ترجمه فارسی مقاله تجزیه و تحلیل تنفس سریع و غیر تهاجمی برای افزایش تشخیص سیلیکوزیس با استفاده از طیف سنجی جرمی و یادگیری ماشینی قابل تفسیر

چکیده

Occupational lung diseases, such as silicosis, are a significant global health concern, especially with increasing exposure to engineered stone dust. Early detection of silicosis is helpful for preventing disease progression, but existing diagnostic methods, including X-rays, CT scans, and spirometry, often detect the disease only at late stages. This study investigates a rapid, non-invasive diagnostic approach using atmospheric pressure chemical ionization-mass spectrometry (APCI-MS) to analyse volatile organic compounds (VOCs) in exhaled breath from 31 silicosis patients and 60 healthy controls. Six different interpretable machine learning (ML) models with Shapley additive explanations (SHAP) were applied to classify these samples and determine VOC features that contribute the most significantly to model accuracy. The extreme gradient boosting (XGB) classifier demonstrated the best performance, achieving an area under the receiver-operator characteristic curve of 0.933 with the top ten SHAP features. The m/z 442 feature, potentially corresponding to leukotriene-E3, emerged as a significant predictor for silicosis. The VOC sampling and measurement process takes less than five minutes per sample, highlighting its potential suitability for large-scale population screening. Moreover, the ML models are interpretable through SHAP, providing insights into the features contributing to the model’s predictions. This study suggests that APCI-MS breath analysis could enable early and non-invasive diagnosis of silicosis, helping to improve disease outcomes.

چکیده به فارسی (ترجمه ماشینی)

بیماریهای ریه شغلی ، مانند سیلیکوز ، یک نگرانی مهم در مورد سلامت جهانی است ، به ویژه با افزایش قرار گرفتن در معرض گرد و غبار سنگ مهندسی شده.تشخیص زودرس سیلیکوز برای جلوگیری از پیشرفت بیماری مفید است ، اما روشهای تشخیصی موجود ، از جمله اشعه ایکس ، سی تی اسکن و اسپیرومتری ، اغلب بیماری را فقط در مراحل دیررس تشخیص می دهند.این مطالعه به بررسی یک روش تشخیصی سریع و غیر تهاجمی با استفاده از طیف سنجی یونیزاسیون شیمیایی فشار اتمسفر (APCI-MS) برای تجزیه و تحلیل ترکیبات آلی فرار (VOC) در نفس بازدم از 31 بیمار سیلیکوز و 60 کنترل سالم می پردازد.شش مدل مختلف یادگیری ماشین قابل تفسیر (ML) با توضیحات افزودنی Shapley (ShAP) برای طبقه بندی این نمونه ها و تعیین ویژگی های VOC که مهمترین آنها را در دقت مدل می کند ، استفاده شد.طبقه بندی کننده شیب شدید (XGB) بهترین عملکرد را نشان داد و به یک منطقه تحت منحنی مشخصه گیرنده-اپراتور 0.933 با ده ویژگی برتر شکل رسید.ویژگی M/Z 442 ، به طور بالقوه مربوط به Leukotriene-E3 ، به عنوان یک پیش بینی کننده مهم برای سیلیکوز ظاهر شد.فرآیند نمونه برداری و اندازه گیری VOC در هر نمونه کمتر از پنج دقیقه طول می کشد ، و مناسب بودن بالقوه آن را برای غربالگری جمعیت در مقیاس بزرگ نشان می دهد.علاوه بر این ، مدل های ML از طریق Shap قابل تفسیر هستند و بینش هایی در مورد ویژگی های کمک به پیش بینی های مدل ارائه می دهند.این مطالعه نشان می دهد که تجزیه و تحلیل نفس APCI-MS می تواند تشخیص زودرس و غیر تهاجمی سیلیکوز را فراهم کند و به بهبود نتایج بیماری کمک می کند.