Учёные Сеченовского университета создали модель машинного обучения, способную различать четыре хронических заболевания легких по составу выдыхаемого воздуха. Исследование показало уникальные химические профили для каждого диагноза и потенциал для неинвазивной диагностики, что может ускорить дифференциацию между бронхиальной астмой, ХОБЛ, муковисцидозом и ЛАМ.
Учёные разработали модель ML, анализирующую состав выдыхаемого воздуха 843 участников. Модель распознаёт четыре болезни лёгких по характерным сочетаниям летучих органических соединений, используемых протонной масс-спектрометрией высокого разрешения. Самая высокая точность — для муковисцидоза; общий сигнал различим. Результаты опубликованы в IJMS.
В Сеченовском университете представили нейросетевую модель, которая по данным выдоха различает четыре хронических заболевания лёгких: бронхиальную астму, хроническую обструктивную болезнь лёгких (ХОБЛ), муковисцидоз и лимфангиолейомиоматоз (ЛАМ). Исследование включало анализ образцов воздуха 843 участников и применение протонной масс-спектрометрии высокого разрешения для регистрации летучих органических соединений в режиме реального времени.
Далее данные обрабатывались алгоритмами машинного обучения, которые не искали отдельные вещества, а выявляли характерные комбинации десятков соединений. Результат: каждому заболеванию соответствует свой химический профиль, что позволяет дифференцировать болезни по дыхательному следу. Наиболее точной оказалась идентификация муковисцидоза, однако алгоритм успешно отличал и другие состояния.
Авторы подчёркивают, что перестройка сетей метаболических взаимодействий в зависимости от диагноза отражается в составе выдыхаемого воздуха. Эти особенности могут лечь в основу более точной диагностики и углубления понимания биологических механизмов развития патологий легких. Исследование подчеркивает потенциал неинвазивной диагностики и стимулирует дальнейшее внедрение цифровых методов в клинику.
Экономическая и государственная составляющие импортозамещения остаются предметом обсуждения, но проект демонстрирует, как цифровые инструменты могут ускорить выявление заболеваний и помочь врачам определить направление лечения. Результаты опубликованы в международном журнале и опубликование может открыть новые пути внедрения нейросетевых подходов в дыхательную медицину.
