评价受前列腺癌影响的风险的方法与流程

发明背景前列腺癌代表全球男性第二大最常见癌症(Siegel等人,2017)，也是全球第五大常见癌症。血清前列腺特异性抗原(PSA)是目前用于前列腺癌检测、随访和治疗监测的最重要的生物标志物。基于PSA的前列腺癌筛查对该疾病的流行病学具有重要影响。其应用与前列腺癌死亡率的显著降低有关，但也导致惰性前列腺癌的过度诊断和治疗过度，使许多男性暴露于没有益处的治疗中(Lee等人,2017)。其特异性和灵敏度低主要归因于如下事实：血清PSA在良性病症，例如良性前列腺增生和慢性前列腺炎中也可能升高。此外，血清PSA水平受生物变异性影响，这可能与雄激素水平或前列腺治疗方面的差异有关，并且可能具有不同的种族差异(Kryvenko等人,2016)。因此，目前最广泛实施的诊断方法是对PSA值升高的男性进行活检取样。这种手术不仅具有侵入性，而且准确度较低(即，第一次活检时只有30％的检出率)，并且倾向于出现多种并发症，包括败血症和死亡(Anastasiadis等人,2013；Presti等人,2008)。因此，需要更可靠的、非侵入性的方法来评价患者受前列腺癌影响的风险。在评价前列腺癌具有侵袭性风险时，存在许多可利用的方法。一种非常可靠的方法包括根据TNM分类的肿瘤分期结合根据Gleason评分(GS)的组织学分类，但这种方法需要进行前列腺切除术。近来，已经证明训练有素的犬类嗅觉系统可以以高的估计灵敏度和特异性(97％)检测尿样中的前列腺癌特异性的挥发性有机化合物(VOC)。这种方法可能具有为用于检测前列腺癌的PSA采样和前列腺活检提供一种无创的替代方法的潜力，但是需要训练和饲养狗。此外，结果显示前列腺癌特异性VOC可能取决于肿瘤的代谢过程。一般而言，气味分析并不简单，因为它需要对感觉进行客观化；然而，在过去的几十年中，已经实施和开发了用于气味表征和测量的特定技术(Capelli等人,2016)。感官技术是基于表征气味的原理，指的是直接在一组人类评价者上由气味样品引起的感觉。尽管化学分析是一种更加综合的方法，但它可能非常复杂，而且对气味分析并不总是有效。这在复杂气味的表征中尤其如此，因为难以将气味混合物在人体中引起的感觉与其化学组成关联起来，这主要由于气味混合的高度复杂的影响。由于这些原因，使用能够再现哺乳动物嗅觉活动的电子鼻的可能性对于确定早期和非侵入性诊断的现代策略以及可能的前列腺预后来说是一个非常有趣的挑战。基于金属氧化物半导体(MOS)的气体传感器目前广泛应用于使用电子鼻的气味分析领域(James等人,2005；Wilson和Baietto,2009,2011；Loutfi等人,2015)。现有技术近来，已经证明，训练有素的犬类嗅觉系统可以以高的估计灵敏度和特异性(97％)检测尿样中的前列腺癌特异性的挥发性有机化合物(VOC)(Taverna等人,2015)，并且相同的狗还能够检测根治性前列腺切除术后的前列腺癌生化复发(BCR)(Taverna等人,2016)。Roine等人(2012)描述了配备基于WO3的传感器的电子鼻如何能够区分健康的与癌变的前列腺细胞。Asimakopoulos等人(2014)、Santonico等人(2014)、Bernabei等人(2008)和D’Amico等人(2012a和b)描述了配备多种基于金属卟啉的传感器的电子鼻如何用于尿样来诊断前列腺癌。Roine等人(2014)公开了根据通过将尿液加热至37℃产生的尿液样品顶空并使用配备MOS传感器的气相色谱仪来诊断前列腺癌的方法，所述MOS传感器是SnO2和ZnO的复合材料。附图简述图1描绘基于MOS的气体传感器在分析尿液顶空(headspace)期间和之后的典型的响应曲线。图2描绘用于产生待分析的尿液顶空的典型装置。图3描绘用于将健康个体(H)与前列腺癌(PC)个体进行聚类的两个主成分分析评分图。图4描绘用于将高肿瘤侵袭性(GS4)前列腺癌患者与中等肿瘤侵袭性(GS3 4)前列腺癌患者进行聚类的主成分分析评分图。