Cell Rep Med丨陈雪利团队提出结合表面增强拉曼光谱（SERS）与深度学习的急性白血病智能检测方法

近日，西安电子科技大学陈雪利教授团队在Cell Reports Medicine上 发表了题为Rapid and sensitive acute leukemia classification and diagnosis platform using deep learning-assisted SERSdetection的最新研究成果。该研究提出了结合表面增强拉曼光谱（ SERS ）与深度学习的急性白血病智能检测方法，有效解决了传统细胞学方法存在的灵敏度低及主观性强等不足，实现了不同亚型或基因异常急性白血病的高灵敏度及特异性识别与分类。

急性白血病发生中枢神经系统浸润称为中枢神经系统白血病（ central Nervous System Leukemia, CNSL ），常见于急性淋巴白血病（ acute lymphoblastic leukemia, ALL ）或者急性髓系白血病（ acute myeloid leukemia, AML ）中的 M4 及 M5 亚型，且儿童 ALL 并发 CNSL 概率远高于成人。目前，基于脑脊液（ cerebrospinal fluid, CSF ）的细胞学检测是 CNSL 的标准诊断方法，然而，由于白血病细胞 CNS 浸润过程中高度表达黏附 分子使得细胞易粘附到脑膜血管内壁，导致 CSF 中异常细胞含量降低，常规细胞学或者流式细胞术方法检测敏感性无法满足实际临床需求，存在假阴性结果或者漏诊现象。因此，研究具有高灵敏度和特异性的急性白血病快速鉴别及分类方法具有重要临床应用价值。 SERS 光谱 是一种分子指纹光谱技术，具有灵敏度高、特异性好、谱带窄、操作简单、样品需求少以及不受生物样品自发荧光和水干扰等优点，在液体活检及疾病检测领域受到广泛关注。 人工智能 AI 促进了 SERS 技术的快速发展，包括在增强纳米材料设计、报告分子选择 、 光谱 解析 和处理 等 方面 ，尤其是 AI-SERS 结合 策略在不同癌症的早期检测、疾病分类和诊断 、 以及治疗评估等领域引起广泛关注。

基于此， 论文提出了基于 SERS 光谱和深度学习（ Deep Learning, DL ）策略的急性白血病检测与鉴别方法，如图 1 所示，收集了 390 余 例 脑脊液样本，涵盖健康对照组、急性白血病患者及其他疾病患者 ，通过超疏水滑移基底富集浓缩效应，能够实现样本体积小于 0.5 μL 以及检测流程 5 min 以内的高灵敏快速检测。 此外，还建立了基于多特征融合 Transformer 深度学习网络的急性白血病分类与诊断方法，通过光谱 / 图像特征融合方式，实现不同亚型及发展阶段急性白血病的精准分类与鉴别 。本研究从全国 5 家医院共收集了 332 份脑脊液样本，疾病组涵盖 AML 和 ALL 两种亚型， AML 包括 M1/M2 、 M3 以及 M4/M5 多种亚型， ALL 患者则分为 B-ALL 和 T-ALL 。用于急性白血病分类的数据集包含来自 212 名患者的 12139 个光谱，另有来自 120 名患者的 6000 个光谱数据用于外部独立验证。在分类过程中，将一维光谱和二维光谱图像融合作为输入数据，通过 Transformer 算法实现特征识别、处理及生成，最终获得相应的注意力权重，再采用多层感知机和全连接层得到分类结果。 混淆矩阵结果显示健康组与疾病组的区分准确率达到 96.13% ， F 1 score 和 AUC 值分别达到 0.927 和 0.98 ， 展现出优异的预测灵敏度和特异性。

急性白血病诊断中， 构建了涵盖六种二分类或三分类的多功能诊断模型 ， 预测准确率分别 为： AML/ALL （ 96.2% ） 、 B-ALL/T-ALL （ 96.5% ）、 A ML 亚型（ M1-M5 ， 91.8% ）、 B-ALL 遗传学正常或异常（ 94.3% ）、 BCR/ABL 融合基因阳性或阴性（ 93.9% ）、 是否患有 C NSL （ 95.9% ） ， AUC 均在 0.98 至 0.99 之间，显示出 优异的 灵敏度（ 91.7% - 97.3% ）、特异性（ 91.6% - 95.9% ）及 F1 score （ 0.921-0.969 ）等。采用不同分类方法和数据输入方式作为 对比， 包括一维光谱与 Transformer 结合、融合数据结合 CNN 模型以及 基于 一维光谱 的 CNN 算法 ， 对比发现，本研究提出的 分类 模型在准确率、特异性和准确率方面均有明显优势。

此外，为评估分类方法的可靠性与通用性，采用 120 例患者进行外部独立验证，该外部测试数据集包含 6000 条光谱，验证准确率分别为： AML/ALL 93.3% 、 AML 亚型 90.1% 、 B-ALL/T-ALL 96.7% 、 B-ALL 基因正常或异常 93.3% ，与内部测试结果 具有较高 一致性。 此外，这种基于 SERS 指纹图谱的智能分类策略还可扩展至脑膜炎等 CNS 疾病的识别与诊断，有望为不同疾病的临床液体活检提供一种光谱学辅助手段。

西安电子科技大学陈雪利教授 / 曾琦副教授、四川大学华西医院曾婷婷主任技师、西安大兴医院陈任安副主任医师、山东大学齐鲁医院孙念政主任医师以及山东第一医科大学附属第一医院韩敏研究员为论文共同通讯作者，西安电子科技大学张东杰副教授、程朝阳博士以及四川大学华西医院宋雅丽医师为共同第一作者，西安电子科技大学为论文第一署名单位 。

论文链接：

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

学术合作组织

（*排名不分先后）

战略合作伙伴

（*排名不分先后）

转载须知

【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。