机器学习辅助SERS光谱用于临床脑膜炎疾病检测与精准诊断的学术报告

作者与机构
本研究的作者为西安电子科技大学生命科学技术学院的闫胚娆（Yan Peirao），指导教师为陈雪利（Chen Xueli）教授。该研究是闫胚娆的硕士学位论文，提交于2024年6月。

学术背景
脑膜炎是一种由脑膜或脑脊膜感染引起的疾病，具有高致残率和高死亡率的特点。目前，脑脊液（cerebrospinal fluid, CSF）分析是诊断脑膜炎的主要手段，包括生化成分检测、细菌培养和聚合酶链式反应（polymerase chain reaction, PCR）等方法。然而，这些方法存在明显的局限性：常规检测特异性低、细菌培养耗时长且假阳性率高、PCR设备昂贵且操作复杂。表面增强拉曼散射（surface enhanced Raman scattering, SERS）技术作为一种“指纹”光谱技术，能够提供样本中分析物分子的振动和能级信息，具有高灵敏度、抗荧光干扰和快速无损检测等优势。本研究旨在利用SERS技术结合机器学习策略，实现对病毒性、结核性、隐球菌性和自身免疫性四类脑膜炎的快速、高灵敏检测与精准分类。

研究流程
本研究分为三个主要部分：

1. 富集浓缩法SERS检测方案的构建与优化

   • 增强材料制备：采用金纳米超聚体（gold superparticles, GSPS）作为SERS增强材料，通过超疏水滑移策略在样本干燥过程中实现富集浓缩。
     
   • 检测条件优化：从光谱采集仪器、激发波长、增强材料与CSF混合比例等多方面优化检测条件。实验结果表明，仅需3 μl CSF即可在5分钟内获得高质量SERS光谱，且重复检测的特征峰强度相对标准偏差（relative standard deviation, RSD）低至2.78%。
     
   • 数据分析：通过主成分分析（principal component analysis, PCA）对预处理后的SERS光谱进行分析，发现前6个主成分贡献度总和达90%，其中1262 cm⁻¹和1367 cm⁻¹处的特征峰可能归属于果糖和核酸。
     

2. 溶液增强策略的SERS检测方案

   • 增强材料处理：将银纳米颗粒（Ag NPs）用碘化钾溶液（Ag@KI）清洗处理后与CSF混合，采用便携式拉曼光谱仪和微量比色皿进行检测。
     
   • 稳定性验证：该方案在30秒内即可获得高稳定性SERS光谱，同一CSF样本5次重复检测的RSD值为6.1%，连续检测的RSD值低至2.1%。
     
   • 机理研究：通过紫外-可见吸收光谱和光学成像等手段，发现CSF中的蛋白质和DNA可吸附于Ag NPs表面，消除氯化物的聚集效应。氯化钠浓度与Ag@KI混合对SERS基线变化具有显著影响（相关系数R²=0.97）。
     

3. 机器学习辅助脑膜炎分类

   • 模型构建：采用线性判别分析（linear discriminant analysis, LDA）、最邻近算法（k-nearest neighbor, KNN）、神经网络（neural network, NN）和支持向量机（support vector machine, SVM）对四类脑膜炎的SERS数据进行分类。
     
   • 性能评估：富集浓缩法数据的SVM分类准确度为95.2%，结合PCA后（10个主成分）准确度为91.9%。溶液法数据的原始光谱基于KNN分类准确度达99%，但基线校正后显著下降。
     

主要结果
1. 富集浓缩法：实现了CSF的高灵敏检测，优化后的检测条件显著提升了信号一致性和重复性。PCA分析揭示了特征峰与生化成分的潜在关联。
2. 溶液法：解决了台式拉曼系统场景限制问题，实现了高稳定性快速检测，并阐明了Ag@KI与CSF的相互作用机制。
3. 机器学习分类：两种SERS方案的数据均实现了高准确度分类，为临床脑膜炎诊断提供了智能辅助工具。

结论与价值
本研究提出了两种基于SERS技术的脑膜炎检测方案，结合机器学习实现了四类脑膜炎的精准分类。其科学价值在于：
1. 为脑膜炎诊断提供了快速、高灵敏的新方法，克服了传统技术的局限性。
2. 通过机器学习挖掘SERS光谱的“指纹”信息，推动了光谱数据智能分析的发展。
应用价值体现在：
1. 富集浓缩法适用于实验室场景，溶液法便于临床现场检测。
2. 分类模型的高准确度为临床决策提供了可靠支持。

研究亮点
1. 方法创新：首次将超疏水滑移策略与SERS结合用于CSF富集浓缩，开发了Ag@KI溶液增强策略。
2. 技术整合：将SERS与机器学习深度融合，实现了从数据采集到智能分类的闭环研究。
3. 临床潜力：两种方案互补，兼顾实验室与临床场景需求，为脑膜炎诊断提供了全面解决方案。

其他有价值内容
研究还探讨了冻融次数、激光功率等因素对SERS信号的影响，为实际应用中的样本处理提供了指导。此外，基线特征与氯化物浓度的关联性发现为后续生物标志物研究提供了新思路。