基于掩码自编码器的拉曼光谱自监督学习方法：特征提取与降噪性能研究

针对拉曼光谱标注成本高、数据维度高且信噪比低的问题，研究人员提出基于掩码自编码器（SMAE）的自监督学习范式。通过随机掩码重构光谱信号，模型在无标注预训练中学习关键特征，信噪比提升超2倍；经少量标注微调后，对30类病原菌聚类准确率超80%，识别精度达83.90%，媲美监督学习ResNet。该研究为无标注光谱分析提供了新工具，拓展了化学信息挖掘潜力。

　　

拉曼光谱技术凭借其非破坏性、免标记的优势，已成为物质化学信息分析的重要工具，尤其在病原菌快速检测和临床诊断中展现出巨大潜力。然而，实际应用中存在三大瓶颈：极弱的光信号导致信噪比（SNR）低下、数千维的高维数据特征难以解析，以及依赖大量标注数据的监督学习模型面临标注成本高昂的困境。传统无监督方法如主成分分析（PCA）和t-SNE在应对高维噪声数据时性能有限，而现有自监督方法如添加高斯噪声的策略又难以控制干扰强度。如何从海量无标注光谱中提取有效特征，成为亟待突破的科学难题。

上海海事大学的研究团队在《Expert Systems with Applications》发表的研究中，创新性地将掩码自编码器（Masked Autoencoder, MAE）引入拉曼光谱分析，提出SMAE模型。该模型通过随机掩码75%光谱区域并强制模型重构完整信号的自监督预训练，使编码器学会捕捉光谱的本质特征。预训练后的模型展现出惊人的双重能力：不仅将原始光谱信噪比提升2倍以上，仅用少量标注微调即在病原菌数据集上实现83.90%的识别准确率，超越经典无监督方法并与监督学习标杆ResNet（83.40%）相当。

关键技术方法包括：1）采用随机掩码策略构建自监督预训练任务；2）基于Transformer架构的编码器-解码器设计；3）在Bacteria-ID数据集（含30类分离菌株）上验证；4）通过谱线重构质量评估特征提取能力；5）结合K-means和深度聚类（DeepCluster）评估无监督分类性能。

【Spectral Reconstruction and Denoising】
通过对比原始光谱、掩码输入及重构输出发现，SMAE能准确恢复被掩码的特征峰位置与强度，尤其对800-1200 cm^-1
区间的细菌特征标志物（如核酸和蛋白质振动峰）重构效果显著。定量分析显示重构光谱SNR从原始4.2dB提升至9.1dB，证实模型具有智能降噪能力。

【Clustering Performance】
在无监督设置下，SMAE预训练权重结合K-means对30类病原菌的聚类准确率达80.3%，较传统PCA+K-means（52.1%）提升54%，且优于当前最优深度聚类方法RamanCluster（76.8%）。特征可视化显示，SMAE提取的低维表征能清晰区分甲氧西林耐药菌株与敏感菌株。

【Fine-tuning with Limited Labels】
仅用10%标注数据微调全连接层后，模型在独立测试集上达到83.90%的识别准确率，逼近使用100%标注训练的ResNet。值得注意的是，在模拟标注稀缺场景（5%训练数据）下，SMAE仍保持78.2%准确率，显著高于监督学习的65.4%。

该研究开创性地证明了自监督学习在光谱分析中的三大价值：首先，突破标注依赖瓶颈，使模型能从无标注数据中自主发现化学信息；其次，重构任务诱导的降噪特性有效缓解了拉曼信号微弱的核心痛点；更重要的是，SMAE的通用框架可扩展至近红外光谱（NIR）和核磁共振（NMR）等领域。正如作者指出，这种方法有望推动癌症研究从"已知类别识别"向"未知特征发现"跨越，为个性化医疗提供新范式。未来工作可探索多模态预训练，进一步挖掘光谱与基因组学、代谢组学的潜在关联。