融合SERS技术与人工智能的疾病诊断分析系统

中枢神经系统白血病CNS-L（central nervous system-leukemia）是白血病复发及耐药难治的主要根源，将产生严重并发症，甚至危及生命，需要迅速识别并给予对症治疗。大多数CNS-L病人在早期时无症状或症状不典型，如何对CNS-L进行快速准确识别、诊断、预防和治疗是目前白血病研究领域的挑战。CNS-L诊断和治疗的另一个难点在于其发病机制并不清楚，缺乏明确的理论解释和支撑证据。目前，临床上诊断CNS-L的方法包括神经系统症状的临床评价、通过腰椎穿刺(LP)进行的脑脊液（CSF）评估和放射影像学，其中，通过评估CSF中的白血病原始细胞是检测CNS-L 白血病的标准诊断方法。传统细胞学检测方法是目前的金标准，特异性高达95%，但是存在敏感性低（<50%）的问题，导致假阴性问题严重，误诊率较高。此外，流式细胞术（FCM）虽然敏感性和特异性都较高，在临床上逐渐得到认可和普及，但是当CSF中细胞数量较少是，FCM存在不足，并且无法检测血脑屏障内层附着细胞。研究表明，CNS-L多发生在急性淋巴白血病（ALL），以及急性髓系白血病（AML）中的M4型及M5型，并且儿童ALL并发CNS的概率远高于成人。因此，如果能提出一种高灵敏度、高特异性、简单快速的检测方法用于辅助中枢神经系统白血病的识别、分类、诊断和机制研究，将具有重要的临床价值。

表面增强拉曼光谱（Surface-enhanced Raman scattering, SERS）被称作分子指纹光谱，具有灵敏度高、特异性优、检测速度快、操作简单、多组分识别以及原位检测等优点。目前，SERS技术已应用到多种癌症疾病的早期检测、诊断及治疗评估，例如肝癌、胃癌、宫颈癌等。利用拉曼光谱以及SERS技术进行白血病检测与诊断有少量研究报道，包括AML细胞和正常白细胞鉴别，生化成分表征，AML亚型鉴别，细胞基金表达等方面。因此，SERS技术在白血病，尤其是CNS-L的临床诊断和发病机制研究方面具有巨大的潜力。

本项目建立了一种融合深度学习和SERS技术的急性白血病分类与诊断平台，可用于白血病的快速检测并识别白血病亚型。利用临床白血病病人的脑脊液样本作为检测对象，通过富集型检测方法获得高灵敏度SERS光谱数据。基于200多例病人的光谱数据，建立了针对急性白血病人脑脊液的深度学习分类模型，该模型能够实现多层次的AL疾病识别与分类，包含非白血病与白血病，AML与ALL，AML型分类，ALL亚型分类，以及B-ALL（B细胞型）的染色体正常与异常鉴别。这种基于SERS光谱与深度学习结合的疾病分类平台有望作为一种新的辅助诊断手段用于急性白血病，尤其是CNS-L的快速识别、分类与诊断，在CNS-L的发病机制研究方面也具有重要的研究意义。该融合深度学习和SERS技术的分类诊断系统也可拓展用于其他肿瘤疾病的检测和识别。

（1）高灵敏度SERS检测方案构建。本项目基于胶体型纳米颗粒，对贵金属纳米结构微观形貌、光学特性以及电磁场增强特性进行精确调控，通过富集策略构建SERS检测方案，获得临床样品的高灵敏度SERS信号。该方案操作简单快速，仅需1微升样品，5min 内可获得光谱结果。

（2）深度学习模型用于急性白血病疾病分类与诊断。采集不同类型和亚型的白血病人CSF的SERS光谱，构建临床样本光谱数据库。建立了融合一维和二维光谱特征的深度学习分类模型，分类准确度、灵敏性及特异性均达到90%以上。该分类方法可拓展至其余疾病检测领域。