分析仪如何准确检测和诊断呼吸系统炎症性疾病？

您知道吗？我们每一次呼吸都蕴藏着健康的秘密。一氧化氮 (NO) 是一种关键的生物标志物，能够直接反映呼吸道炎症。近期发表在《分析化学》杂志上的一项研究，利用多周期光谱数据重建神经网络，实现了对呼气中超低浓度 NO 的精确检测，为 NO 分析仪在呼吸道炎症疾病的无创诊断中开辟了新的可能性。

呼吸一氧化氮：呼吸系统健康的晴雨表

呼出的气体如同镜子，能够准确反映人体的生理和病理状态。在其众多成分中，呼出气一氧化氮（FeNO）已成为无创诊断中广泛使用的生物标志物。

这种化合物主要由呼吸道上皮细胞在炎症刺激下产生，其浓度水平可作为气道炎症的敏感指标。健康个体呼出气一氧化氮（FeNO）浓度通常低于25ppb，而哮喘等呼吸系统疾病患者的FeNO水平则显著升高。

现有检测技术的瓶颈

常用的气体检测技术包括化学发光法、电化学法、光声光谱法等。

化学发光法灵敏度高但易受干扰

电化学传感器虽然便携，但需要频繁校准。

光声光谱具有高灵敏度，但对温度和湿度敏感。

更重要的是，呼出的气体中含有复杂的混合物，包括氮气、二氧化碳、水蒸气和氨气。这些干扰物质使得精确检测ppb级的一氧化氮（NO）变得极其困难。

技术创新：多周期光谱重构神经网络

为了应对这一挑战，研究团队开发了一种基于多周期光谱重构神经网络（MSRNN）的呼吸NO传感器，其核心技术有三项关键突破：

多周期频谱重建：从“嘈杂的聚会”中听出目标声音

该团队创新性地提出了一种多周期频谱重建方法。这就像在嘈杂的聚会上试图听清某人说话一样——传统方法试图直接滤除所有噪音，而新方法则将目标声音转换成更容易识别的形式。

具体而言，该方法将光谱从波长域转换到强度域，增强目标气体的吸收特性，同时离散化噪声和干扰信号。通过精心设计的映射矩阵，该系统能够从复杂的光谱信号中精确提取NO的特征“指纹”。

紫外段拟合恢复：消除背景干扰

为了解决NO的离散单峰吸收特性问题，研究团队采用了一种紫外光谱段拟合恢复方法，有效消除了光谱中缓慢变化的吸收背景，同时又不影响特征吸收峰的强度值。这一过程类似于照片编辑中去除背景噪声以突出主体。

卷积神经网络：智能浓度计算

本文构建了一种特殊的卷积神经网络模型，通过海量数据训练，建立光谱特征与气体浓度之间的精确映射关系。该模型包含两个卷积块，每个卷积块由三个卷积层和池化层组成，最后通过一个全连接层输出浓度值。

实验验证：性能优异

检测精度：实验结果表明，该传感器在 1.63–846.68 ppb 的范围内实现了高精度的 NO 检测，平均误差仅为 0.31 ppb，平均百分比误差为 0.96%，检测精度高达 0.63%。

优异的稳定性：在稳定性测试中，该传感器也表现良好，短期检测变异系数仅为0.40%，长期检测变异系数仅为0.29%，温度和湿度的变化对其影响很小。

强大的抗干扰能力：该传感器通过二氧化硅吸附装置有效去除呼出气体中的氨气干扰，确保检测结果的准确性和可靠性。在不同湿度条件下，检测结果的变异系数仅为0.66%，展现出优异的环境适应性。

在实际呼气测试中，15名健康志愿者参与了实验。研究人员将基于MSRNN的传感器与两种商用电化学传感器进行了比较，结果显示三者之间具有高度一致性，证明了新型传感器的可靠性。

更重要的是，当研究人员加入来自模拟气道炎症患者的标准NO模拟呼气样本时，这种新型传感器成功区分了健康个体和模拟患者的样本。在连续十次测试中，变异系数仅为1.06%，展现出重复性。

技术亮点总结

超高灵敏度：可检测低至 1.63ppb 的 NO 浓度

抗干扰能力强：有效应对呼出气中复杂成分的干扰

稳定性好：在温度和湿度变化的情况下仍能保持可靠的性能

实时在线监测：呼出气体的实时分析

展望未来

这项技术的成功研发为呼吸系统炎症性疾病的早期筛查和诊断提供了一种强有力的工具。尤其其无创、快速、准确的特点，使其在临床实践中具有广阔的应用前景。

未来，这类传感器有望成为医院呼吸科的常规检测设备，甚至发展成为便携式家用设备，使患者能够在家监测呼吸健康状况。这不仅能为医生诊断提供可靠依据，也能为患者自我管理提供便利。

本研究利用多周期光谱重建神经网络技术，实现了对呼吸空气中ppb级一氧化氮的精确检测，突破了现有方法的局限性。随着该技术的进一步完善和广泛应用，我们期待它在各种场景中得到创新性应用，从而革新呼吸系统健康管理。

科技进步使曾经复杂的医学检测变得更简单、更准确，最终将造福我们每个人的健康。