Extracting Patterns of Chemical Information from Differential Mobility Spectrometry Measurements under Varying Conditions of Humidity and Temperature

Probleemstelling

Differential Mobility Spectrometry (DMS), ook bekend als Field Asymmetric Ion Mobility Spectrometry, is een snelle en betaalbare technologie voor het analyseren van complexe mengsels van vluchtige organische verbindingen (VOC's), zoals chirurgische rook. Een grote beperking voor de brede toepassing van DMS is echter de sterke afhankelijkheid van de metingen van omgevingsfactoren, specifiek luchtvochtigheid en in mindere mate temperatuur.

• Invloed op de meting: Veranderingen in vochtigheid en temperatuur beïnvloeden de ionisatie en de mobiliteit van ionen. Dit leidt tot variaties in de respons van de sensor voor dezelfde VOC's onder verschillende omstandigheden.
• Praktische consequentie: In operatiekamers is het vaak onmogelijk om de omgevingscondities op een vastgestelde standaard te houden (zoals in [13] geïllustreerd, waar een classificatie-accuratesse daalde van 93-95% naar 44% door variaties in vochtigheid).
• Huidige oplossing: Normaal gesproken wordt geprobeerd de omgevingscondities te reguleren, maar dit is vaak onhaalbaar. De auteurs stellen daarom voor om in plaats van de condities te standaardiseren, de metingen zelf te standaardiseren.

Methodologie

De auteurs analyseerden een dataset van 1.852 DMS-metingen van chirurgische rook, verkregen door het verdampen van varkensvet (adipose weefsel) en spierweefsel met een lasersysteem.

1. Datacollectie en Kenmerken:

   • De metingen werden uitgevoerd met een ENVI-AMC DMS-eenheid.
   • De data worden weergegeven als dispersieplots (2D-matrices) met Compensatie Voltage (CV) op de x-as en Scheidings Voltage (SV) op de y-as.
   • Er werden twee temperatuursensoren gebruikt: de meettemperatuur ($t_{meas}$) en de interne temperatuur van de FET-sensor ($t_{FET}$), naast de absolute vochtigheid ($h_{abs}$).
   • De data toonden significante variaties in deze parameters door het opwarmen van het systeem en het verschil in watergehalte tussen vet- en spierweefsel.

2. Data Voorverwerking:

   • Normalisatie: De dispersieplots werden rijgewijs (d.w.z. per SV-waarde) genormaliseerd naar het bereik $[-1, 1]$. Dit proces versterkt de responsen van kleinere componenten bij hoge scheidingsvoltages en onderdrukt dominante componenten bij lage voltages, waardoor subtiele chemische patronen beter zichtbaar worden.

3. Regressiemodellen:
   Om de impact van vochtigheid en temperatuur te compenseren, werden twee soorten regressiemodellen getraind om DMS-metingen te voorspellen op basis van bekende omgevingscondities:

   • Meervoudige Lineaire Regressie (MLR): Een model dat voor elke individuele pixel (CV/SV-combinatie) een lineaire relatie legt tussen de respons en de variabelen $t_{meas}$, $t_{FET}$ en $h_{abs}$.
   • Multivariate Regressie: Een model dat de volledige rij van een dispersieplot (alle CV-waarden bij een vaste SV) tegelijkertijd voorspelt. Dit model houdt rekening met de correlaties tussen de verschillende CV-waarden.

4. Validatie:

   • Er werd gebruikgemaakt van 10-voudige kruisvalidatie.
   • De prestaties werden geëvalueerd aan de hand van de coëfficiënt van determinatie ($R^2$) en de Root Mean Square Error (RMSE) tussen de voorspelde en de gemeten waarden.
   • Er werd getest met zowel ruwe data als genormaliseerde data.

Belangrijkste Bijdragen

1. Kwantificering van Omgevingsinvloeden: Het artikel bevestigt dat zelfs in een gecontroleerde laboratoriumomgeving de DMS-metingen van chirurgische rook aanzienlijk variëren door fluctuaties in temperatuur en absolute vochtigheid.
2. Standaardisatie van Metingen: De auteurs tonen aan dat het mogelijk is om DMS-metingen te standaardiseren door gebruik te maken van regressiemodellen, in plaats van de fysieke meetomgeving te controleren.
3. Optimale Strategie: Ze identificeren dat de combinatie van multivariate regressie en rijgewijze normalisatie de meest effectieve methode is om de variabiliteit door omgevingsfactoren te reduceren.

Resultaten

• Prestatie van Modellen: Alle geteste modellen leverden over het algemeen hoge $R^2$-waarden, wat aangeeft dat ze een groot deel van de variabiliteit konden verklaren.
• Superieure Methode: Het model dat multivariate regressie toepaste op genormaliseerde data presteerde het beste:
  • Gemiddelde $R^2$: 0,9020 voor vetweefsel en 0,9393 voor spierweefsel.
  • Stabiliteit: Dit model had de kleinste standaardafwijkingen in de $R^2$-waarden, wat wijst op robuustheid.
  • Kwantile-prestatie: Zelfs in de slechtste 2,5% van de gevallen verklaarde dit model nog steeds minimaal 69,91% (vet) en 77,79% (spier) van de variabiliteit.
• RMSE-vermindering: In de regio's van de "alpha-curves" (de belangrijkste ionenpieken voor weefselidentificatie) waren de RMSE-waarden van het beste model tot 14,4 pA lager dan de standaardafwijking van de ruwe data. Dit betekent dat het model de meetfouten aanzienlijk beter voorspelde dan de natuurlijke variatie van de sensor.
• Uitzondering: Bij de reactant-ionpiek (reactant ion peak) van spierweefsel was de RMSE iets hoger dan de standaardafwijking, waarschijnlijk door de hoge waterinhoud en de daaruit voortvloeiende grote fluctuaties in de piekpositie.

Betekenis en Toekomstperspectief

De studie heeft een doorbraak betekend voor de toepassing van DMS in de klinische praktijk:

• Klinische Toepassing: De methode maakt het mogelijk om DMS-gebaseerde classificatoren (bijvoorbeeld voor het onderscheiden van kankerweefsel van gezond weefsel tijdens een operatie) te trainen en te gebruiken zonder dat de operatiekamer op een exacte temperatuur en vochtigheid hoeft te worden gehouden.
• Robuustheid: Door de metingen te "normaliseren" via regressiemodellen, wordt de afhankelijkheid van de fysieke omstandigheden geminimaliseerd.
• Toekomstig Onderzoek: De auteurs plannen om deze regressiemethode te koppelen aan classificatie-algoritmen in een in vivo studie om de prestaties bij het onderscheiden van weefsels in real-time chirurgische situaties te valideren.

Kortom, dit onderzoek biedt een statistische oplossing voor een fysiek probleem, waardoor DMS-technologie veel praktischer en betrouwbaarder wordt voor medische diagnostiek.