可解释的多波长SERS人类尿液的指纹用于缺血性中风诊断
1Chongqing Key Laboratory of Interface Physics in Energy Conversion, College of Physics, Chongqing University, Chongqing 401331, China.
ACS sensors
|December 3, 2025
概括
一种新的多波长表面增强拉曼光谱法 (SERS) 方法增强了用于诊断缺血性中风 (IS) 的尿液分析. 这种方法通过捕获更多的化学数据来提高准确性,从而更好地检测疾病.
科学领域:
- 生物医学光谱学 生物医学光谱学
- 化学分析 化学分析
- 机器学习在诊断中的应用
背景情况:
- 表面增强拉曼光谱 (SERS) 为分析生物样本提供了高灵敏度.
- 传统的单波长SERS在精确性方面面临挑战,例如尿液等复杂的生物媒介.
- 精确诊断缺血性中风 (IS) 仍然是一个关键的临床需求.
研究的目的:
- 开发和验证一个多波长SERS策略,以改善使用尿液进行缺血性中风 (IS) 诊断.
- 为了提高SERS在复杂的生物样本中的区分精度.
- 利用机器学习来解释复杂的SERS数据以进行IS检测.
主要方法:
- 通过在多个激光波长中激发样本来实施多波长SERS策略.
- 在不同的波长获得的垂直堆叠的SERS光谱,以捕获全面的化学信息.
- 使用卷积神经网络 (CNN) 来进行光谱数据分类和解释.
- 采用全梯度算法来解释CNN模型的响应,并识别关键的光谱特征.
主要成果:
- 多波长SERS策略在尿样中实现了IS识别的85.0%准确率和92.8%AUC.
- 在CNN模型成功地确定和关联关键拉曼光谱特征与已知的IS相关的生物分子.
- 对CNN模型的解释突出了IS诊断至关重要的特定光谱范围.
结论:
- 多波长SERS方法与CNN分析相结合,显著提高了从尿液中诊断缺血性中风的准确性.
- 这种策略有效地从复杂的生物样本中提取更全面的化学信息.
- 该研究验证了先进的SERS技术和机器学习在非侵入性疾病诊断方面的潜力.
