24、拉曼光谱学中深度学习的生物医学应用

拉曼光谱学中深度学习的生物医学应用

在生物医学领域，拉曼光谱学（RS）与深度学习（DL）的结合正展现出巨大的潜力，为众多领域带来了创新性的解决方案。下面将详细介绍这一结合在不同领域的应用。

1. 拉曼成像速度的提升

为了提高拉曼成像速度，研究人员采用了深度卷积神经网络（DCNNs）结合线扫描成像方法。通过加宽狭缝和激光束，并以较大的扫描步长扫描样品，成像时间显著缩短。例如，使用单CaSki细胞测试快速线扫描成像方法，在1408 - 1485 cm⁻¹以及2798 - 3015 cm⁻¹光谱范围内获取的高光谱拉曼图像，在高分辨率、低分辨率以及经CNN恢复后的图像进行比较。该方法将成像时间缩短至1分钟，比传统线扫描成像方法快5倍。

2. 微生物细胞成像与分类

RS已被证明是单细胞成像的极有价值的工具，与深度学习结合在微生物分类中也有出色表现：
- 单一微生物分类 ：Fu等人使用卷积神经网络（ConvNet）模型在单细胞水平上识别微生物，对14种微生物进行分类，平均准确率达95.64%，还引入了基于遮挡的拉曼光谱特征提取（ORSFE）方法来可视化细胞的拉曼组学特征和光谱特征权重。
- 混合微生物分类 ：另一项研究使用CNN对常见药物污染物微生物进行分类，包括单独微生物样本以及与中国仓鼠卵巢细胞（CHOs）混合的样本，对革兰氏阳性菌、革兰氏阴性菌和真菌的分类准确率达到95 - 100%。
- 抗生素抗性细菌分类 ：Zhang等人将RS - DL应用于肺炎克雷伯菌及其各种抗生素抗性菌株，利用共焦拉曼光谱获得的7455个光谱开