发明详述我们惊奇地发现，三种类型的基于MOS的气体传感器的组合应用可允许从个体的尿样评价该个体受前列腺癌影响的风险，条件是：·尿样通过导管采集或者通过允许直接从个体膀胱中抽取样品的等效方式采集，或者如果采集自然排泄的尿液，则不包含该自然排泄的尿液的末段尿流(lastjet)，这是依据已知的文献(Smith等人,2008)·将尿样在进行分析前加热至50℃以上·分析在湿度受控的环境中进行因此，在本发明的第一方面，提供了一种评价个体受前列腺癌影响的风险的体外方法，该方法包含：a)提供来自所述个体的尿样，该尿样不包含自然排泄的尿样的末段尿流；b)在密闭、湿度受控的环境中将样品加热至50℃以上；c)在湿度控制下，用至少3种基于MOS的气体传感器分析在步骤b)中加热的样品的顶空，其中第一气体传感器的金属氧化物是纯的或掺杂的SnO2，第二传感器的金属氧化物是纯的或掺杂的ZnO，且第三传感器的金属氧化物是纯的或掺杂的SnO2、纯的或掺杂的TiO2和纯的或掺杂的Nb2O5；d)将步骤c)中得到的值与每个传感器的参考值进行比较，由此评价个体受前列腺癌影响的风险。在本发明的该第一方面的一个实施方案中，参考值是从已被分类为无前列腺癌的或通过其他方式受前列腺癌影响的个体的尿样中得到的那些值。我们还惊奇地发现，组合使用上述三种类型的气体传感器，可以评价前列腺癌具有侵袭性的风险。因此，在本发明的第二方面，提供了一种评价个体受前列腺癌的侵袭形式影响的风险的体外方法，该方法包含：a)提供来自所述个体的尿样，该尿样不包含自然排泄的尿样的末段尿流；b)在密闭、湿度受控的环境中将样品加热至50℃以上；c)在湿度控制下，用至少3种基于MOS的气体传感器分析在步骤b)中加热的样品的顶空，其中第一气体传感器的金属氧化物是纯的或掺杂的SnO2，第二传感器的金属氧化物是纯的或掺杂的ZnO，且第三传感器的金属氧化物是纯的或掺杂的SnO2、纯的或掺杂的TiO2和纯的或掺杂的Nb2O5；d)将步骤c)中得到的值与每个传感器的参考值进行比较，由此评价个体受前列腺癌的侵袭形式影响的风险。在本发明的该第二方面的一个实施方案中，参考值包括从已被分类为受前列腺癌影响的个体的尿样中得到的那些值，所述个体具有某种程度的通过其他方式侵袭的风险。在本发明该第二方面的另一个实施方案中，参考值是从已被归类为无前列腺癌和具有某种程度的通过其他方式侵袭的风险的受前列腺癌影响的个体尿样中得到的那些值。如本文所用，术语“第一气体传感器”、“第二气体传感器”和“第三气体传感器”不应被解释为其中传感器在本发明的方法中使用的顺序，而仅被解释为一种将传感器彼此清楚区分的方式。电子鼻是一种仪器，其包含具有部分特异性的电化学传感器阵列和能够识别简单或复杂的气味的合适的模式识别(PR)系统。电子鼻的结构模仿哺乳动物嗅觉系统的结构，因此它分为以下三个组件：·气体检测系统：嗅觉受体的行为由传感器阵列模拟，这些传感器对多种不同的气味做出响应。当传感器接触所分析的有气味的空气时，它们会产生响应信号。·传感器信号处理系统：来自传感器的信息被压缩，从而模拟人类嗅球的行为。·气味识别系统：复杂的PR系统基于以前存储的数据集而鉴定气味，从而模拟人脑中发生的过程。由于传感器是非特异性的，因此，电子鼻无法识别单个的产生气味的化合物，而是提供所分析空气的嗅觉特征(指纹)。为此，必须对仪器进行训练。电子鼻训练包括分析属于已知气味类别的样品：传感器对这些训练样品的响应构成了应当被区分的不同气味类别的“聚类”。电子鼻功能依赖于相似性原理：相似的气味会产生相似的传感器响应。基于此原理，该仪器通过将未知样品产生的传感器响应与训练样品的响应进行比较而对未知样品进行分类。然后将未知样品归类于与它最相似的训练类别。存在可用于此目的不同的数学方法，其属于所谓的“多变量统计分析”。训练阶段是电子鼻分类能力的基础。如果构成训练数据集的不同气味类别的聚类良好，即彼此区分良好，则表明该仪器具有区分不同气味的良好能力，从而导致高的分类准确度。每个电子鼻传感器通常均可以响应于挥发性有机化合物，其电阻发生变化，产生如图1所示的曲线。传感器为所有分析样品生成的一组曲线构成了来自电子鼻的需要进行处理的庞大“原始”数据。电子鼻数据处理由两个基本步骤组成：1.特征提取和选择2.分类特征提取和选择表示为了从传感器响应曲线中提取可进一步处理以进行分类的数值数据而执行的一组操作。从图1所示的这类曲线中可以提取的最典型特征是分析的样品流动前的电阻R0与测量过程中测定的电阻的坪值R之间的电阻比。可以提取的特征的其他实例为(但非穷尽)(Blatt等人,2007)：·测量过程中传感器的电阻变化Δ＝R0-R其中R0是参考条件下的电阻值，而R是随时间变化的电阻值。·参考线与测量过程中达到的电阻最小值之间的比值其中R0是参考条件下的电阻值，而R(t)是随时间变化的电阻值。