PLS-DA），并通过严格的交叉验证和排列测试来评估模型对抗过拟合的鲁棒性。一旦确定了模型的显著性，就通过t检验识别出显著不同的化合物。利用支持向量机（SVM）算法构建了肺癌诊断模型，并通过绘制接收者操作特征（ROC）曲线和生成混淆矩阵来评估模型的准确性。借助高分辨率MS1和MS2光谱以及人类代谢组数据库（HMDB，https://hmdb.ca/）的帮助，识别出显著不同的化合物，这些化合物达到了2级置信度。

2.5 临床数据分析
定量数据总结为平均值±标准误差（SE）或中位数（第三四分位数、第一四分位数），分类数据按频率编制。对于正态分布或偏态分布的变量，使用t检验或Mann-Whitney U检验来测试其显著性。卡方检验用于确定分类数据组间的统计差异。统计分析使用SPSS统计软件（版本26.0，IBM公司）进行。统计显著性在p值小于0.05的阈值下确定。

3 结果
3.1 研究概述和基线特征
在本研究中，我们共招募了410名受试者，包括102名健康个体和308名肺癌患者（见补充表1和补充表2）。这些受试者通过分组随机化方法分为三个队列。队列1包括121名肺癌患者和33名健康个体；队列2包含95名肺癌患者和41名健康个体；队列3有92名肺癌患者和28名健康个体。我们的观察结果显示，肺癌患者的年龄显著高于健康个体。此外，超过54.00%的患者处于肺癌的早期和中期（I-III期）。这些患者中最主要的肺癌类型是NSCLC，占病例的86.04%，其中腺癌是最常见的亚型，占47.17%。在治疗方法方面，大约22.00%的患者仅接受化疗，27.00%的患者接受化疗和免疫疗法的联合治疗。另有12.00%的患者接受了靶向治疗。基因分析在患者中发现了9种不同的突变类型，EGFR L858R突变和EGFR 19DEL突变分别发生在6.49%和8.44%的病例中。

3.2 肺癌患者和健康受试者呼出气体中特征化合物的筛选
从参与者那里收集呼出气体，并使用EESI-MS进行质谱分析。建立了诊断模型，并使用PLS-DA模型筛选差异代谢物。结果显示，在队列1中，正离子和负离子模型都能区分肺癌患者和健康个体。然后对模型进行交叉验证，在正离子模型中，PLS-DA模型的R2=0.998，Q2=0.995，表明其拟合度和预测能力良好。在负离子模型中，PLS-DA模型的R2=0.995，Q2=0.988（见图4A-D和补充图2A，B）。

图4：该图像的替代文本可能是使用AI生成的。全尺寸图像。
健康个体和肺癌患者中差异代谢物的筛选。A、C 队列1中正离子和负离子模式下的PLS-DA得分图。B、D 队列1中正离子和负离子模式下PLS-DA模型的排列检验验证图。P值小于0.05表示模型没有过拟合。E、G 队列2中正离子和负离子模式下PLS-DA得分图。F、H 队列2中正离子和负离子模式下PLS-DA模型的排列检验验证图。

随后，我们对队列2进行了PLS-DA分析，同样，正离子和负离子模型都能有效区分肺癌患者和健康个体。此外，模型在正离子和负离子模式下都表现出高拟合度和预测能力（正离子模式：R2=0.999，Q2=0.995；负离子模式：R2=0.998，Q2=0.987）（见图4E-H和补充图2C，D）。当变量重要性（VIP）>1.00且p值<0.05时，认为代谢物在肺癌患者和健康个体之间存在显著差异。随后，将队列1和队列2筛选出的代谢物进行交集处理。将离子的m/z值在HMDB中搜索，以识别出正离子模式下17种特征化合物和负离子模式下11种特征化合物。关于28种显著不同化合物的详细信息见补充表3。

3.3 使用SVM算法构建肺癌诊断模型
在正离子和负离子模式下，使用SVM算法在队列3中建立了诊断模型。分析显示，在正离子模式下，17种特征化合物的组合提供了最佳的诊断性能，曲线下面积（AUC）为0.98，表明模型具有出色的区分能力（见图5A）。混淆矩阵显示误分类率较低（见图5B）。此时，模型的准确率为92.50%，灵敏度为92.39%，表明其能够正确识别肺癌患者和健康个体。同时，在负离子模式下，最优诊断模型由11种特征化合物组合构成，AUC为0.92，表明模型性能良好（见图5D）。负离子模式的混淆矩阵显示总体准确率为90.83%，灵敏度为94.57%（见图5E）。

