将SERS映射与可解释的深度学习相结合,用于外体分析,以提高肺癌的检测
Hui Chen1, Luyao Wang1,2, Dandan Fan1
1Key Laboratory of Optical Technology and Instrument for Medicine, Ministry of Education, University of Shanghai for Science and Technology, Shanghai, 200093, China. chenhui@usst.edu.cn.
The Analyst
|August 27, 2025
概括
本研究使用表面增强的拉曼散射 (SERS) 和深度学习来分析外体生物标志物以改善肺癌检测. 可解释的人工智能模型通过分析表面和内部外体信号实现了98.95%的准确性.
科学领域:
- 生物医学工程
- 纳米技术
- 人工智能
背景情况:
- 它们是癌症的重要生物标志物,
- 表面增强拉曼散射 (SERS) 为外体检测提供了高灵敏度.
- 在SERS信号透到外体中进行载荷分析存在局限性.
研究的目的:
- 通过分析表面和内部外体生物标志物来提高肺癌检测的准确性.
- 开发一个智能和可解释的深度学习模型来解释SERS信号.
- 为了可视化助力肺癌识别的关键光谱特征.
主要方法:
- 采用马兰戈尼效应进行SERS映射制造的金纳米立方超级格子 (GNS).
- 使用基于梯度的类别激活映射 (Grad-CAM) 的增强深度学习模型.
- 该模型在正常和肺癌细胞的外体中训练了SERS信号.
主要成果:
- 在分析表面和内部生物标志物时,深度学习模型实现了98.95%的分类准确性.
- 仅使用表面生物标志物的分析结果为96.35%的准确性.
- Grad-CAM提供了有关癌症检测的分子特征的可解释性见解.
结论:
- 将外体生物标志物的SERS映射与可解释的深度学习相结合,显著改善了肺癌的检测.
- 这种方法提高了模型的性能,并提供了人类可以理解的解释.
- 这种方法提供了早期癌症诊断和预后的强大工具.