·积分定义为I＝∫R(t)/t·R0其中R0是参考条件下的电阻值，而R(t)是随时间变化的电阻值。·将由测量的状态图的绘图曲线确定的封闭区域定义为x＝R(t)；y＝dR(t)/dt其中R(t)是随时间变化的电阻值。·测量过程中达到的电阻最小值S＝min(R(t))其中R(t)是随时间变化的电阻值。由于可以从传感器响应曲线中提取的特征的数量和类型几乎是不受限制的，因此需要进行特征选择以考虑与气味辨别和分类有效相关的那些特征。可以应用不同的方法通过优化分类性能来进行特征选择，例如过滤式(filter)和包裹式(wrapper)方法(Pardo等人,2006,Nowotny等人,2013,Fang等人,2015)。Boruta算法是一种特征选择工具，它提供了通过测量由目标之间特征值的随机排列引起的分类准确度的损失来衡量特征的重要性的量度(Kursa和Rudnicki,2010)。它基于围绕随机森林分类器构建的包裹式方法：分类器用作返回特征等级评定的黑箱。分类通过对多个无偏的弱分类器(称为决策树)进行投票而进行，这些分类器是对训练集的不同装袋算法(bagging)样本独立开发的。对于森林的每一棵树，分类准确度的损失由计算机单独计算。然后，该特征在测验中的重要性被计算为准确度的平均损失与其标准偏差之间的比值，称为Z评分。在特征提取和选择之后，电子鼻数据(传感器响应曲线)被转换为数值数据，其可以通过合适的算法进行处理以实现分类目的。如前所述，未知样品的分类通过评价其与仪器训练期间定义的气味类别相关的数据的相似性来进行。未知样品将归属于其被评价为“最相似”的类别。最简单类型的分类算法是“截止值(cut-off)”方法，它使用“是/否”逻辑来区分2个类别：如果与未知样品相关的特征超出给定的参考值，则将样品归属于某一类，否则归属到另一类。在另一种可用于更多气味类别之间进行分类的极为常见的算法(k近邻算法(k-NN))中，相似性被评价为由与未知样品相关的选定特征组成的向量和与训练数据相关的相同向量之间的欧氏距离(Euclideandistance)。样品归属于计算出最小距离的类别。线性判别分析(LDA)和二次判别分析(QDA)是用于电子鼻数据处理的常用分类算法。这些方法涉及基于对校准数据集的概率分布的估计，在所考虑的每对类别之间定义定界符函数(McLachlan,1992)。随机森林算法是一种更复杂的分类模型，其基于构建随机无关决策树的整个森林而建立分类(Breiman,2001,Liaw和Wiener,2002)。从初始数据集开始，该模型构建了两个新数据集：“Boostrap数据集”(BD)和“OutOfBootstrap数据集”(OOB)。BD使用原始数据集的随机选择的样本构成分类森林的第一棵树。为了构建该树，使用在按所属类别划分样本时提供最佳分类性能的特征，在每个节点分割数据。特征的选择基于从数据集中存在的所有变量中选择的各种随机变量的性能比较。当最后一个节点具有比前一个节点差的样本分类性能时，该树停止生长。然后，OOB集，包括未考虑构建分类树的原始数据集的样本，被用于测试树分类的性能。多次重复此操作以构建整个森林。一旦创建森林，则该模型可以用于对来自独立数据集的样本进行分类。未知样本的分类基于随机森林中树的投票多数。其他常见的模式识别算法包括但不限于(Gutierrez-Osuna,2002,Aggio等人,2016,Qui等人,2015)：·支持向量机(SVM)·偏最小二乘法解释(PLS)·人工神经网络(ANN)在本发明的任何一方面的一个实施方案中，步骤d)的比较包含根据每个传感器的截止值而对步骤c)中获取的数据进行评分。在本发明任何一方面的一个实施方案中，步骤d)的比较由根据每个传感器的截止值而对步骤c)中获取的数据进行评分组成。在本发明第一方面的一个实施方案中，步骤d)的比较包含通过多变量统计分析得到的对在步骤c)中获取的数据相对于从已分类为无前列腺癌的或通过其他方式受前列腺癌影响的个体的尿样分析中获取的数据进行评分。在本发明第一方面的一个实施方案中，步骤d)的比较由通过多变量统计分析得到的对在步骤c)中获取的数据相对于从已分类为无前列腺癌的或通过其他方式受前列腺癌影响的个体的尿样分析中获取的数据进行评分组成。