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

Resumo Técnico

1. Problema Identificado

A Espectrometria de Mobilidade Diferencial (DMS), também conhecida como Espectrometria de Mobilidade Iônica Assimetria de Campo (FAIMS), é uma tecnologia rápida e acessível para análise de compostos orgânicos voláteis (COVs) em fase gasosa, com aplicações promissoras na análise de fumaça cirúrgica para distinguir tecidos (ex.: saudável vs. canceroso).

No entanto, a principal barreira para sua aplicação generalizada é a alta dependência das medições DMS em relação à umidade e, em menor grau, à temperatura.

• Mecanismo: A umidade afeta a ionização e a separação dos íons. O aumento da umidade altera o número de hidratação dos íons (formação de clusters), modificando sua mobilidade e a função alfa ($\alpha$), o que desloca os picos no espectro (tensão de compensação - CV). A temperatura influencia o tamanho desses clusters e a reatividade.
• Impacto Prático: Em ambientes reais, como salas de cirurgia, é impossível manter condições ambientais estáveis (umidade e temperatura constantes). A variação desses parâmetros degrada severamente a performance dos classificadores de aprendizado de máquina, tornando comparações entre dados coletados em diferentes momentos ou locais arbitrárias. Soluções anteriores focavam em regular o ambiente, o que é frequentemente inviável.

2. Metodologia

Os autores propuseram uma abordagem inovadora: em vez de padronizar as condições de medição, padronizar as próprias medições DMS através de modelagem estatística.

• Coleta de Dados:

  • Foram coletadas 1.852 medições de fumaça cirúrgica gerada por laser a partir de tecidos de suínos (1.089 amostras de tecido adiposo e 763 de tecido muscular).
  • As medições foram realizadas em um ambiente laboratorial controlado, mas com variações naturais de umidade absoluta ($h_{abs}$) e temperatura (temperatura da amostra $t_{meas}$ e temperatura interna do sensor FET $t_{FET}$).
  • Os dados DMS são representados como mapas de dispersão (matrizes 12x40) onde o eixo X é a tensão de compensação (CV), o Y é a tensão de separação (SV) e o Z é a resposta de corrente (pA).

• Análise de Variáveis Ambientais:

  • Confirmou-se que a umidade e a temperatura variaram significativamente durante a coleta, influenciadas pelo aquecimento do sistema e pela evaporação de água dos tecidos (o tecido muscular tem maior teor de água que o adiposo).
  • Observou-se que essas variações causaram deslocamentos significativos na posição e intensidade das "curvas alfa" (regiões de interesse nos espectros).

• Abordagem de Modelagem:

  • Foram testados dois métodos de regressão para estimar as medições DMS dadas as condições ambientais:
    1. Regressão Linear Múltipla: Ajustada pixel a pixel (para cada combinação CV/SV).
    2. Regressão Multivariada: Ajustada linha a linha (para cada tensão de separação SV, prevendo o vetor de 40 tensões de compensação CV simultaneamente), capturando correlações entre os pontos.
  • Pré-processamento: Os dados foram testados tanto em sua forma bruta quanto normalizados por linha (padronização SV-wise para o intervalo [-1, 1]), uma técnica proposta anteriormente para realçar constituintes menores e suprimir ruídos de constituintes maiores.

• Validação:

  • Utilizou-se validação cruzada de 10 dobras (10-fold cross-validation).
  • Os modelos foram treinados para prever as respostas DMS de tecidos conhecidos com base nas variáveis de entrada ($t_{meas}, t_{FET}, h_{abs}$).
  • A performance foi avaliada pelo coeficiente de determinação ($R^2$) e pelo Erro Quadrático Médio (RMSE) comparado ao desvio padrão original dos dados.

3. Contribuições Principais

1. Demonstração de Variabilidade: Evidenciou-se que, mesmo em laboratório, medições DMS de fumaça cirúrgica variam consideravelmente devido a flutuações de temperatura e umidade, alterando a localização das curvas alfa.
2. Padronização via Regressão: Propôs-se e validou-se a primeira metodologia para padronizar as medições DMS (em vez das condições ambientais) utilizando modelos de regressão multivariada treinados em dados normalizados.
3. Superação de Limitações Ambientais: Demonstrou-se que é possível estimar medições DMS sob condições ambientais específicas, reduzindo a necessidade de hardware de controle climático complexo em ambientes cirúrgicos.

4. Resultados

• Desempenho dos Modelos:
  • O modelo de Regressão Multivariada aplicado a dados Normalizados obteve os melhores resultados.
  • Para tecido adiposo, este modelo explicou pelo menos 69,91% da variabilidade em 97,5% das previsões (2,5% quantile).
  • Para tecido muscular, o valor foi de 77,79% no mesmo percentil.
  • Os outros três métodos (Linear/Raw, Linear/Normalizado, Multivariada/Raw) explicaram menos de 57-69% da variabilidade nos mesmos percentis.
• Redução de Erro (RMSE):
  • Nas regiões das curvas alfa (áreas críticas para identificação), o modelo multivariado com dados normalizados reduziu o RMSE em até 14,4 pA abaixo do desvio padrão original dos dados.
  • Isso indica que o modelo conseguiu "remover" o ruído introduzido pelas variações ambientais com maior precisão do que os métodos convencionais.
• Limitação Observada:
  • Para o pico de íon reagente em tecidos musculares, o RMSE foi ligeiramente superior ao desvio padrão (até 5 pA). Os autores atribuem isso ao alto teor de água no músculo, que causa flutuações extremas na hidratação do íon, sugerindo a necessidade de modelos futuros específicos para vapor d'água.

5. Significado e Impacto Futuro

• Aplicação Clínica: Esta abordagem permite o desenvolvimento de algoritmos de classificação robustos para distinguir tecidos saudáveis de cancerosos durante cirurgias reais, onde o controle de umidade e temperatura é impossível.
• Mudança de Paradigma: O estudo muda o foco da engenharia de controle ambiental para a engenharia de dados, permitindo que sistemas DMS operem em condições variáveis sem perda de acurácia.
• Próximos Passos: Os autores planejam testar esse método de regressão combinado com classificadores em estudos in vivo para validação clínica definitiva.

Em suma, o artigo fornece uma solução estatística viável para um dos maiores obstáculos na implementação prática da espectrometria de mobilidade iônica em ambientes dinâmicos como hospitais.