图5：该图像的替代文本可能是使用AI生成的。全尺寸图像。
使用SVM算法的肺癌诊断模型。A 正离子模式下不同特征物质组合的AUC曲线。17种特征物质的组合是最优的，AUC值为0.98。根据Youden指数分析，最大诊断效果（Youden指数）为0.85。最优临界值0.91的灵敏度为0.92，特异性为0.93。B 正离子模式下的混淆矩阵图：分数0代表肺癌，1代表健康。7个健康样本被误分类为癌症（假阳性）。模型的准确率为92.50%，灵敏度为92.39%，特异性为92.86%。C 最优模型中17种差异物质的谱峰强度，比较肺癌患者和健康个体在正离子模式下的情况。D 负离子模式下11种特征物质的AUC为0.92。根据Youden指数分析，最大诊断效果为0.73。最优临界值0.84的灵敏度为0.95，特异性为0.79。E 负离子模式下混淆矩阵图：分数0代表肺癌，1代表健康。5个癌症样本被误分类为健康（假阴性）。模型的准确率为90.83%，灵敏度为94.57%，特异性为98.57%。F 最优模型中11种差异物质的谱峰强度，比较肺癌患者和健康个体在负离子模式下的情况。

3.4 肺癌诊断模型的交叉验证
在开发出肺癌诊断模型后，我们使用队列1和队列2进行了严格的交叉验证以评估其诊断效果。如图6A、C、E和G所示，结果显示模型的预测能力很强，AUC值超过0.97，适用于两个队列。这一高AUC值证明了模型在区分不同诊断类别方面的鲁棒性。混淆矩阵进一步证实了模型的高性能，显示在正离子模式下，队列1和队列2的准确率均超过97.00%，灵敏度超过96.00%（见图6B，F）。在负离子模式下，模型的准确率超过93.00%，灵敏度超过90.00%（见图6D，H）。这些结果表明基于呼出气体的诊断模型在两个队列中都表现良好。

图6：该图像的替代文本可能是使用AI生成的。全尺寸图像。
肺癌诊断模型的交叉验证。A 队列1在正离子模式下的ROC曲线，AUC=0.99。B 队列1在正离子模式下的混淆矩阵，预测准确率为98.70%，灵敏度为98.35%，特异性为100.00%。C 队列1在负离子模式下的混淆矩阵，预测准确率为98.05%，灵敏度为98.35%，特异性为96.97%。D 队列2在正离子模式下的ROC曲线，AUC=0.99。F 队列2在负离子模式下的混淆矩阵，预测准确率为97.79%，灵敏度为96.84%，特异性为100.00%。G 队列2在负离子模式下的ROC曲线，AUC=0.97。H 组2在负离子模式下的混淆矩阵显示，预测准确率为93.38%，灵敏度为90.52%，特异性为100.00%。

3.5 吸烟状况对肺癌诊断模型性能的影响
考虑到吸烟史是肺癌病因学中的一个关键因素，我们进行了亚组分析以确认模型的稳健性。根据吸烟状况对参与者进行分层后，我们发现模型的区分能力保持稳定；在所有验证队列中，吸烟者与非吸烟者之间的AUC没有显著差异（p > 0.05，见补充图3）。

4 讨论
呼出气体含有丰富的代谢信息，为快速、无创的疾病检测提供了有希望的途径[42]。收集呼出气体是这一诊断过程中的关键步骤。目前，收集呼出气体的主要方法依赖于一系列专门的收集袋，如Tedlar袋、聚酯薄膜和铝袋。在这些选项中，Tedlar袋因其卓越的性能和可靠性而脱颖而出[43]。然而，当样品中的VOC浓度较低或仪器的检测灵敏度不足以进行直接采样测试时，通常会使用热脱附管来吸附和富集VOC，从而提高分析的精度[44]。尽管这些气体收集方法有用，但它们并非没有缺点。呼出气体收集袋无法实现浓缩富集，导致灵敏度提升效果不佳。此外，收集袋内表面的冷凝会吸附大量VOC，进一步削弱检测信号[45]。呼出气体中含有大量的气溶胶颗粒，包括蛋白质、核酸、固体颗粒甚至病毒。使用热脱附管重复采样容易导致污染，影响检测准确性，在严重情况下还会引起交叉感染。没有可靠的采样方法，就无法确保测试数据的可靠性。因此，对于呼出气体光谱检测来说，设计一种高度标准化、一致、安全、可靠且能够排除环境干扰的采样方案是一个亟待解决的问题[43]。在这项研究中，我们独立开发了一种呼出气体收集器，该收集器使用单向阀门进行吹气和排气，并结合了纳米银过滤技术。此外，收集瓶内含有提取溶液，可以富集呼出气体。它还具有快速自动病毒灭活功能，以防止交叉污染。