在本发明第一方面的一个实施方案中，步骤d)的比较包含通过应用模式识别算法得到的对在步骤c)中获取的数据相对于从已被归类为无前列腺癌的或通过其他方式受前列腺癌影响的个体的尿样分析中获取的数据进行评分。在本发明第一方面的一个实施方案中，步骤d)的比较由通过应用模式识别算法得到的对在步骤c)中获取的数据相对于从已被分类为无前列腺癌的或通过其他方式受前列腺癌影响的个体的尿样分析中获取的数据进行评分组成。在本发明第二方面的一个实施方案中，步骤d)的比较包含通过多变量统计分析得到的对在步骤c)中获取的数据相对于从已分类为无前列腺癌和/或具有某种程度的通过其他方式侵袭的风险的受前列腺癌影响的个体的尿样分析中获取的数据进行评分。在本发明第二方面的一个实施方案中，步骤d)的比较由通过多变量统计分析得到的对在步骤c)中获取的数据相对于从已分类为无前列腺癌和/或具有某种程度的通过其他方式侵袭的风险的受前列腺癌影响的个体的尿样分析中获取的数据进行评分组成。在本发明第二方面的一个实施方案中，步骤d)的比较包含通过应用模式识别算法得到的对在步骤c)中获取的数据相对于从已被分类为无前列腺癌和/或具有某种程度的通过其他方式侵袭的风险的受前列腺癌影响的个体的尿样分析中获取的数据进行评分。在本发明第二方面的一个实施方案中，步骤d)的比较由通过应用模式识别算法得到的对在步骤c)中获取的数据相对于从已被归类为无前列腺癌和/或具有某种程度的通过其他方式侵袭的风险的受前列腺癌影响的个体的尿样分析中获取的数据进行评分组成。在本发明的任何一方面的具体实施方案中，模式识别算法选自k近邻算法、随机森林、线性判别分析、二次判别分析、支持向量机、判别函数分析、偏最小二乘法解释和人工神经网络。本领域技术人员知晓传感器会受到磨损和撕裂，使得所用的每个给定传感器的参考值可能随着使用而波动，并且可能需要不时地重新确定。掺杂基于金属氧化物的传感器为该领域的常规实施方式，以实现该特定传感器对特定挥发性化合物/挥发性化合物组的灵敏度的调节(Godavarti等人(2019)；Matsushima等人(1988)；Ruiz等人(2003)；Senguttuvan等人(2007)；Yamazoe,(1991)；Zhang等人(2019))。在本发明的任何一方面的一个实施方案中，第一传感器的掺杂剂(如果存在)选自Mo、MoO3、Pd、Ag、Cu、Al、Pb、Cr和Pt。在本发明的任何一方面的一个实施方案中，第二传感器的掺杂剂(如果存在)选自Mo、MoO3、Pd、Ag、Cu、Al、Pb、Cr和Pt。在本发明的任何一方面的一个实施方案中，第三传感器的掺杂剂(如果存在)选自Mo、MoO3、Pd、Ag、Cu、Al、Pb、Cr和Pt。在本发明的任何一方面的一个实施方案中，第一气体传感器的金属氧化物为纯的SnO2。在本发明任何一方面中的另一个实施方案中，第一气体传感器的金属氧化物为掺杂MoO3的SnO2。在本发明任何一方面中的另一个实施方案中，第一气体传感器的金属氧化物为掺杂Mo的SnO2。在本发明任何一方面中的另一个实施方案中，第二气体传感器的金属氧化物为纯的ZnO。在本发明任何一方面中的另一个实施方案中，步骤c)使用所述三种气体传感器有限地进行。在本发明任何一方面中的另一个实施方案中，用导管采集尿样。在本发明任何一方面中的另一个实施方案中，所述尿样为自然排泄的尿样的前段尿流(firstjet)。在本发明任何一方面中的另一个实施方案中，所述尿样为自然排泄的尿样的中段尿流(intermediatejet)。在本发明任何一方面中的一个实施方案中，步骤b)的温度选自高于50℃、高于51℃、高于52℃、高于53℃、高于54℃、高于55℃、高于56℃、高于57℃、高于58℃和高于59℃。在本发明任何一方面中的另一个实施方案中，步骤b)的温度选自约51℃、约52℃、约53℃、约54℃、约55℃、约56℃、约57℃、约58℃、约59℃、约60℃、约61℃、约62℃、约63℃、约64℃、约65℃、约66℃、约67℃、约68℃、约69℃、约70℃、约71℃、约72℃、约73℃、约74℃、约75℃、约76℃、约77℃、约78℃、约79℃、约80℃、约81℃、约82℃、约83℃、约84℃、约85℃、约86℃、约87℃、约88℃、约89℃、约90℃、约91℃、约92℃、约93℃、约94℃、约95℃、约96℃、约97℃、约98℃、约99℃、约100℃、约101℃、约102℃、约103℃、约104℃、约105℃、约106℃、约107℃、约108℃、约109℃、约110℃和包含任何一个所述值的范围。