基于深度学习的跨设备SERS光谱标准化与超操作神经网络分类器在病原体识别中的突破性应用

本研究针对便携式与实验室级拉曼光谱仪在表面增强拉曼光谱（SERS）病原体检测中存在的光谱质量不一致、跨设备重现性差及机器学习泛化能力不足等问题，开发了SERS-D2DNet域转换模型和SuperRaman分类器组成的级联深度学习框架。该技术将低成本设备的SERS光谱转换为实验室级标准，实现了高达100%的多类分析物分类准确率，参数仅6.6M，推理时间3.27ms，为现场快速病原体鉴定提供了可部署的解决方案。

　　

在临床诊断、食品安全和环境监测领域，表面增强拉曼光谱（SERS）技术因其高灵敏度、无标记检测和分子特异性而备受青睐。然而，该技术的广泛应用面临严峻挑战：便携式设备与实验室级仪器之间存在显著的光谱质量差异，不同设备的激光功率、激发波长和检测器灵敏度差异导致光谱数据不一致，加之缺乏标准化基底和协议，严重制约了跨平台数据的可比性和分类模型的泛化能力。特别是在病原体快速检测场景中，低成本便携设备的低信噪比光谱使得传统机器学习方法难以实现可靠分类，而高性能实验室设备又因成本和高通量限制难以普及。

为破解这一难题，由Sakib Mahmud、Faizul Rakib Sayem等来自卡塔尔大学工程学院的研究团队在《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》上发表了一项创新研究。他们开发了一种级联深度学习框架，通过光谱域转换和分类器优化，成功实现了便携设备SERS光谱向实验室级标准的精准映射，极大提升了多类细菌生物标志物的分类性能。

研究采用银纳米棒（AgNR）基底采集了20类分析物（包括细菌生物标志物和参考化合物）的SERS光谱数据，涉及5种拉曼设备：实验室级的Renishaw和便携式的Enwave、Tec5、First Defender、Rapid ID。关键技术方法包括：1）使用SERS-D2DNet（一种基于1D序列到序列的神经网络）进行设备间光谱转换，该模型集成多分辨率范围合并（MRSM）块和混合特征增强（MFA）层；2）采用SuperRaman分类器（基于超操作神经网络-Super-ONN）实现多类分析物分类；3）通过多项式基线校正和移动平均滤波进行光谱预处理；4）采用留出法划分数据集，每类选取50个样本训练转换模型。

研究结果首先验证了域转换模型的有效性。如Section 4.1所示，SERS-D2DNet将四种便携设备的光谱与Renishaw标准光谱的确定系数（R²）提升至98%以上，其中Enwave设备的提升幅度最大（从64%到99.44%）。误差指标显著降低，平均绝对误差（MAE）降至0.01以下（Table 3）。可视化对比（Fig. 4）显示转换后的光谱在450-550 cm^-1和1200-1700 cm^-1特征区域与目标光谱高度吻合。

在分类性能方面（Section 4.2），SuperRaman在转换后的光谱上表现出近乎完美的分类准确率：Fdefender设备达到100%，Enwave和Tec5分别达到99.98%（Table 5）。混淆矩阵分析（Fig. 7）表明，原本易混淆的分析物（如LPS-3与PMB、PGN与LPS-10）在转换后得到明显区分。显著性图谱（Fig. 8）进一步揭示了分类器依赖的关键光谱区域，为模型决策提供了可解释性。

ablation研究（Section 4.2.3）证实了预处理和模型架构的重要性：去除基线校正导致性能显著下降，而Super-ONN块相比传统CNN和Self-ONN具有明显优势（Table 6）。与现有技术的对比（Table 7）显示，该框架的准确率比SpectraFRM等基准方法提高2-8%。

研究结论表明，这种级联框架成功解决了便携式SERS设备的光谱质量问题，通过域转换将低成本设备的数据提升至实验室标准，使后续分类器能够实现接近完美的多类病原体识别。该方法仅需6.6M参数和3.27ms推理时间，非常适合部署在资源受限设备上，为现场快速病原体检测（如脓毒症诊断、食源性病原体筛查）提供了可靠技术方案。研究者也指出局限性：当前需要依赖实验室设备数据监督训练，未来需探索零样本泛化能力。这项工作不仅推动了SERS技术在临床诊断中的应用，也为跨设备光谱标准化提供了新的深度学习范式。