A VOC-szenzorok és az MI szerepe a jövő tüdőrákdiagnosztikájában
A tüdőrák korai felismerése máig komoly kihívás, hiszen a betegség sokszor csak akkor okoz tüneteket, amikor már késő. Éppen ezért keltett nagy figyelmet, amikor kiderült: bizonyos kutyák képesek kiszagolni a tüdőrákra jellemző vegyületeket – ráadásul meglepően pontosan. Ez az eredmény új irányt adott a kutatásnak. Ma már nem a kutyákat szeretnénk kiképezni, hanem azt megérteni, milyen szagmintázatot érzékelnek, és ezt hogyan lehet műszerekkel utánozni. A modern szenzorok és MI-modellek pedig kezdik bebizonyítani, hogy a biológiai szimat mérnöki eszközökkel is megoldható, ráadásul gyorsabban és stabilabban, mint ahogy korábban gondoltuk.
1. Bevezetés: a korai diagnosztika nehézsége
A tüdőrák világszerte az egyik legnagyobb halálozással járó daganattípus. A túlélés legfontosabb tényezője a felismerés időpontja: korai stádiumban akár 60–70%-kal javulhatnak a túlélési esélyek (WHO, 2023). Ennek ellenére a betegek többségét a III–IV. stádiumban diagnosztizálják, amikor a daganat már kiterjedt vagy áttéteket adott.
A hagyományos diagnosztikai eljárások, a CT, PET-CT, röntgen sokszor nem elég érzékenyek korai elváltozások kimutatására. Ezért vált kiemelten fontossá olyan biomarkerek keresése, amelyek a tünetek megjelenése előtt is jelen vannak.
Ezt kínálják az úgynevezett VOC-ok (volatile organic compounds), vagyis a kilélegzett levegő illékony szerves vegyületei. Ezek a daganatos sejtek megváltozott anyagcseréjének következményei, és már korai stádiumban is kimutathatók.
2. Kutyák mint biológiai detektorok
A 2010-es években végzett vizsgálatok meglepően magas pontosságot mutattak. A legismertebb kutatás szerint a kiképzett kutyák 90% feletti érzékenységgel különböztették meg a tüdőrákos és egészséges mintákat (Chen et al., 2019).
A jelenség hátterében nem csodaképesség, hanem a kutyák rendkívül kifinomult szaglórendszere áll, amely akár néhány ppt (trilliómod rész) koncentrációban is érzékel molekulákat.
A módszer azonban:
- nem skálázható
- nem standardizálható
- egyedi teljesítmény-ingadozást mutat
- és nem illeszthető a klinikai protokollokba.
Mégis kulcsfontosságú felismerést hozott: a tüdőráknak valóban van sajátos „kémiai szaga”.
3. Mi az a VOC és miért fontos a tüdőrák diagnosztikájában?
A tüdőrákos sejtek működése eltér a normál sejtekétől. Ez a megváltozott anyagcsere többféle VOC megjelenéséhez vezet, például:
- aldehidek koncentrációjának emelkedése,
- ketonok arányváltozása,
- speciális szénhidrogének megjelenése,
- oxidatív stressztermékek felszabadulása.
A VOC-profil egy többdimenziós kémiai lenyomat, amely betegségspecifikus mintázatot hoz létre. A tüdőrák esetében különösen jól elemezhető, hiszen közvetlen kapcsolatban áll a légutakkal.
4. A mesterséges orr: vegyi szenzorok és mikrocellák
Az elektronikus orr (e-nose) célja, hogy a kutyák szaglását műszaki eszközökkel reprodukálja.
A legelterjedtebb érzékelőtípusok:
- fém-oxid félvezető szenzorok (MOS)
- nanocsöves (CNT) érzékelők
- polimeres vezetőképesség-változáson alapuló szenzorok
- kvarckristály mikroérzékelők (QCM)
- biofunkcionalizált membránok
Az elektronikus orr működésének lényege, hogy több, eltérő érzékenységű szenzor együttesen reagál a kilélegzett levegő összetevőire. Ezek a kis érzékelők nem egy molekulát keresnek, hanem egyfajta reakciómintázatot hoznak létre, amely minden betegségtípusnál kicsit másképp alakul. A kutatócsoportok különböző megoldásokkal kísérleteznek, van, ahol fém-oxid rétegeket használnak, máshol polimer alapú érzékelőket vagy éppen kristályrezgésen alapuló rendszereket. A végső elemzéshez azonban mindig szükség van egy algoritmusra, amely értelmezi ezeket az összetett jelalakokat.