在本发明任何一方面中的另一个实施方案中，步骤b)的温度选自51℃、52℃、53℃、54℃、55℃、56℃、57℃、58℃、59℃、60℃、61℃、62℃、63℃、64℃、65℃、66℃、67℃、68℃、69℃、70℃、71℃、72℃、73℃、74℃、75℃、76℃、77℃、78℃、79℃、80℃、81℃、82℃、83℃、84℃、85℃、86℃、87℃、88℃、89℃、90℃、91℃、92℃、93℃、94℃、95℃、96℃、97℃、98℃、99℃、100℃、101℃、102℃、103℃、104℃、105℃、106℃、107℃、108℃、109℃,110℃和包含任何一个所述值的范围。在本发明任何一方面中的另一个实施方案中，步骤b)的温度选自低于61℃、低于62℃、低于63℃、低于64℃、低于65℃、低于66℃、低于67℃、低于68℃、低于69℃、低于70℃、低于71℃、低于72℃、低于73℃、低于74℃、低于75℃、低于76℃、低于77℃、低于78℃、低于79℃、低于80℃、低于81℃、低于82℃、低于83℃、低于84℃、低于85℃、低于86℃、低于87℃、低于88℃、低于89℃、低于90℃、低于91℃、低于92℃、低于93℃、低于94℃、低于95℃、低于96℃、低于97℃、低于98℃、低于99℃和低于100℃。本领域技术人员能够通过试错法确定在任何给定温度和湿度下产生最佳顶空所需的时间长度，而不会产生任何过度的负担。在本发明的任何一方面的一个实施方案中，将湿度受控环境设置为选自10％RH至90％RH的值、落入该范围内的任何整数值以及包含任何一个这些整数值的范围。本领域技术人员也能基于其自身或其他人的经验和技术诀窍，选择在其中创建顶空的容器。可以组合所有实施方案。实施例现在通过非限制性实施例描述本发明。材料和方法样品采集在知情同意的情况下在Castellanza的Humanitas医院(Varese)或Rozzano的Humanitas医院(Milano)采集246位受试者(69位健康(H)和177位受前列腺癌(PC)影响)的尿样。在活检、根治性前列腺切除术或经尿道前列腺切除术之前采集前列腺癌患者的样品。健康受试者由无前列腺癌家族史且PSA<1ng/ml和直肠指检阴性的月经前年轻女性、年轻女性(20-35岁)、年轻男性(<28岁)和中年男性(最大50岁)的混合群体以及患有肾盂输尿管接合处综合征或良性前列腺增生的患者组成。将177位前列腺癌患者的侵袭性风险根据下表1的标准列出。表1也可以观察到这些患者形成了两组：·A组:中或高风险(159位患者)·B组:低风险(18位患者)每个PC受试者提供4个样品：一个通过导管采集，三个样品来自自然排泄的尿(分别为前段尿流、中段尿流和末段尿流)，而健康(H)受试者仅提供自然排泄的尿样。将样品收集在通常用于尿液分析的无菌容器中，并且在采集后即刻在-20℃下冷冻，直至分析。样品制备在典型的方法中，在分析之前将每个尿样在37-40℃的水浴中解冻，直到完全变成液体，然后转移到一个用配备特氟隆管的NalophanTM袋密封的烧杯中(图2)，并保持在气候室中在60℃/60％RH下1.5小时，以便在NalophanTM袋中形成顶空，用于使用电子鼻分析。然后将NalophanTM袋与烧杯分离、密封并将由此产生的顶空在60℃/20％RH下保持2.5小时，然后经特氟隆管流入电子鼻。顶空分析顶空用SACMIEOS507c电子鼻进行分析，该电子鼻配备5个基于MOS的传感器，其金属氧化物如下：-掺杂催化量Mo的SnO2-掺杂MoO3的SnO2-纯的SnO2-纯的ZnO-SnO2 TiO2 Nb2O5.统计分析关于以下实施例1-6中的诊断测试，根据以下等式，真阳性(TP)、真阴性(TN)、假阳性(FP)和假阴性(FN)的数量影响本测试的特异性、灵敏度和准确度，其中CI95％表示相对置信区间：在评价前列腺癌患者是属于如上述所定义的A组还是B组方面，并且在下面的实施例2中，该方法的适合度通过以下指标的数量如何影响下面等式中所列出的召回率值和准确度而确定：-属于A组的真阳性(TpA)，-属于B组的真阳性(TpB)-属于健康组的真阳性(TpH)-分类为健康的A组患者(eAH)-分类为健康的B组患者(eBH)-分类为B组患者的A组患者(eAB)-分类为A组患者的B组患者(eBA)-分类为A组患者的健康受试者(eHA)-分类为B组患者的健康受试者(eHB)关于评价前列腺癌患者是否处于受以下实施例4中前列腺癌侵袭形式影响的高风险或中等风险，该方法的适合度通过以下指标的数量如何影响下面等式中所列出的召回率值和准确度而确定：·属于GS3 4组的真阳性(Tp中)·属于GS4组的真阳性(Tp高)·被归类为GS4组的GS3 4组患者GS4(e中；高)·被归类为GS3 4组的GS4组受试者(e高；中)实施例1:用截止值评价受前列腺癌影响的风险。