目前，基于呼出气体的疾病分析和检测设备主要使用GC-MS技术，这需要复杂的样品预处理步骤，例如对呼出气体样品进行冷凝处理。鉴于呼出气体分析属于微量分析，预浓缩步骤对于提高检测过程的灵敏度至关重要[46]。然而，富集阶段可能会导致样品材料的损失，分析过程通常非常耗时，单个样品的分析往往需要超过30分钟[47]。目前可用的商用呼出气体分析传感器虽然简化了样品处理步骤，但仅限于检测单一组分化合物。它们的检测能力往往不稳定，并且经常受到呼出气体中水蒸气的影响，导致灵敏度下降[48, 49]。另一种用于呼出气体分析的光学方法主要使用中红外或近红外吸收光谱技术。这些技术非常适合分析挥发性小有机分子，但无法检测非挥发性化合物。此外，可识别化合物的数量受到光谱设备能力的限制[50]。此外，在分析之前还需要对气溶胶样品进行富集和浓缩，并消除水蒸气的干扰[51]。在我们的研究中，我们构建了一个EESI电离系统，能够快速且全面地分析呼出气体。在EESI过程中，指定的试剂通过ESI吸收能量，转化为能量载体。然后，该载体将其能量传递给分布在三维空间中的样品分子，实现提取和电离。随后对样品进行即时质谱分析。这一简化过程仅需几秒钟，无需样品富集或预处理，并且能够检测挥发性和非挥发性化合物。EESI系统允许以非侵入性、无压力、无污染的方式收集患者样本，确保采样过程不会造成损失或污染。尽管具有这些分析优势，但EESI-MS仪器的高初始成本可能成为其广泛临床应用的障碍。与LC-MS相比，EESI-MS通过无试剂、高通量分析降低了成本，无需复杂的样品制备。其实时处理能力显著降低了大规模临床环境中的每次测试费用。此外，采用以区域中心实验室为中心的集中诊断框架可以通过最大化仪器在广泛临床网络中的使用来抵消高初始资本支出。

最早分析呼出气体中VOC作为诊断生物标志物的研究发表于1985年[52]。随后，Poli等人提出了一种由13种烷烃和芳香烃组成的VOC谱型，用于区分肺癌患者和健康个体，总体准确率为82.00%，灵敏度和特异性分别为72.20%和93.60%[53]。然而，该研究受到样本量有限的限制，仅包括36名NSCLC患者和50名对照组受试者，并且缺乏外部队列的验证。因此，模型的精确度和灵敏度需要进一步改进。在Wang等人的研究中，样本量增加到207例，他们使用了热脱附GC-MS和固相微萃取GC-MS来分析VOC。然而，模型的准确率仅达到了70.00%到80.00%的范围内[54]。在这项研究中，我们对410名参与者的呼出气体进行了分析，以开发肺癌诊断模型。该模型在正离子模式下纳入了17种显著不同的化合物，在负离子模式下纳入了11种特征化合物。在两种离子模式下，模型的准确率和灵敏度均超过了90.00%，证明了其作为肺癌检测工具的潜力。本研究开发的肺癌诊断模型的精确度明显高于以往的研究报告。鉴于吸烟是肺癌的关键风险因素，我们进行了亚组分析以评估其对模型性能的影响。我们的结果表明，模型的诊断效果并未受到吸烟状况的显著影响。这表明所识别的生物标志物与肺癌细胞本身的代谢重编程密切相关，而不仅仅是烟草暴露的外源性化学标志物。基于这一稳健的性能，我们进一步讨论了临床应用的策略，包括调整临界值。在这项研究中，我们最初使用Youden指数来定义一个平衡阈值，最大化灵敏度和特异性的总和。然而，最佳临界值不是静态值，而应根据具体临床目标进行调整。在大规模人群筛查（例如常规体检）的背景下，主要目标是尽量减少错过早期肺癌病例（假阴性）的风险。在这种情况下，应采用较低的临界值以优先考虑高灵敏度。相反，在疑似结节患者的门诊环境中，可以使用较高的临界值来最大化特异性，从而减少患者的焦虑并避免不必要的侵入性程序。

