深度学习辅助表面增强拉曼光谱技术实现急性白血病的快速精准分类诊断

针对急性白血病(AL)中枢神经系统(CNS)浸润早期诊断难题，张冬杰团队开发了深度学习(DL)与表面增强拉曼散射(SERS)结合的DL-SERS平台。该研究通过分析390例脑脊液(CSF)样本，在5分钟内实现0.5μL微量样本检测，利用Transformer模型融合一维光谱和二维图像特征，对AL亚型及基因异常分类准确率达96.2%，为白血病诊断提供了高灵敏度辅助工具。

　　

急性白血病(AL)是严重威胁人类健康的血液系统恶性肿瘤，其中中枢神经系统白血病(CNSL)更是导致治疗失败和复发的主要原因。然而，当前临床诊断面临三大困境：常规细胞学检查灵敏度不足50%，流式细胞术(FCM)对样本处理要求苛刻，而脑脊液(CSF)中白血病细胞易黏附血管壁导致检出率降低。更棘手的是，约30%-40%患者在复发时才被发现CNS浸润，且早期常无典型症状。这些诊断瓶颈亟需突破性技术的出现。

西安电子科技大学张冬杰、陈雪利团队与华西医院曾婷婷等合作，在《Cell Reports Medicine》发表创新成果。研究者另辟蹊径，选择CSF这种成分相对简单的生物样本，巧妙结合表面增强拉曼光谱(SERS)的超高灵敏度与深度学习(DL)的强大模式识别能力，构建了DL-SERS智能诊断平台。该研究收集了来自五家医疗机构的332例CSF样本，涵盖健康对照、不同AL亚型及CNS浸润患者。

关键技术方法包括：1) 基于SLIPS（仿生超滑表面）和CSF中氯化物的聚集效应构建增强型SERS检测体系；2) 开发Transformer算法驱动的特征融合模型，整合一维光谱和二维图像信息；3) 建立六类分类模型用于AL亚型和基因异常鉴别；4) 采用多中心样本进行内部验证和外部独立验证。

研究结果部分：

"快速筛查急性白血病"证实，仅需0.5μL CSF样本，5分钟内即可获得高质量SERS信号。通过物理富集和化学聚集双重增强策略，检测灵敏度显著提升。特征融合结合Transformer模型的筛查准确率达96.13%，AUC值0.98，显著优于传统CNN方法。

"急性白血病诊断"部分显示，该平台对AML/ALL分类准确率96.2%，B-ALL/T-ALL达96.5%，AML亚型(M1-M5)鉴别准确率91.8%。特别值得注意的是，对BCR/ABL融合基因阳性(包括p190/p210亚型)和Ph样ALL的识别准确率达93.9%，为临床棘手的遗传异质性诊断提供新思路。

"外部验证与流式分析"证实，独立验证组对AML/ALL分类保持93.3%准确率。通过对比FCM结果发现，当异常原始B淋巴细胞比例从0%增至24%时，SERS光谱在560 cm^-1和1,376 cm^-1处强度变化显著，提示核酸含量变化可能与CNS浸润程度相关。

"普适性与迁移性"研究拓展了平台应用范围，对病毒性脑膜炎、结核性脑膜炎等四种CNS疾病分类准确率达97%，AUC值高达0.997，证实该方法具有广泛适用性。

这项研究开创了白血病诊断新模式：1) 检测灵敏度突破传统技术极限，可识别CSF中微量生物标志物变化；2) 首次实现AL遗传亚型的无创快速鉴别；3) 为CNS浸润早期预警提供新指标；4) 开创性地将Transformer算法应用于SERS数据分析。尽管样本量尤其是CNSL病例有限，但该平台展现的临床转化潜力令人振奋，未来或可通过扩大样本进一步优化模型，最终实现从实验室到临床的跨越。