如上文材料和方法部分所述，对上述246位受试者的前段尿流样品进行分析。表2报告了本测试的准确度、灵敏度和特异性，其取决于所用的传感器数量和用于将受试者指定为健康(H)或受前列腺癌(PC)影响的方法。项目12和13代表通过使用本发明的方法得到的值。通过分析自然排泄尿样的中段尿流或用导管采集的样品得到了类似结果。表2实施例2:用截止值评价侵袭风险对上述246位受试者的前段尿流进行了如上述材料和方法中所述的侵袭风险分析。表3报告了各种方法的召回率值和准确度，这些方法的区别在于分析中使用的传感器的数量和类型不同，并且其中使用实施例1的相应方法将受试者分类为健康的或受前列腺癌影响的。项目12和13代表用本发明的方法得到的值。通过分析自然排泄尿样的中段尿流或用导管采集的样本得到了类似结果。表3实施例3:使用多种模式识别算法评价受前列腺癌影响的风险通过提取以下特征(F)，处理与246位受试者(11位健康，17位患有前列腺癌)的子集相关的数据，对于R0、R和RA值，参考图1：·电阻比R0/R·DeltaAfterδ＝RA-R(其中RA是测量结束时记录的电阻值，参见图1)·单点(singlepoint)是测量过程中达到的电阻最小值S＝min(R(t))，其中R(t)是随时间变化的电阻值。使用如下的传感器组获取这些数据：纯ZnO掺杂Mo的SnO2掺杂MoO3的SnO2纯SnO2SnO2 TiO2 Nb2O5来自特征提取后样本分析的数据集通过主成分分析法(PCA,Borgognone等人,2001)进行处理，以使健康受试者与前列腺癌患者之间的区别可视化。作为实例，图3报告了考虑从传感器响应曲线中提取的不同特征而得到的PCA评分图。不同的气味类别，即，健康受试者和受前列腺癌影响的患者，显然在图的不同区域中形成聚类。作为第二步，应用不同的分类算法(A)以对训练数据集进行分类。例如，不同的训练集由支持向量机(SVM)和线性判别分析(LDA)处理，以评价测试性能。表4中报告了如上述材料和方法中所定义的准确度、灵敏度和特异性的结果。表4尽管截止值方法在准确度和灵敏度方面提供了最佳结果，但其他分类技术也被证明能够为前列腺癌诊断提供可接受的结果。实施例4：侵袭性的高风险与中风险之间的区分对与246位受试者的子集(仅包括受前列腺癌影响的患者(20位患者))相关的数据，其根据表1分类为高风险或中风险，将其根据以下特征进行处理：·电阻比R0/R，其中R0为电子鼻分析开始时的电阻值，而R为在尿液顶空分析过程中记录的最小电阻值。使用如下传感器组获取这些数据：纯ZnO掺杂Mo的SnO2掺杂MoO3的SnO2纯SnO2SnO2 TiO2 Nb2O5图4报告了将传感器的电阻比作为特征得到的PCA评分图。分析的样本根据Gleason评分值在图的不同区域中聚类：具有GS3 4聚类的样本位于图的左侧，而具有更高GS的样本主要位于图的右侧。对于第二步(分类)，应用SVM算法。因此，在这种情况下应用的数据处理组合为：电阻比(F) SVM(A)。表5和表6分别报告了与使用这种特征和分类算法组合的电子鼻操作的分类相关的混淆矩阵，以及相应的准确率和召回率值。表5表6实施例5：温度的作用下表7和8报告了本发明的诊断方法(表7)或预测方法(表8)(实施例1和2的项目13)得到的统计学数值与将样品保持在50℃而不是60℃下得到的统计学数值的比较。对246位受试者的子集(19位健康人、29位A组患者、6位B组患者)获得在50℃下的数据。表7健康H与PC50℃60℃准确度74％79％灵敏度69％78％特异性84％83％表8实施例6:湿度控制的作用下表9报告了使用实施例1的项目13的传感器获得的统计学数值，其中尿液顶空富集和使用电子鼻分析按照本发明的方法在湿度控制下进行，与在相同条件下、但没有任何湿度控制下在尿液顶空富集后进行分析得到的统计学数值进行比较。