5. A mesterséges intelligencia (MI) szerepe a diagnosztikában
A VOC-adatok elemzése rendkívül összetett feladat. A keletkező mintázatok sokdimenziósak, zajosak és korreláltak. A modern MI-algoritmusok azonban képesek felismerni ezekben a rejtett struktúrákat.
Leggyakrabban használt módszerek:
- mély neurális hálók
- konvolúciós neurális hálók (CNN)
- support vector machine (SVM)
- klaszterező mélytanulási rendszerek
A folyamat két lépésben történik:
5.1. Tanulási adatbázis létrehozása
A diagnosztikai rendszer tanításához mindkét csoportból, egészséges személyektől és igazolt tüdőrákos betegektől gyűjtenek mintákat. Ezekből alakul ki az a nagy adatbázis, amely alapján a gépi tanulási modell felismeri, hogyan különbözik egymástól a két állapot szagképe. A minták valójában bonyolult, sokdimenziós jelrajzok, amelyeket emberi szemmel nem lehetne értelmezni, a számítógép viszont képes megtalálni bennük a visszatérő összefüggéseket.
5.2. Az új minták osztályozása
Miután a modell elegendő példát látott, már önállóan is meg tudja ítélni egy új minta esetében, hogy az inkább az egészséges vagy a kóros mintázathoz áll közelebb.
A rendszer képes:
- pozitív / negatív eredményt adni
- kockázati szintet becsülni
- sőt típus-specifikus eltéréseket is megkülönböztetni
A 2024–2025-ös klinikai adatok alapján az érzékenység elérheti a 88–97%-ot (Gowda, 2025; Lee et al., 2024).
6. A legújabb kutatási eredmények (2024–2025)
Az elmúlt két évben több kutatás is azt jelezte, hogy a kilélegzett levegő elemzése jóval használhatóbb, mint korábban gondolták. Gowda vizsgálata például azt mutatta, hogy az elektronikus orrok elég egyértelmű mintázatokat rögzítenek a tüdőrákos betegektől vett mintákban, és az ezek mögött futó algoritmusok jól meg tudják különböztetni őket az egészséges mintáktól (Gowda, 2025).
Ezzel párhuzamosan Steenhuis kísérlete arra hívta fel a figyelmet, hogy a technológia több országban és eltérő műszerekkel is hasonló eredményt produkál. Ez azért fontos, mert egy szűrővizsgálat csak akkor működik, ha a módszer helytől és háttérzajtól függetlenül megbízható (Steenhuis, 2025).
A mesterséges intelligencia szerepe közben tovább erősödött. Lee modellje olyan apró eltéréseket is észrevett a VOC-profilokban, amelyek a hagyományos elemzésben egyszerűen elvesznének (Lee, 2024). Vinhas ugyanezt tapasztalta: az MI még akkor is stabil maradt, amikor a környezeti körülmények nem voltak teljesen egységesek (Vinhas, 2024).
A biomarker-kutatás is új lendületet kapott. Setlhare több olyan molekulát azonosított a kilélegzett levegőben, amelyek már a betegség korai, szinte tünetmentes szakaszában megjelennek (Setlhare, 2025). Raimundo pedig további mintázatokat írt le, amelyek akár a tüdőrák különböző típusait is elkülöníthetik (Raimundo, 2025).
A fejlesztések ipari oldalon is felgyorsultak. Az indiai Accubits 2025-ben bemutatta a VolTrac prototípust, amely a levegő mellett a verejtéket is elemzi. A készülék még fejlesztés alatt áll, de jól mutatja, hogy a VOC-alapú szűrés már nem csak laboratóriumi beszélgetés.
