唾液表面增强拉曼光谱（SERS）结合机器学习算法在牙周病早期诊断与病情监测中的创新应用

本文创新性地将表面增强拉曼光谱（SERS）技术与机器学习算法相结合，通过银纳米颗粒增强唾液样本检测，成功区分健康对照组与牙龈炎/牙周炎各组（准确率99.40%），并筛选出糖原、抗坏血酸等7种潜在生物标志物。该研究为牙周病的无创早期诊断和病情分级（如轻/中/重度牙周炎分类准确率99.28%）提供了突破性解决方案，显著优于传统检测方法。

　　

Highlight

本研究通过银纳米颗粒基底表面增强拉曼光谱（SERS）技术，首次系统分析了健康对照组与不同阶段牙周病（牙龈炎、轻/中/重度牙周炎）的唾液SERS谱图差异，结合机器学习算法实现了疾病精准分类，为临床无创诊断开辟新途径。

Experimental reagents and equipment

实验采用硝酸银（AgNO₃）、柠檬酸钠（C₆H₅Na₃O₇）等试剂合成银纳米颗粒，使用糖原、谷胱甘肽等15种标准品建立代谢物数据库，所有样本通过超纯水（18.0?MΩ·cm）处理确保检测精度。

Characterization of silver nanoparticles

扫描电镜（SEM）显示合成的银纳米颗粒呈类球形且分布均匀（图1A），紫外可见吸收光谱在425?nm处出现显著等离子共振峰（图1B）。该基底具有优异增强效果，相同条件下唾液SERS信号相对标准偏差<5%，满足临床检测要求。

Conclusions

研究证实唾液SERS指纹谱能敏感反映牙周病变程度，通过变量重要性投影（VIP≥1）和P值双筛选标准锁定7种关键代谢物。基于卷积神经网络（CNN）构建的分类模型在轻症组鉴别准确率达99.40%，重症分级达99.28%，为牙周病动态监测提供智能化工具。