儿童脑肿瘤（PBT）是儿童期最常见的实体肿瘤，也是导致儿童癌症相关死亡的首要原因，其早期诊断困境长期制约临床预后改善。传统检测手段存在辐射风险（CT）、高成本（MRI）、侵入性强（活检）等局限，且临床症状非特异性易导致诊断延误。近日，上海交通大学附属新华医院团队在 IF=10.8 的权威期刊发表创新性病例对照研究，通过 AI 技术解析呼气挥发性有机化合物（VOCs）特征，结合外周血单个核细胞（PBMC）转录组学与免疫炎症指标，构建多维度诊断与风险评估模型，为儿童脑肿瘤提供了无创、精准、可推广的早期筛查解决方案，填补了儿科肿瘤非侵入性诊断领域的关键空白。

文章信息速览

• 原标题：AI-driven breath biopsy from a case-control study assists in the early detection of paediatric brain tumours

• 期刊：eBioMedicine（IF=10.8）

• 核心技术：AI 算法、呼气代谢组学（GC×GC-TOF MS/FID）、PBMC 、转录组学、多组学整合分析

• 关键词：儿童脑肿瘤（PBT）、AI 驱动呼气活检、挥发性有机化合物（VOCs）、转录组学、非侵入性诊断、免疫炎症指标、多组学整合、风险分层

  
  

研究背景与目的

儿童脑肿瘤的早期干预是降低死亡率、改善预后的关键，但现有诊疗体系面临诸多瓶颈：影像学检查存在辐射暴露风险且普及性受限，侵入性活检不适用于常规筛查，血液生物标志物诊断效能不足。针对上述临床痛点，本研究旨在：

筛选呼气中与儿童脑肿瘤相关的特异性 VOC 生物标志物，建立标准化检测体系；

结合 PBMC 转录组学解析生物标志物的生物学起源与调控机制；

整合 VOCs、转录组特征及免疫炎症指标，构建高效能 AI 风险评估模型，实现儿童脑肿瘤的非侵入性早期诊断与分级评估。

核心研究成果

1. 标准化研究体系与队列构建（图 1、图 2）

队列设计：共纳入 301 名儿童受试者，包括 161 例原发性脑肿瘤患者（66 例低级别 WHO I-II 级、95 例高级别 WHO III-IV 级）与 140 例非肿瘤对照，同步设立 32 人独立内部验证队列，确保结果稳健性与通用性（图 1a）。

技术流程：采用 ReCIVA 呼气采样设备标准化收集肺泡气样本，结合 GC×GC-TOF MS/FID 技术精准检测 99 种可重复 VOCs；通过严格质控排除环境干扰、性别、BMI 等混杂因素（图 1b）。

图1

差异特征：PLS-DA 分析显示，脑肿瘤患者（含低 / 高级别亚组）与对照的 VOCs 图谱可明确区分，且高级别肿瘤患者的代谢紊乱程度更显著，共鉴定出 15 种跨肿瘤分级的一致性差异 VOCs（图 2c-d）。

图2

2. AI 驱动 VOC 生物标志物筛选与诊断模型构建（图 3）

标志物鉴定：采用稳健火山图分析联合 Boruta 特征选择算法，从 99 种 VOCs 中筛选出 12 种核心生物标志物，涵盖烷烃、酯类、醛类、吲哚等类别，涉及色氨酸代谢、柠檬烯降解等肿瘤相关代谢通路（图 3b）。

诊断效能验证：基于支持向量机（SVM）、逻辑回归（LR）、朴素贝叶斯（NB）、随机森林（RF）4 种机器学习算法构建模型（图 3c），其中 SVM 模型表现最优 —— 发现队列诊断 AUC 达 0.81（95% CI：0.72-0.91），灵敏度 0.77、特异性 0.81；肿瘤分级评估 AUC 达 0.84（95% CI：0.73-0.96）；独立验证队列诊断与分级 AUC 均维持在 0.70 以上（图 3d-e）。

图3

3. 转录组学与多组学整合揭示调控机制（图 4、图 5、图 7）

转录组特征分析：对 23 例受试者（14 例 PBT 患者、9 例对照）的 PBMC 进行转录组测序，鉴定出 1639 个差异表达基因（DEGs），PCA 分析显示两组转录组图谱呈明显分离趋势（图 4a-b）；DEGs 富集于免疫炎症反应、MAPK 信号通路、GABA 能突触、甘油磷脂代谢等关键通路（图 4c-d）。

图4

核心调控机制：通过 WGCNA 筛选出 745 个与 VOCs 调控相关的功能基因，多组学整合分析明确吲哚（核心 VOC 标志物）与 NCF1、NCF2 等 NOX 组件基因呈显著负相关（图 5a-b）。机制上，肿瘤诱导免疫抑制微环境，NCF1/2 高表达促进活性氧（ROS）生成，推动色氨酸代谢向犬尿氨酸通路偏移，导致吲哚合成减少，最终体现为呼气 VOCs 特征改变（图 7）。

免疫佐证：CIBERSORT 分析显示患者 PBMC 中 NK 细胞比例降低、中性粒细胞比例升高，NLR 显著上升；肿瘤组织 CD163（M2 巨噬细胞标志物）表达随分级增加而增强，印证免疫抑制表型（图 5c-f）。

4. 多维度整合模型提升风险评估效能（图 6）

模型优化：整合 12 种 VOC 生物标志物、PBMC 转录组特征及中性粒细胞 - 淋巴细胞比值（NLR）、血小板 - 淋巴细胞比值（PLR）等免疫炎症指标，采用集成学习策略（SVM+NB+LR）构建风险评估模型（图 6a）。

性能突破：该模型在发现队列中实现灵敏度 0.90（95% CI：0.77-0.90）、特异性 0.86（95% CI：0.76-0.90）、准确率 0.85（95% CI：0.80-0.89），ROC 曲线 AUC 达 0.92，较单一标志物模型诊断效能提升近 20%；混淆矩阵显示其有效降低误诊与漏诊风险（图 6d-h）。

图5

图6

图7

研究价值与临床意义

• 技术创新：建立了“无创呼气采样 + 精准 VOC 检测 + AI 分析” 的标准化技术体系，解决了儿童患者检测依从性差的核心问题，为儿科肿瘤筛查提供了全新范式。

• 机制突破：通过转录组学与呼气代谢组学多组学整合，揭示了免疫失调调控 VOC 生物标志物的分子机制，为生物标志物的特异性与临床适用性提供了坚实的生物学支撑。

• 临床转化：构建的多维度风险评估模型兼具高灵敏度与特异性，可作为儿科神经科门诊一线筛查工具，通过非侵入性手段完成风险分层，指导后续影像学检查与诊疗决策，有助于缩短诊断周期、优化医疗资源分配、改善患者预后。

研究局限与展望

本研究存在一定局限性：独立验证队列样本量相对有限，后续需开展多中心、大样本外部验证以进一步确认模型通用性；呼气检测流程的即时化、便携化仍需技术优化；生物标志物的调控机制需通过细胞实验与动物模型深入验证。未来将重点推进临床转化应用，探索该模型在肿瘤疗效监测、预后评估中的延伸价值，为儿童脑肿瘤精准诊疗体系的完善提供更全面的支持。

原文DOI：10.1016/j.ebiom.2025.106010

专注期刊投稿、发表十年，任何投稿、写作难题欢迎咨询！