22、拉曼光谱生物医学应用中的深度学习

拉曼光谱生物医学应用中的深度学习

1. 引言

在生物医学领域，慢性疾病、非传染性疾病、与年龄相关的疾病、疾病负担和大流行病一直是人类面临的难题。早期诊断这些疾病，如在细胞或分子水平上进行诊断，仍然是一个亟待解决的问题。尽管多年来在细胞生物学方面（如DNA测序和染色体测试）做出了努力，但此类疾病的数量仍在呈指数级增长。

拉曼光谱作为一种振动光谱工具，具有无标记、可靠的非侵入性、快速、易用、高效且对人体生物分子变化敏感等优点。早期，拉曼光谱主要通过统计手段或基本化学计量学方法进行分析和解释，这些方法在一定程度上仍然适用。然而，对于拉曼光谱的自动化应用，尤其是在生物医学领域，这些方法并不足够。

机器学习（ML）基于统计学的强大数学基础发展而来，它可以创建程序来执行分析性的详尽工作，并根据样本集进行训练或学习以创建预测模型。但ML在解决拉曼光谱分析中的“维度灾难”问题上存在不足，拉曼光谱的指纹区域通常包含超过1000个波数，这意味着有大量的维度。此外，ML模型通常需要人工干预，如去除不必要的信息、特征提取和降维等。

近年来，随着计算架构和技术的发展，深度学习（DL）如神经网络（NN）使得处理高维数据成为可能。DL有助于克服人工干预问题，能够自动进行特征提取，可对拉曼光谱进行有或无预处理的分析，并提供与人类相当的分类准确性。从2017 - 2022年在“PubMed”和“Web of Science”数据库中关于拉曼光谱生物医学应用中使用DL的出版物数量呈稳步上升趋势。

2. 深度学习基础

2.1 深度学习的构建块

深度学习领域相较于传统分析方法具有诸多优势，其关键在于构建块，如感知器（也称为“人工神经