利用ResNet-18对微重力引起的关节软骨退化进行原位近红外光谱研究

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：In-situ NIR spectroscopy study on microgravity-induced articular cartilage degeneration with ResNet-18

微重力下关节软骨退变的光谱分析与机器学习模型研究。通过近红外光谱（NIR）结合支持向量机（SVM）和残差网络（ResNet-18），评估模拟微重力（7、14、21天尾悬吊）下大鼠关节软骨的退化差异，发现ResNet-18在三元分类中表现更优，四元分类准确率接近二分类，揭示了软骨成分动态变化及区域差异规律，为航天员关节健康监测提供新方法。

　　本研究聚焦于关节软骨（AC）在微重力环境下的退化机制，旨在探索近红外（NIR）光谱技术与深度学习算法的结合，为航天任务中关节健康监测提供新的研究思路和检测手段。关节软骨作为连接骨骼关节的透明、光滑组织，具有重要的生理功能，主要体现在缓冲机械压力、减少摩擦以及维持关节灵活运动。然而，在微重力条件下，关节软骨缺乏正常的机械负荷刺激，这可能导致其代谢活动减弱，进而引发结构和功能的退化。目前，传统临床成像方法虽然可以实现非侵入性检测，但只能在关节/软骨退化的中晚期发现明显病变，无法在航天环境下进行早期、即时的检测。因此，研究微重力对关节软骨的影响及其退化机制，开发有效的在位检测设备和方法，对于保障宇航员在长期太空任务中的关节健康具有重要意义。

近红外光谱技术因其具有深度组织穿透和快速检测的特点，被广泛应用于生物医学领域。它基于特定化学键的泛频和组合吸收，包括C-H、N-H、O-H和S-H键，能够有效分析组织中多种成分的含量。近年来，深度学习和机器学习算法在从光谱数据中提取复杂特征方面展现出强大的能力，特别是在结合分子光谱技术时，已成功应用于多种生物医学研究。例如，Afara等人利用近红外光谱与机器学习方法评估兔膝关节软骨的完整性，其结果表明支持向量机（SVM）模型能够有效区分前交叉韧带断裂样本与健康对照。Prakash等人则研究了近红外光谱在评估人类关节软骨生物力学性能中的可行性，通过主成分分析（PCA）和线性混合效应建模构建回归模型，并采用k近邻分类器消除光谱异常值。这些研究表明，将近红外光谱技术与机器学习算法结合，可以为关节软骨的分类和评估提供高效的方法。

然而，尽管已有大量研究在正常重力或地球重力条件下开展，但尚未有关于近红外光谱技术在微重力环境下评估软骨退化的研究，特别是结合深度学习算法的探索。因此，本研究首次尝试使用实验室自制的漫反射自聚焦光纤探针，在模拟微重力条件下对关节软骨进行在位光谱采集。通过将这些数据与支持向量机（SVM）和深度学习算法相结合，实现对不同阶段软骨退化的二分类、三分类和四分类任务。这种整合策略不仅能够揭示不同解剖位置软骨在不同尾悬时间下的动态成分变化和退化规律，还为在航天微重力环境下研究关节组织适应机制提供了新的视角。

本研究采用的实验模型为大鼠微重力模型，通过尾悬法模拟微重力环境。实验选取了20只Sprague-Dawley（SD）雄性大鼠（体重180–220克），随机分为四组：一组为对照组（CON），其余三组为不同尾悬时间的尾悬组（TS），分别为7天、14天和21天。在实验开始前，所有大鼠被单独饲养一周以适应环境。在实验过程中，每只大鼠被放置在单独的笼子中，实验环境的温度（23±2℃）和湿度（40–60%）均受到严格控制。实验结束后，对各组大鼠的关节软骨样本进行近红外光谱分析，并结合机器学习和深度学习算法进行分类和评估。

在近红外光谱分析方面，本研究采集了对照组和不同尾悬时间组在关节软骨（MTC）部位的平均光谱，如图3a所示。光谱的特定波段分配在表2中进行了总结。从平均光谱中可以观察到，对照组和尾悬组的整体光谱形状大致相似，主要集中在两个水吸收峰，分别位于6850 cm?1和5125 cm?1附近。所有组均表现出相同的特征吸收峰，这表明在不同尾悬时间下，软骨的水含量变化相对较小，但其成分变化可能更为复杂。此外，研究还发现，随着尾悬时间的延长，软骨的某些主要成分（如胶原和蛋白多糖）的波动以及退化情况逐渐显现，同时不同髁之间的区域差异也变得明显。这些变化可能反映了微重力环境下软骨成分的动态调整和退化机制。

为了进一步评估这些变化，研究将采集的近红外光谱数据与支持向量机（SVM）和残差网络（ResNet-18）模型相结合，基于连续小波变换进行特征提取和分类。在二分类任务中，即对照组与尾悬21天组之间的分类，SVM和ResNet-18模型均达到了超过90%的准确率。这表明这两种模型在识别软骨退化差异方面具有较高的可靠性。在三分类任务中，即不同尾悬时间组之间的分类，ResNet-18模型在内侧和外侧分别达到了81.40%和81.82%的准确率，这已经优于SVM模型，并展示了其更强的鲁棒性和泛化能力。在四分类任务中，仅使用ResNet-18模型，分别在内侧和外侧达到了87.76%和82.98%的准确率，接近二分类任务的结果。这些结果表明，近红外光谱技术与深度学习算法的结合在评估不同微重力持续时间下软骨退化方面具有广阔的应用前景。

本研究的实验结果不仅揭示了微重力环境下软骨成分的变化规律，还为在航天任务中进行早期诊断和基础研究提供了新的策略。通过在位采集近红外光谱数据，并结合先进的机器学习和深度学习算法，可以实现对软骨退化的精确分类和评估。这种方法的优势在于其非侵入性、快速性和便携性，适用于航天任务中对宇航员关节健康的实时监测。此外，本研究还为理解微重力对软骨代谢和结构的影响提供了新的数据支持，有助于揭示关节组织适应机制的分子基础。

综上所述，本研究通过创新性地将漫反射近红外光谱技术与机器学习和深度学习算法相结合，首次系统地评估了不同微重力持续时间下关节软骨的退化情况。研究不仅揭示了软骨在不同解剖位置和尾悬时间下的动态成分变化，还展示了深度学习算法在软骨退化分类中的优越性能。这些发现为未来在航天任务中开发有效的软骨退化检测方法提供了理论依据和技术支持，同时也有助于推动关节组织适应机制的研究，为宇航员健康保障和航天医学发展做出贡献。