呼吸分析如何检测肺癌？
呼吸分析通过检测呼出气体中的挥发性有机化合物（VOCs）来发挥作用。癌细胞会产生与健康细胞不同的代谢副产物，这些VOCs——如醛类、碳氢化合物和酮类——可以在人的呼吸中被测量到。一项研究识别出16种特定的VOCs，它们在肺癌手术后发生显著变化，从而证实这些物质来源于肿瘤[4]。另一项研究发现，肺癌患者呼出气体中的醛类水平升高，这很可能是因为癌组织中醇脱氢酶通路过度活跃所致[10]。
多种技术被用于捕获和分析这些挥发性有机物。质谱法如PTR-TOF MS和GC-MS能够高精度地识别单个化合物[2][4][6]。电子鼻则利用传感器阵列检测VOCs的整体模式，而无需逐一识别每种成分[3][5]。一种较新的方法采用基于纸基的比色传感器阵列，结合低共熔溶剂，在一项小型研究中达到了93%的准确率[8]。此外，纳米生物传感器也正在开发中，用于实时、即时检测[12]。
准确度如何？证据有力但结论不一
多项研究报告了极高的准确率。其中规模最大的一项研究是一项包含4,515名参与者的横断面研究，采用PTR-TOF MS结合机器学习模型，在区分肺癌与健康对照组时达到了95%的敏感性和98%的特异性，而在区分早期肺癌与良性结节时则达到了97%的敏感性和98%的特异性[2]。一项针对364名参与者的多中心前瞻性外部验证研究显示，电子鼻技术在所有参与者中实现了94%的敏感性和63%的特异性[3]。另一项研究对525名参与者（157名肺癌患者，368名健康人）进行了围手术期呼吸组学分析，采用16种挥发性有机化合物模型，达到了89%的敏感性和89%的特异性[4]。
然而，针对呼吸挥发性有机物（VOCs）用于肺癌诊断的最大规模多中心前瞻性病例对照研究——LuCID研究（共纳入1844名参与者）发现，由10种VOCs组成的检测组合表现不佳，早期肺癌的AUC仅为0.54，所有病例的AUC也仅为0.58，并未显著优于流行病学风险模型[7]。这项研究揭示了一个关键挑战：许多在小型研究中表现良好的生物标志物，在更大规模、更严格的试验中却无法复现。这种差异很可能源于研究设计、患者群体的不同，以及难以控制吸烟、年龄和其他疾病等混杂因素[7][10]。
主要挑战是什么，未来前景如何？
主要挑战在于标准化、验证以及实际应用中的性能表现。许多研究规模较小且采用不同技术，导致结果难以比较。其中规模最大、最严谨的LuCID研究表明，即便是设计良好的研究也可能无法验证先前的发现[7]。呼吸中的水蒸气会干扰传感器[11]，而个体代谢差异也会影响挥发性有机化合物（VOC）的特征[10]。一项研究发现，电子鼻完全无法区分肺癌患者与健康对照组，而气相色谱-质谱联用（GC-MS）却能做到[11]，这表明技术选择至关重要。
尽管面临这些挑战，该领域仍在快速发展。一项研究显示，将呼吸分析与CT扫描报告等其他数据相结合，可将准确率提升至87.7%（而仅靠放射科医生诊断的准确率为68.1%）[1]。机器学习正被用于构建更稳健的模型[2][5][6]。新型传感器技术（如蛋黄-壳结构金-MOF纳米材料）能够检测到十亿分比浓度级别的挥发性有机化合物[9]。最严谨的研究得出的共识是：呼吸分析作为一种非侵入性、低成本的筛查工具具有真实潜力，但尚未达到大规模临床应用的阶段。仍需开展采用标准化方案的大规模多中心试验，以验证哪些生物标志物和技术真正有效[7][12]。
关于这些来源
该回答基于12篇经同行评审的研究——发表于2021年至2026年间，其中9篇来自2024年及以后，6篇发表于Q1期刊，累计被引用326次——这些研究是从15篇通过质量筛选的文献中选出的最具相关性的成果，而该15篇文献又源自从超过5亿篇论文数据库中检索到的81篇论文。
本文引用的文献
通过集成文本与呼吸分析提升良性病变与肺癌诊断：一项回顾性队列研究
结合231名参与者的呼吸分析与CT报告文本分析，准确率提升至87.7%，而仅由放射科医生诊断的准确率为68.1%，这表明多模态方法可能是最佳选择。
基于<scp>PTR</scp>‐<scp>TOF MS</scp>的呼吸组学分析用于肺癌早期诊断：一项大样本横断面研究
在此最大规模的研究中（共4,515名参与者），采用PTR-TOF MS呼吸分析结合机器学习，对早期肺癌与良性结节的鉴别实现了97%的敏感性和98%的特异性。
电子鼻分析呼出气体检测肺癌：一项多中心前瞻性外部验证研究
一项针对364名参与者的多中心前瞻性外部验证研究显示，电子鼻（eNose）在肺癌检测中的灵敏度为94%，特异度为63%。
基于围手术期呼吸组学检测的肺癌呼吸生物标志物识别：一项前瞻性观察性研究
一项针对525名参与者的围手术期呼吸组学研究识别出16种术后发生变化的挥发性有机化合物（VOCs），其诊断模型的灵敏度和特异度均达到89%。
使用自制电子鼻装置通过呼吸分析检测肺癌及其分期
一项包含261名参与者的研究使用自制的5传感器电子鼻，在验证阶段对肺癌检测实现了83%的灵敏度和86%的特异性。
基于机器学习确定肺癌呼出气生物标志物——一种新的分析框架
对肺癌、结核病及对照组的呼出气进行GC-MS分析，共鉴定出10种挥发性有机化合物（VOCs）；基于偏最小二乘判别分析（PLS-DA）模型，区分肺癌与对照组的灵敏度达82%，准确率达80%。
多中心发现与验证研究：评估呼吸生物标志物用于肺癌诊断——LuCID研究
最大规模的多中心呼吸挥发性有机化合物研究（共1,844名参与者）发现，一个包含10种挥发性有机化合物的检测组合表现不佳（针对早期阶段的AUC为0.54），并未优于流行病学风险模型。
嗅探肺癌：基于低共熔溶剂驱动的比色传感器阵列的仿生呼吸分析。
一项基于深共晶溶剂的纸基比色传感器阵列在91名参与者中实现了对肺癌检测的93%准确率、98%敏感性和98%特异性。
蛋黄-壳层级孔Au@MOF纳米结构：高效气体捕获与富集用于先进呼吸分析
一种新型金-金属有机框架纳米结构传感器可检测浓度为0.32 ppb的气态苯甲醛，展现出在超灵敏呼吸分析中的应用潜力。
用于肺癌早期检测的呼吸分析——一项临床研究
一项涉及31名参与者的临床研究发现，由8种挥发性有机化合物（主要为醛类）组成的组合在肺癌检测中达到了0.85的AUC值，其水平升高与ADH代谢通路相关。
使用气相色谱-质谱联用技术（GC-MS）和电子鼻进行呼出气体分析，用于肺癌诊断。
GC-MS区分肺癌患者与健康对照组的灵敏度高达96.5%，但电子鼻未能区分不同组别，凸显了技术依赖性的性能差异。
用于早期检测肺癌呼吸生物标志物的芯片鼻纳米生物传感器
一项基于纳米生物传感器的呼吸分析综合综述指出，整合人工智能与物联网技术可实现实时、床旁的肺癌筛查。