基于PTR-TOF MS的早期肝细胞癌患者呼出气挥发性有机化合物特征筛选及诊断模型构建OA

目的采用质子转移反应飞行时间质谱(PTR-TOF MS)筛选早期肝细胞癌(HCC)患者呼出气挥发性有机化合物(VOCs)特征,构建诊断模型,评估其在无创检测中的应用价值。方法回顾性收集2025年2月至11月浙江省肿瘤医院203例早期原发性HCC患者(早期HCC组)的临床资料,另以137名健康状况良好的志愿者作为健康对照组。采用PTR-TOF MS检测呼出气VOCs,经数据预处理[主成分分析(PCA)观察分离趋势]、异常值剔除及随机欠采样后,按约4∶1比例随机划分为训练集与验证集。构建轻量梯度提升机(LightGBM)等10种机器学习分类模型并筛选最优模型,采用独立验证集,绘制ROC曲线、混淆矩阵并计算AUC,评估最优模型区分早期HCC患者与健康人群的诊断效能。采用沙普利加性解释(SHAP)分析筛选核心特征并验证组间差异。结果PCA可见原始样本存在少量离群异常样本,剔除后再次进行PCA,前3个主成分空间内样本分布更为集中,且早期HCC与健康对照的VOCs代谢谱存在明显分布偏移。筛选得到LightGBM为最优分类模型,验证集准确率、灵敏度、特异度分别为0.962、0.923、1.000;基于SHAP分析筛选得到m/z 231、m/z 104、m/z 195等核心VOCs特征,组间比较证实上述关键质谱信号在两组人群中的表达分布存在差异(均P<0.05)。结论基于PTR-TOF MS的呼出气VOCs检测结合机器学习方法在早期HCC无创识别中具有良好应用潜力,可为HCC早期筛查提供新的技术手段。