Cell?Rep?Med丨陳雪利團隊提出結合表面增強拉曼光譜（SERS）與深度學習的急性白血病智能檢測方法

近日，西安電子科技大學陳雪利教授團隊在Cell Reports Medicine上 發表了題為Rapid and sensitive acute leukemia classification and diagnosis platform using deep learning-assisted SERSdetection的最新研究成果。該研究提出了結合表面增強拉曼光譜（ SERS ）與深度學習的急性白血病智能檢測方法，有效解決了傳統細胞學方法存在的靈敏度低及主觀性強等不足，實現了不同亞型或基因異常急性白血病的高靈敏度及特異性識別與分類。

急性白血病發生中樞神經系統浸潤稱為中樞神經系統白血病（ central Nervous System Leukemia, CNSL ），常見于急性淋巴白血病（ acute lymphoblastic leukemia, ALL ）或者急性髓系白血病（ acute myeloid leukemia, AML ）中的 M4 及 M5 亞型，且兒童 ALL 并發 CNSL 概率遠高于成人。目前，基于腦脊液（ cerebrospinal fluid, CSF ）的細胞學檢測是 CNSL 的標準診斷方法，然而，由于白血病細胞 CNS 浸潤過程中高度表達黏附 分子使得細胞易粘附到腦膜血管內壁，導致 CSF 中異常細胞含量降低，常規細胞學或者流式細胞術方法檢測敏感性無法滿足實際臨床需求，存在假陰性結果或者漏診現象。因此，研究具有高靈敏度和特異性的急性白血病快速鑒別及分類方法具有重要臨床應用價值。 SERS 光譜 是一種分子指紋光譜技術，具有靈敏度高、特異性好、譜帶窄、操作簡單、樣品需求少以及不受生物樣品自發熒光和水干擾等優點，在液體活檢及疾病檢測領域受到廣泛關注。 人工智能 AI 促進了 SERS 技術的快速發展，包括在增強納米材料設計、報告分子選擇 、 光譜 解析 和處理 等 方面 ，尤其是 AI-SERS 結合 策略在不同癌癥的早期檢測、疾病分類和診斷 、 以及治療評估等領域引起廣泛關注。

基于此， 論文提出了基于 SERS 光譜和深度學習（ Deep Learning, DL ）策略的急性白血病檢測與鑒別方法，如圖 1 所示，收集了 390 余 例 腦脊液樣本，涵蓋健康對照組、急性白血病患者及其他疾病患者 ，通過超疏水滑移基底富集濃縮效應，能夠實現樣本體積小于 0.5 μL 以及檢測流程 5 min 以內的高靈敏快速檢測。 此外，還建立了基于多特征融合 Transformer 深度學習網絡的急性白血病分類與診斷方法，通過光譜 / 圖像特征融合方式，實現不同亞型及發展階段急性白血病的精準分類與鑒別 。本研究從全國 5 家醫院共收集了 332 份腦脊液樣本，疾病組涵蓋 AML 和 ALL 兩種亞型， AML 包括 M1/M2 、 M3 以及 M4/M5 多種亞型， ALL 患者則分為 B-ALL 和 T-ALL 。用于急性白血病分類的數據集包含來自 212 名患者的 12139 個光譜，另有來自 120 名患者的 6000 個光譜數據用于外部獨立驗證。在分類過程中，將一維光譜和二維光譜圖像融合作為輸入數據，通過 Transformer 算法實現特征識別、處理及生成，最終獲得相應的注意力權重，再采用多層感知機和全連接層得到分類結果。 混淆矩陣結果顯示健康組與疾病組的區分準確率達到 96.13% ， F 1 score 和 AUC 值分別達到 0.927 和 0.98 ， 展現出優異的預測靈敏度和特異性。

急性白血病診斷中， 構建了涵蓋六種二分類或三分類的多功能診斷模型 ， 預測準確率分別 為： AML/ALL （ 96.2% ） 、 B-ALL/T-ALL （ 96.5% ）、 A ML 亞型（ M1-M5 ， 91.8% ）、 B-ALL 遺傳學正常或異常（ 94.3% ）、 BCR/ABL 融合基因陽性或陰性（ 93.9% ）、 是否患有 C NSL （ 95.9% ） ， AUC 均在 0.98 至 0.99 之間，顯示出 優異的 靈敏度（ 91.7% - 97.3% ）、特異性（ 91.6% - 95.9% ）及 F1 score （ 0.921-0.969 ）等。采用不同分類方法和數據輸入方式作為 對比， 包括一維光譜與 Transformer 結合、融合數據結合 CNN 模型以及 基于 一維光譜 的 CNN 算法 ， 對比發現，本研究提出的 分類 模型在準確率、特異性和準確率方面均有明顯優勢。

此外，為評估分類方法的可靠性與通用性，采用 120 例患者進行外部獨立驗證，該外部測試數據集包含 6000 條光譜，驗證準確率分別為： AML/ALL 93.3% 、 AML 亞型 90.1% 、 B-ALL/T-ALL 96.7% 、 B-ALL 基因正常或異常 93.3% ，與內部測試結果 具有較高 一致性。 此外，這種基于 SERS 指紋圖譜的智能分類策略還可擴展至腦膜炎等 CNS 疾病的識別與診斷，有望為不同疾病的臨床液體活檢提供一種光譜學輔助手段。

西安電子科技大學陳雪利教授 / 曾琦副教授、四川大學華西醫院曾婷婷主任技師、西安大興醫院陳任安副主任醫師、山東大學齊魯醫院孫念政主任醫師以及山東第一醫科大學附屬第一醫院韓敏研究員為論文共同通訊作者，西安電子科技大學張東杰副教授、程朝陽博士以及四川大學華西醫院宋雅麗醫師為共同第一作者，西安電子科技大學為論文第一署名單位 。

論文鏈接：

https://www.cell.com/cell-reports-medicine/fulltext/S2666-3791(25)00393-3

DOI: 10.1016/j.xcrm.2025.102320

制版人：十一

BioArt

Med

Plants

人才招聘

學術合作組織

（*排名不分先后）

戰略合作伙伴

（*排名不分先后）

轉載須知

【非原創文章】本文著作權歸文章作者所有，歡迎個人轉發分享，未經作者的允許禁止轉載，作者擁有所有法定權利，違者必究。