基于伊朗大米和意大利面中重金属暴露的癌症风险概率评估：一种结合了ICPAES、INAA和集成机器学习的新混合框架

《Scientific Reports》：Probabilistic cancer risk assessment from heavy metal exposure in iranian rice and pasta: a novel hybrid framework integrating INAA, ICP-AES, and ensemble machine learning

　　

摘要

本研究利用实验数据和机器学习方法，基于19个实验样本和1,750个模拟暴露案例，探讨了大米和意大利面中重金属暴露对癌症风险的影响。通过仪器中子活化分析（INAA）和ICP-AES分析技术，定量测量了多种大米品种和意大利面类型中的有毒重金属浓度。实验测得的金属浓度被纳入超额寿命癌症风险（ELCR）框架中，并开发了多种机器学习模型用于ELCR框架内的敏感性分析和特征优先级排序。与预测未知结果不同（因为ELCR在数学上是确定性的），这些模型旨在量化在概率不确定性下每个暴露参数对总体癌症风险的相对贡献。回归分析表明，暴露持续时间是最重要的风险因素（R2 = 0.263，p < 0.001），其次是铬的生物利用度（R2 = 0.125）和意大利面的消费模式。集成方法对特征重要性进行了稳健的排序，展示了机器学习如何通过实现多维度敏感性和不确定性分解来补充确定性风险模型。根据不同的消费情景，计算出的ELCR值范围从1.2 × 10??（可接受）到1.8 × 10??（不可接受）。癌症风险估计值因消费情景的不同而介于可接受和不可接受之间。将实验分析化学与机器学习相结合，为膳食癌症风险评估提供了一种稳健的方法。这种方法为食品安全法规和公共卫生保护提供了可靠的数据。