胃癌腹膜转移的机器学习驱动SERS精准快速诊断平台

为解决胃癌腹膜转移(PM)诊断灵敏度低、耗时长的问题，研究人员开发了基于表面增强拉曼光谱(SERS)结合机器学习算法(PCA-LDA/RF/SVM)的新型检测平台。该研究对120例胃癌患者腹膜灌洗液(PLF)进行分析，结果显示三种模型的诊断准确率均达95%以上，AUC值最高达96.9%，显著优于传统细胞学(72%)和CT检查(72.5%)，为PM早期诊断提供了高效便捷的新方案。

　　

在胃癌诊疗领域，腹膜转移(Peritoneal Metastasis, PM)作为最常见的远端转移形式，已成为导致患者死亡的主要元凶。传统诊断方法包括脱落细胞学检查(准确率仅72%)和CT成像(准确率72.5%)，不仅耗时费力，其灵敏度(分别为40%和57.9%)更难以满足临床需求。

这项突破性研究创新性地将表面增强拉曼光谱(Surface-Enhanced Raman Spectroscopy, SERS)技术与机器学习算法联姻。科研团队采集了120例胃癌患者的腹膜灌洗液(Peritoneal Lavage Fluid, PLF)样本，运用三种智能诊断模型进行分析：主成分分析-线性判别分析(PCA-LDA)模型表现惊艳，准确率达95.7%，曲线下面积(AUC)高达96.9%；随机森林(Random Forest, RF)和支持向量机(Support Vector Machine, SVM)模型同样出色，灵敏度均达91.3%，特异性突破96%。

与传统手段相比，该技术平台展现出压倒性优势：不仅将诊断准确率提升23个百分点以上，其快速检测特性更能为临床决策提供实时支持。这项研究为胃癌腹膜转移的早期筛查开辟了新途径，其简便高效的特点尤其适合临床推广，或将改写现有诊疗指南。