本次评价所考虑的样本构成了246位受试者的一个子集(5位健康，5位A组患者)。使用该子集，采用实施例1的项目13的传感器，截止值如下：纯ZnO：2.5掺杂Mo的SnO2：2.5掺杂MoO3的SnO2：2.5纯SnO2：2.5SnO2 TiO2 Nb2O5：4.1表9健康H相比PC无湿度控制有湿度控制准确度30％100％灵敏度60％100％特异性0％100％实施例7：使用多种模式识别算法评价受前列腺癌影响的风险。使用以下一组传感器获取与246位受试者的子集(包括38位受试者(14位对照，24位受前列腺癌影响的男性)相关的数据：纯ZnO掺杂Mo的SnO2掺杂MoO3的SnO2纯SnO2SnO2 TiO2 Nb2O5通过提取以下特征，参考图1的R0和R值，处理数据，用于构建训练组：·R0与R的比率；·R0与R之差；·由积分定义的曲线R(t)下的面积I＝∫R(t)/t·R0其中R0是参考条件下的电阻值，而R(t)是挥发性有机化合物解吸期间记录的随时间变化的电阻值(即“之后”)；·与挥发性有机化合物的吸附期相关的电阻曲线的斜率R(t)(即“期间”)；·“期间”阶段中心点记录的电阻值与“期间”阶段结束时记录的电阻值之间的差值。作为第二步，应用不同的分类算法以便对训练数据集进行分类。例如，不同的训练集通过k近邻算法(k-NN)和随机森林(RF)处理以评价测试性能。表10和表11分别针对RF和k-NN模型报告了与使用上述特征和分类算法组合的由电子鼻操作的分类相关的混淆矩阵。表12报告准确度、灵敏度和特异性的结果。表10表12对于表13，准确度、灵敏度和特异性定义如下：表13实施例8:侵袭性的高风险与中风险之间的区分考虑以下特征，参考图1的R0和R值，处理与246位受试者的子集(仅包括受前列腺癌影响的患者(24位患者)，其根据表1分类为高风险或中风险)相关的数据，以构建训练组：·R0与R的比率；·R0与R之差；·由积分定义的曲线R(t)下的面积I＝∫R(t)/t·R0其中R0是参考条件下的电阻值，而R(t)是挥发性有机化合物解吸期间记录的随时间变化的电阻值(即“之后”)；·与挥发性有机化合物的吸附期相关的电阻曲线的斜率R(t)(即“期间”)；·“期间”阶段中心点记录的电阻值与“期间”阶段结束时记录的电阻值之间的差值。使用如下的传感器组获取数据：纯ZnO掺杂Mo的SnO2掺杂MoO3的SnO2纯SnO2SnO2 TiO2 Nb2O5对于分类，应用k近邻算法(k-NN)和随机森林(RF)分类算法以便对训练数据集进行分类。表14和15分别针对RF和k-NN模型报告了使用上述特征和分类算法组合的由电子鼻操作的分类相关的混淆矩阵。表16中报告了使用这种特征和分类算法组合的由电子鼻操作的分类相关的准确度和召回率的相应值。表14表15表16对于表17，如下测定召回率和准确度：表17参考文献Aggioetal.，(2016)，JBreathRes.；10(1)：017106.doi：10.1088/1752-7155/10/1/017106.Anastasiadisetal.ExpertRevAnticancerTher2013；13：829.Asimakopoulosetal.(2014)，ProstateCancerProstaticDis.2014Jun；17(2)：206-11.doi：10.1038/pcan.2014.11.Bernabeietal.(2008)，SensorsandActuatorsB：ChemicalVolume131，Issue1，14April2008，Pages1-4.Blattetal.(2007)，LungcanceridentificationbyanelectronicnosebasedonanarrayofMOSsensors.2007InternationalJointConferenceonNeuralNetworks，Orlando，FL，pp.1423-1428.Borgognoneetal.(2001)，FoodQualityandPreference，2，323-326.Breiman，MachineLearning2001，45，5-32.Capellietal.(2016)，Sensors(Basel).2016；16(10)：1708.D′Amicoetal.