目前，基于呼出气体的疾病分析和检测设备主要使用GC-MS技术，这需要复杂的样品预处理步骤，例如对呼出气体样品进行冷凝处理。鉴于呼出气体分析属于微量分析，预浓缩步骤对于提高检测过程的灵敏度至关重要[46]。然而，富集阶段可能导致样品材料的损失，分析过程明显较长，通常需要超过30分钟来分析单个样品[47]。目前可用的商用呼出气体分析传感器虽然简化了样品处理步骤，但仅限于检测单一组分化合物。它们的检测能力往往不稳定，并且经常受到呼出气体中水蒸气的影响，导致灵敏度下降[48, 49]。替代的光学方法主要使用中红外或近红外吸收光谱。这些技术非常适合分析挥发性小有机分子，但无法检测非挥发性化合物。此外，可识别化合物的数量受到光谱设备能力的限制[50]。此外，在分析之前还需要对气溶胶样品进行富集和浓缩，并消除水蒸气的干扰[51]。在我们的研究中，我们构建了一个EESI电离系统，能够快速且全面地分析呼出气体。在EESI过程中，指定的试剂通过ESI吸收能量，转化为能量载体。然后，该载体将其能量传递给分布在三维空间中的样品分子，实现提取和电离。随后对样品进行即时质谱分析。这一简化过程仅需几秒钟，无需样品富集或预处理，并且能够检测挥发性和非挥发性化合物。EESI系统允许以非侵入性、无压力、无污染的方式收集患者样本，确保采样过程不会造成损失或污染。尽管具有这些分析优势，但EESI-MS仪器的高初始成本可能成为其广泛临床应用的障碍。与LC-MS相比，EESI-MS通过无需试剂、高通量分析降低了成本，无需复杂的样品制备。其实时处理能力显著降低了大规模临床环境中的每次测试费用。此外，采用以区域中心实验室为中心的集中诊断框架可以通过最大化仪器在广泛临床网络中的使用来抵消高初始资本支出。

最早分析呼出气体中VOC作为诊断生物标志物的研究发表于1985年[52]。随后，Poli等人提出了一种由13种烷烃和芳香烃组成的VOC谱型，用于区分肺癌患者和健康个体，总体准确率为82.00%，灵敏度和特异性分别为72.20%和93.60%[53]。然而，该研究受到样本量有限的限制，仅包括36名NSCLC患者和50名对照组受试者，并且缺乏外部队列的验证。因此，模型的精确度和灵敏度需要进一步改进。在Wang等人的研究中，样本量增加到207例，他们使用了热脱附GC-MS和固相微萃取GC-MS来分析VOC。然而，模型的准确率仅达到了70.00%到80.00%的范围内[54]。在这项研究中，我们对410名参与者的呼出气体进行了分析，以开发肺癌诊断模型。该模型在正离子模式下纳入了17种显著不同的化合物，在负离子模式下纳入了11种特征化合物。在两种离子模式下，模型的准确率和灵敏度均超过了90.00%，证明了其作为肺癌检测工具的潜力。本研究开发的肺癌诊断模型的精确度明显高于以往的研究报告。鉴于吸烟是肺癌的关键风险因素，我们进行了亚组分析以评估其对模型性能的影响。我们的结果表明，模型的诊断效果并未受到吸烟状况的显著影响。这表明所识别的生物标志物与肺癌细胞本身的代谢重编程密切相关，而不仅仅是烟草暴露的外源性化学标志物。基于这一稳健的性能，我们进一步讨论了临床应用的策略，包括调整临界值。在这项研究中，我们最初使用Youden指数来定义一个平衡阈值，最大化灵敏度和特异性的总和。然而，最佳临界值不是静态值，而应根据具体临床目标进行调整。在大规模人群筛查（例如常规体检）的背景下，主要目标是尽量减少错过早期肺癌病例（假阴性）的风险。在这种情况下，应采用较低的临界值以优先考虑高灵敏度。相反，在疑似结节患者的门诊环境中，可以使用较高的临界值来最大化特异性，从而减少患者的焦虑并避免不必要的侵入性程序。

