基于拉曼光谱与深度学习交叉技术的无标记颌骨坏死快速诊断研究

本研究针对颌骨坏死（MRONJ与ORN）临床鉴别诊断难题，创新性整合拉曼光谱技术与ResNet18深度学习模型，构建了高精度诊断框架。通过分析90例样本的矿物成分与有机基质特征，结合PCA-LDA（准确率90.3%）与深度学习（AUROC 0.985），实现了MRONJ、ORN与正常骨组织的无创快速区分，为精准手术导航提供了革命性工具。

　　

颌骨坏死是头颈部肿瘤治疗中令人棘手的并发症，尤其是药物相关性颌骨坏死（MRONJ）和放射性颌骨坏死（ORN），虽然临床表现相似，但病因和治疗方法迥异。随着抗骨吸收药物和放射治疗的广泛应用，这两种疾病的发病率逐年攀升。然而，现有的诊断技术如CT和MRI难以在术中准确区分坏死与健康骨组织，导致手术切除范围依赖医生经验，复发率高达11%-39%。更棘手的是，MRONJ和ORN的鉴别诊断对治疗方案选择至关重要——前者需停用致病药物，后者则需高压氧等辅助治疗。这种临床困境呼唤一种能实时、精准识别骨坏死类型的技术。

四川大学华西医院的研究团队在《Bone》发表的研究中，开创性地将拉曼光谱与深度学习相结合，建立了颌骨坏死的智能诊断系统。他们收集了90例小鼠骨组织样本（30例MRONJ、30例ORN和30例对照），通过拉曼光谱扫描获取200-2200 cm^?1范围内的900条光谱数据，利用Labspec6软件预处理后，采用主成分分析（PCA）和线性判别分析（LDA）提取特征，并构建了ResNet18深度学习模型。研究不仅揭示了MRONJ与ORN在骨矿物质结晶度和有机基质含量上的差异，更实现了临床可用的高精度诊断。

关键技术包括：1）建立MRONJ（唑来膦酸诱导）和ORN（17Gy放射诱导）的小鼠模型；2）拉曼光谱采集与预处理；3）PCA-LDA传统机器学习分析；4）ResNet18深度学习架构训练与验证。

结构特征分析
通过H&E和Masson染色发现，ORN组呈现显著的骨髓纤维化伴细胞减少，而MRONJ组则以破骨细胞过度活跃为特征。拉曼光谱显示ORN组的矿物-基质比显著降低（p<0.01），而MRONJ组的碳酸盐取代程度更高，这为光谱诊断提供了分子基础。

光谱诊断效能
PCA-LDA模型实现90.3%的总体准确率，其中ORN识别灵敏度达92.4%。ResNet18模型更将性能提升至92.6%准确率（AUROC 0.985），显著优于传统方法。深度学习成功捕捉到1078 cm^?1（磷酸盐振动）和1660 cm^?1（胶原酰胺）等关键波段差异。

讨论与意义
该研究首次证实拉曼光谱可区分MRONJ与ORN的分子特征差异，解决了临床鉴别诊断的核心难题。ResNet18模型对微小光谱变化的捕捉能力，使其在边缘组织判定中展现出手术导航潜力。这种无标记、实时（单次检测<30秒）的技术，有望替代术中冰冻病理，将复发风险降低50%以上。研究为颌骨坏死的精准医疗提供了新范式——通过分子指纹指导个体化治疗，例如针对MRONJ患者调整抗骨吸收药物方案，或为ORN患者优化高压氧疗程。

值得注意的是，该技术的临床转化仍面临挑战：需在人体组织中验证模型普适性，并开发便携式拉曼探头以适应手术场景。但毫无疑问，这项交叉学科研究为骨病理诊断开辟了新途径，其"光谱+AI"的技术路线可扩展至骨质疏松、骨肿瘤等其他骨疾病领域。正如作者Xiaobo Dai和Bowen Yang强调的，这种方法的真正价值在于将分子诊断从实验室带入手术室，让外科医生拥有"化学视觉"来做出更明智的决策。