Összességében a 2024–2025-ös eredmények azt jelzik, hogy a VOC-alapú diagnosztika valóban közelebb került a gyakorlati alkalmazáshoz. A kérdés inkább az, mikor válik a klinikai eszköztár részévé, nem az, hogy egyáltalán eljut-e odáig.
7. Előnyök és kihívások
7.1. Előnyök
- gyors (eredmény néhány perc alatt)
- nem invazív
- olcsó és skálázható
- nincs sugárterhelés
- korai stádiumban is működik
7.2. Kihívások
- a mintavételi protokoll még nem egységes
- az étrend és környezeti tényezők befolyásolhatják a VOC-profilt
- nagy, több országra kiterjedő vizsgálatok hiányoznak
- MI-átláthatósági problémák
8. Következtetés
Az elmúlt évek kutatásai egyértelművé tették, hogy a kilélegzett levegő kémiai vizsgálata valódi lehetőséget kínál a tüdőrák korai felismerésére. A kutyákkal végzett vizsgálatok megmutatták, hogy a betegség jellegzetes szagmintázatot hagy maga után, és ezt ma már egyre pontosabban képesek visszaadni a szenzorokra és mesterséges intelligenciára épülő elektronikus orr rendszerek. A legújabb érzékelők olyan apró eltéréseket is mérnek, amelyek a sejtek anyagcseréjének korai változásaira utalnak – sokszor még azelőtt, hogy a daganat képalkotó vizsgálatokkal láthatóvá válna.
A technológia ereje nemcsak a pontosságban, hanem a tanulóképességben rejlik: minden új minta finomítja a modelleket, és idővel akár a különböző daganattípusok közötti eltéréseket is felismerhetik. Ahhoz azonban, hogy az elektronikus orr rutinszűréssé váljon, további klinikai vizsgálatokra, egységes mérési protokollokra és a mesterséges intelligencia működésének átláthatóbbá tételére van szükség.
A fejlődés iránya így is biztató. Ha a jelenlegi kutatási trend folytatódik, a VOC-alapú diagnosztika néhány éven belül nemcsak a tüdőrák, hanem más légúti és anyagcsere-betegségek felismerésében is helyet kaphat. A „digitális szaglás” nem technológiai különlegesség, hanem egy új diagnosztikai szemlélet kezdete: gyorsabb, kíméletesebb és sokkal korábbi betegfelismerést tesz lehetővé – adott esetben életet mentve.
Felhasznált források
- Gowda, A. M. D. (2025). Electronic-Nose Technology for Lung Cancer Detection: A Non-Invasive Diagnostic Revolution. Cancers.
- Steenhuis, E. G. M., et al. (2025). The electronic nose in lung cancer diagnostics: a systematic review. ERJ Open Research.
- Lee, B., et al. (2024). Breath analysis system with convolutional neural network for early diagnosis of lung cancer. Sensors and Actuators B: Chemical.
- Vinhas, M., Leitão, P. M., Raimundo, B. S., Gil, N., Vaz, P. D., & Luís-Ferreira, F. (2024). AI Applied to Volatile Organic Compound (VOC) Profiles from Exhaled Breath Air for Early Detection of Lung Cancer. Cancers, 16(12), 2200.
- Setlhare, T. C., Mpolokang, A. G., Flahaut, E., & Chimowa, G. (2025). Determination of lung cancer exhaled breath biomarkers using machine learning — a new analysis framework. Scientific Reports, 15(1), 26085.
- Raimundo, B. S., Leitão, P. M., Vinhas, M., Pires, M. V., Quintas, L. B., Carvalheiro, C., Barata, R., Ip, J., Coelho, R., Granadeiro, S., … Vaz, P. D. (2025). Breath Insights: Advancing Lung Cancer Early-Stage Detection Through AI Algorithms in Non-Invasive VOC Profiling Trials. Cancers, 17(10), 1685.
- Accubits Invent. (2025). Breath-based VOC sensor technology for cancer screening (VolTrac). The Times of India.
Nyitókép forrása: Ischukigor / depositphotos.com
