23、拉曼光谱深度学习在生物医学诊断中的应用

拉曼光谱深度学习在生物医学诊断中的应用

1. 拉曼光谱与深度学习概述

拉曼光谱（RS）凭借其在分子水平上对生物样本（如单细胞、组织和体液）进行高特异性和高灵敏度表征的能力，在基础研究和先进医学诊断领域备受关注。不过，在分析数据时，拉曼光谱存在一定局限性。为克服这些不足，深度学习被引入以提高该技术的效率和可靠性。

2. 疾病诊断中的应用

2.1 非传染性疾病 - 癌症

2.1.1 舌鳞状细胞癌（TSCC）

将拉曼显微光谱与卷积神经网络（CNNs）相结合，在TSCC的基于区域的细胞鉴别中效果显著。CNN模型使用两个卷积核，减少了噪声生成，提高了鉴别能力，灵敏度和特异性达到99.2%，光谱范围1380 - 2250 cm⁻¹对研究结果影响较大。该方法有助于手术中的边缘切除，减少手术中的采样问题和评估时间，还能降低辅助治疗的必要性。

2.1.2 基底细胞癌

拉曼光谱在基底细胞癌诊断中特异性不足，因为病变组织和正常组织光谱相似。为提高特异性，反射共聚焦显微镜（RCM）被用于识别皮肤组织的形态和细胞学特征。创建的两步分类模型，先使用基于拉曼的模型对BCC肿瘤和正常组织进行分类，再将191张RCM图像用于两个ResNet50网络。新模型将之前模型的假阳性预测减少了52%，同时保持100%的灵敏度，特异性从84.2%提高到92.4%，有望指导肿瘤切除手术。

2.1.3 软骨源性癌症

Russo等人使用RS - DL系统对内生软骨瘤和软骨肉瘤进行诊断。他们创建了基于拉曼光谱小波变换的软骨肿瘤分类模型（CLARA），采用CNN和ResNet18准确识别骨癌。该模