编辑推荐：
为解决 SERS 检测细菌内毒素时，光谱特征难以区分及传统方法面临挑战的问题，研究人员开展了利用 DeepRaman 架构分类细菌内毒素的研究。结果显示 DeepRaman 分类准确率达 100%，为医学诊断和治疗决策提供了有力支持。
在医学领域，细菌感染一直是威胁人类健康的重要因素。快速且准确地检测细菌内毒素，对于临床诊断和治疗极为关键。然而，当前的检测方法面临诸多挑战。比如，细菌内毒素中的脂多糖（LPS）虽为关键检测指标，但许多内毒素化学结构相似，导致表面增强拉曼光谱（SERS）难以区分，且光谱数据存在信噪比低、易受实验干扰等问题 。传统的统计和化学计量学方法在处理这些复杂光谱时，也越来越力不从心。
为了攻克这些难题，来自 Hamad Bin Khalifa University、Qatar University 等多个机构的研究人员展开了深入研究。他们提出了一种名为 DeepRaman 的新架构，该研究成果发表在《Heliyon》上。
研究人员用到的主要关键技术方法包括：首先制备银纳米棒（AgNR）阵列作为 SERS 底物，获取细菌内毒素样本的光谱数据；接着采用渐进傅里叶变换（PFT）和尺度图变换方法处理数据，并将其转化为尺度图图像；最后利用预训练的卷积神经网络（DenseCNN）进行特征提取和分类 。
研究结果如下：
- DeepRaman 在 Covid 数据集上的性能：研究人员利用公开的 Covid-19 相关拉曼光谱数据集进行测试。在识别疑似患者和健康参与者等任务中，DeepRaman 相比支持向量机（SVM）和 RamanNet，特异性提高了 10%，准确性提高了 14% 。
- 细菌数据集相关研究：研究使用多种细菌的脂多糖制备内毒素样本，还选取了几类与 LPS 结构差异大的物质作为对照样本。
- SERS 光谱分类：研究人员获取了 5624 个 SERS 光谱数据，并进行了多种预处理。结果显示，DeepRaman 在分类 11 种细菌内毒素和 3 种对照样本时，准确率达到 100% 。与其他方法相比，DeepRaman 在信噪比（SNR）、均方误差（MSE）和分类准确率上表现更优。而且，它不依赖降维算法，能直接从数据中提取低维表示。
- 推理时间：训练 Dense ResNet 模型在拥有强大 GPU 和六千个光谱数据集的情况下约需 0.5 小时，而分类新光谱的推理时间从几毫秒到几秒不等。
研究结论和讨论部分指出，DeepRaman 通过先进的信号处理技术和独特的架构设计，有效提高了细菌内毒素的分类准确性。它能够在复杂的基线场景下稳定工作，且对数据集大小要求较低。这一成果在医学诊断领域意义重大，有望用于早期识别脓毒症等危及生命的疾病，实现及时治疗干预。同时，在质量控制、环境监测和制药开发等需要痕量内毒素检测的领域，DeepRaman 也展现出了巨大的应用潜力，推动了拉曼光谱技术在生物医学领域的广泛应用。
