人工智能辅助的自校准SERS光谱技术，用于糖尿病及其相关并发症的精准临床诊断

《Analytical Chemistry》：Artificial Intelligence-Coupled Self-Calibrating SERS Spectroscopy for Robust Clinical Diagnosis of Diabetes and Associated Complications

糖尿病早期诊断中，金纳米颗粒修饰的SERS检测结合AI自校准技术，实现了高精度、小样本的并发症分类，并降低传统方法因药物干扰导致的误诊率。

　　

糖尿病（DM）是一种常见的代谢性疾病，其在诊断和治疗方面存在重大挑战，尤其是在糖尿病相关并发症的早期诊断方面。准确地进行糖尿病及其并发症的早期诊断对于预防慢性健康问题、改善治疗结果以及通过及时医疗干预和个性化疾病管理策略来降低医疗成本至关重要。然而，传统的诊断技术往往难以达到早期检测和分类糖尿病及其并发症所需的灵敏度和准确性。为此，我们开发了一种先进的诊断模型，该模型使用了用4-巯基苯硼酸（AuNPs@4MPBA）功能化的金纳米粒子（AuNPs），以实现血清样本中糖尿病生物标志物的特异性和非特异性表面增强拉曼散射（SERS）检测。在本研究中，人工智能（AI）辅助的自校准方法被巧妙地集成到基于SERS的诊断系统中，从而实现了糖尿病及其相关并发症的有效早期检测。这种结合的诊断方法表现出高诊断准确性，并且与传统的诊断方法相比，仅需极少量的样本即可实施。本质上，一个ResNet-LSTM多头自注意力神经网络与自校准的SERS技术相结合，促进了糖尿病及其相关并发症的精确分类和检测。与传统的诊断方法相比，后者在追踪用药后并发症方面的能力有限，而目前的自校准SERS-AI结合诊断方法即使考虑到患者的用药史，也能提供准确可靠的糖尿病诊断结果。此外，通过引入余弦相似性和皮尔逊相关系数方法，不仅提高了诊断模型的泛化能力，还增强了其准确性，同时减少了临床误诊的可能性。