目前，对呼出气体中潜在肺癌生物标志物的识别揭示了一系列挥发性有机化合物，包括烷烃、它们的衍生物、苯衍生物、醛类、酮类等[29]。然而，关于呼出气体中非挥发性化合物的研究相对较少。在这项研究中，我们检测到了呼出气体中的非挥发性代谢分子，如腺苷琥珀酸（ASA）和脂质，包括溶血磷脂酰胆碱（LPC）、单甘油酯和磷脂酸。对非挥发性化合物的这项研究可能为肺癌生物标志物提供新的见解。ASA是嘌呤代谢途径中的关键中间体，它促进了肌苷一磷酸和腺苷一磷酸之间的转化，产生富马酸作为副产品[55]。大量研究表明，嘌呤代谢的失调与多种癌症的发展和进展有关，包括肺癌。嘌呤代谢物的积累可以刺激癌细胞的增殖[56]。在肺癌细胞中，嘌呤代谢的重编程可能促进肿瘤生长和存活[57]。此外，Zhang等人的研究观察到，与亲本细胞相比，耐药性持续细胞中的ASA水平升高[58]。这表明ASA可能通过嘌呤代谢影响肺癌的发生，尽管具体作用机制需要进一步研究。此外，脂质代谢紊乱可能与肺癌发展的病理生理学密切相关。例如，LPC可以通过磷脂酶D的作用酶促转化为溶血磷脂酸（LPA）。LPA作为一种强效信号分子，可以刺激细胞增殖，这一过程与肿瘤发生密切相关[59, 60]。此外，观察到肺癌患者的血浆LPC水平显著降低。这种降低可能表明肺癌腺癌细胞的新生物殖伴随着溶血磷脂酰胆碱酰转移酶表达的失调，这种酶负责LPC的合成[59, 60]。需要进一步的研究来阐明这些观察结果背后的机制，特别是LPC及相关脂质代谢物在肺癌进展和诊断中的应用。

总之，本研究结合了呼出气体分析和EESI-MS，成功识别了一系列关键的VOC作为肺癌的潜在生物标志物。本研究构建的诊断模型表现出卓越的性能，提供了明确且有力的证据，支持呼出气体分析在肺癌早期和非侵入性诊断中的应用。这项研究的核心优势在于其非侵入性和高患者依从性。与传统的活检或支气管镜检查等侵入性程序相比，呼出气体收集过程简单、无痛且高度可重复，显著提高了患者的接受度。此外，它能够实现快速、实时的数据采集，适用于大规模、高通量的肺癌筛查和高风险人群的动态监测。然而，这项研究也存在某些局限性。首先，这是一项单中心探索性研究，样本量相对有限。尽管结果令人鼓舞，但诊断模型的普遍性、稳定性和临床适用性需要在更大、更多样化的多中心前瞻性队列中进行严格的外部验证。其次，呼出气体的组成容易受到各种混杂因素的影响（例如饮食、吸烟史、环境暴露和同时使用的药物）。此外，对照组仅由健康个体组成。我们没有评估模型区分肺癌和良性肺部疾病（例如慢性阻塞性肺疾病、肺炎）的能力，这代表了更具临床相关性的诊断挑战。此外，由于这项研究主要关注生物标志物的识别和诊断模型的建立，对差异性VOC的代谢起源和产生机制的分子生物学探索还不够深入。作为下一步，我们计划进行一项前瞻性、大规模、多中心的临床研究，全面评估呼出气体分析在肺癌早期诊断、治疗反应预测和疾病复发监测中的实际临床价值。未来的工作应包括良性肺部疾病，以验证模型在现实世界环境中的特异性。同时，我们将深入研究VOC产生的分子机制，并整合多维临床和病理数据。这将使我们能够构建更加稳健和可靠的诊断模型，同时积极推动呼出气体分析技术的临床转化和标准化。

5 结论
在这项研究中，我们开发了一种新型呼出气体收集器，并构建了EESI，以高效收集和分析呼出气体中的特征化合物。通过整合机器学习算法，我们开发了一个准确率超过90.00%的诊断模型，能够准确区分肺癌患者和健康个体。这项研究提出了一种新的、非侵入性的肺癌早期诊断方法。