Применение методов машинного обучения для анализа инфракрасных спектров выдыхаемого человеком воздуха

Неинвазивная диагностика — одно из важнейших направлений развития современной медицины. Во всем мире насчитывается 537 миллионов взрослых в возрасте 20–79 лет (10,5 % из всех взрослых в этой возрастной группе) страдают диабетом в 2021 г. По оценкам международной федерации диабета (IDF), в 2021 году число детей (0–19 лет) и подростков с диабетом I типа составит около 1,2 миллиона. По прогнозам, к 2030 г. это число возрастет до 643 миллионов, а к 2045 г. — до 783 миллионов [1]. Показана возможность анализа уровня глюкозы по выделениям кожи и в дыхании человека [2, 3]. В последнее время активно развивается область, связанная с анализом летучих органических соединений, выделяющихся из человеческого организма [4]. Показано, что подобные соединея выделяются из дыхания (872 соединения), слюны (359 соединений), крови (154 соединения), молока (256 соединений), кожных выделений (532 соединения), мочи (279 соединений) и кала (381 соединение). Ряд летучих органических соединений предстваляет собой биомаркеры конкретного заболевания человека. Так, средняя концентрация ацетона в здоровом дыхании колеблется от 293 до 870 ppb, а этанола — от 27 до 153 ppb [5]. У пациентов, страдающих сахарным диабетом средняя концентрация ацетона может превышать 1800 ppb [6]. В работе [7] показано, что измерение уровня выдыхаемого моноксида углерода (eCO) применимо для оценки состояния младенцев и детей ясельного возраста со стабильной астмой и во время острого приступа астмы. В работах [8–10] показано применение методов машинного обучения для анализа спектров многокомпоненных газовых смесей, в т.ч. выдыхаемого человеком воздуха. В работе [11] показаны возможности применения глубокого обучения для диагностики сахароного диабета 1 типа по инфракрасным спектрам выдыхаемого воздуха.

На рис. 1 представлены внешний вид и оптическая схема экспериментальной установки.

Исследование проводилось с августа 2021 г. по сентябрь 2022 г. на базе МГТУ им. Н.Э. Баумана и ГБУЗ «Морозовская детская городская клиническая больница» ДЗМ. Протокол исследования был одобрен этиеским комитетом Государственного бюджетного учреждения здравоохранения «Детская клиническая больница им. Морозова» Департамента здравоохранения города Москвы (Москва, Россия), № 174 от 18 января 2022 г.

На рис. 2 приведена половозрастная диаграмма здоровых волонтеров и волонтеров, страдающих диабетом I типа. 

Дополнительно были исследоаны 30 волонтеров, страдающих бронхиальной астмой.

В нашей последней работе [11] показана возможность классификации здоровых волнтеров и волонтеров, страдающих сахарным диабетом. Для классификации применялась однослойная свертоная нейронная сеть, параметры который и методы валидации описаны в [11]. Точность классификации при этом не менее 99 %. 

Дополнительный интерес представляет возмодность разделения пациентов одновременно по нескольким классам. Данный подход существенно расширит возможности метода и интерес потенциальных потребителей. Для этой цели дополнительно исследованы 30 пациентов, страдающих астмой. Таким образом, набор данных состоял из 60 здоровых волонтеров (600 спектров), 60 волонтеров, страдающих саханым диабетом (600 спектров), и 30 волонтеров, страдающих бронхиальной астмой (300 спектров).

Для разделения волонетров по ИК спектам выдыхаемого воздуха применялись методы машинного обучения. Так методы понижения размености (метод главных компонент — PCA), позволяют визуально разделить исследуемые группы на классы (рис. 3). Видно, что существует принципиальная возможность классикации анализируемых групп (3 класса — здоровые, диабет, астма).

Результаты применения метода опорных векторов для анализируемых групп сведены в таблицу.

Результаты применения метода опорных векторов

Значение accuracy в этом случае составляет 0,95.

Приведенные в работе результаты показывают принципиальную возможность применения описанного в работе метода для одновеменной диагностики широкого ряда заболеваний, что, однако, требует многочисленных проверок на больших наборах данных и проведения клинических испытаний.