(2012a)，ExpertOpinMedDiagn.2012May；6(3)：175-85.doi：10.1517/17530059.2012.665870.D′Amicoetal.(2012b)，ProcediaEngineering，Volume47，2012，Pages1113-1116.Fangetal.(2015)，BiomedicalSignalProcessingandControl，Volume21，2015，Pages82-89.Godavartietal.(2019).PhysicaB：CondensedMatter553：151-160.Gutierrez-Osuna(2002)，Patternanalysisformachineolfaction：areview.IEEESensorsJournal，2，189-202.Jamesetal.，2005，MicrochimicaActa，vol149，pages1-17.Kryvenkoetal.(2016)，TheJournalofUrology.2016；196(6)：1659-1663.KursaandRudnicki，JournalOfStatisticalSoftware2010，36(11).Leeatal.(2017)，TheJournalofUrology.2017；198(6)：1230-1240.LiawandWiener，RNews2002，2/3，18.Loutfietal.，2015，JournalofFoodEngineering，vol144，pages103-111.McLachlan.G.J.，DiscriminantAnalysisandStatisticalPatternRecognition.JohnWiley&Sons，Inc：HobokennNewJersey，1992Matsushimaetal.(1988)JapaneseJournalofAppliedPhysics27(Part1，No.10)：1798-1802.Nowotnyetal.(2013)，SensorsandActuatorsB：Chemical，187，471-480.Pardoetal.(2006)，SensorsandActuatorsB，123，437-443.Prestietal.(2008)，NatClinPractUrol5：246.Quietal.(2015)，Journaloffoodengineering，144，77-85.Roineetal.(2012)，FutureOncol.2012Sep；8(9)：1157-65.doi：10.2217/fon.12.93.Roineetal.(2014)，JournalofUrology，192，230-235.Ruiz，A.M.，etal.(2003).SensorsandActuatorsB：Chemical93(1)：509-518.Santonicoetal.(2014)，ProcediaEngineering，Volume87，2014，Pages320-323.Senguttuvan，T.D.，etal.(2007)，MaterialsLetters61(2)：582-584.Siegeletal.(2017)，CA：ACancerJournalforClinicians.2017；67(1)：7-30.Smithetal.(2008)，JBreathRes.2008Sep；2(3)：037022.doi：10.1088/1752-7155/2/3/03702.Tavernaetal.(2015)TheJournalofUrology.2015；193(4)：1382-1387.Tavernaetal.(2016)，ClinChemLabMed.2016；54(3)：e67-70.WilsonandBaietto，2009，Sensors，9(7)，pp.5099-5148.WilsonandBaietto，2011，Sensors，11(1)，pp.1105-1176.Yamazoe，N.(1991)SensorsandActuatorsB：Chemical5(1)：7-19.Zhang，Y.，etal.(2019)JournalofColloidandInterfaceScience536：215-223.当前第1页12