基于SERS的深度学习方法用于妊娠糖尿病的早期检测

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》:SERS-based deep learning approach for early detection of gestational diabetes mellitus

【字体: 大 中 小 】 时间:2026年01月15日 来源:Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy 4.3

编辑推荐:

  妊娠糖尿病早期筛查新方法:基于表面增强拉曼光谱(SERS)结合主成分分析(PCA)与卷积神经网络(CNN)的快速高灵敏度诊断系统。通过银纳米颗粒增强的血清SERS光谱,构建PCA-CNN模型实现30分钟内完成检测,仅需2.5μL血清,诊断准确率达93.7%,敏感性和特异性分别为0.95和0.93。

  
林慧珍|陈家旺|陈一鸣|卢德昌
福建医科大学莆田第一附属医院临床实验室,中国莆田351100

摘要

早期和准确诊断妊娠糖尿病(GDM)对于改善母婴结局和降低不良妊娠事件的风险至关重要。然而,目前的GDM临床筛查方法在检测速度、灵敏度和便捷性方面仍存在局限性,难以满足快速早期妊娠筛查的临床需求。为了解决这一问题,我们提出了一种基于表面增强拉曼光谱(SERS)与深度学习结合的新型早期GDM诊断策略,旨在实现快速准确的早期筛查。使用银纳米粒子(Ag NPs)作为基底,获得了血清的特征SERS光谱。我们开发了一种融合了主成分分析(PCA)用于降维和一维卷积神经网络(1D-CNN)用于特征学习的PCA-CNN模型。该模型能够有效从血清SERS光谱中提取潜在的生物标志物特征,诊断准确率达到93.7%,灵敏度和特异性分别为0.95和0.93。此外,整个检测过程可在30分钟内完成,每份样本仅需约2.5微升血清,并且预处理步骤极少,体现了高效性和实用性。本研究提供了一种结合高诊断性能和临床适用性的新型早期GDM筛查方法,为GDM的早期干预和临床管理提供了有前景的技术支持。

引言

妊娠糖尿病(GDM)是一种常见的妊娠期代谢紊乱,对孕妇和胎儿的健康构成重大风险[1,2]。未能及时诊断和管理GDM可能导致一系列不良后果,包括巨大儿、早产和先兆子痫,同时还会显著增加母亲及其后代患2型糖尿病的长期风险[[3], [4], [5]]。因此,实施早期和准确的GDM筛查和诊断策略对于优化妊娠结局和减轻母婴的长期健康后遗症至关重要。
目前,GDM的临床筛查主要依赖于生化指标,如口服葡萄糖耐量试验(OGTT)和空腹血糖水平[6]。OGTT被国际公认为GDM诊断的“金标准”,通过测量孕妇在空腹和口服葡萄糖后的不同时间点的血糖水平来进行诊断[7,8]。然而,这种方法检测过程繁琐且耗时(通常需要2-3小时),并且结果容易受到饮食和运动等外部因素的干扰[9]。虽然空腹血糖测量简单易行,但其灵敏度较低,漏诊风险较高,难以满足早期诊断的实际需求[10]。在光学检测技术领域,已经探索了基于血清生物标志物胱抑素C和糖化血红蛋白的电化学[11,12]和比色[13]光学传感器用于GDM的早期检测。然而,由于体液样本中GDM生物标志物的含量较低,现有检测技术容易与血清中的复杂基质成分发生非特异性相互作用。此外,这些方法主要依赖于针对预设生物标志物的检测模式,这限制了捕捉未包含在检测系统中的潜在诊断标志物的能力,从而导致相关诊断信息的丢失。Ansuja P. Mathew及其同事[14]提出将拉曼光谱与代谢组学结合用于GDM的早期诊断。尽管这种方法可以从多个目标获取光谱信息,但使用传统拉曼光谱常规检测血清中的GDM生物标志物仍然具有挑战性,因为这些标志物的含量通常非常低,导致拉曼信号极弱,容易被背景噪声掩盖。因此,迫切需要开发一种结合高灵敏度和特异性的新型检测方法用于妊娠糖尿病的早期筛查。
表面增强拉曼光谱(SERS)是一种高灵敏度的分子振动光谱技术,具有独特的分子指纹识别能力,能够提供丰富的分子结构信息,并具有样品预处理简单和检测速度快的优点[15,16]。目前,标记SERS已应用于GDM的生物标志物,如脂联素[9]、糖化血红蛋白(HbA1c)[17]以及葡萄糖和胰岛素的联合检测[18]。此外,无标记SERS技术已成功应用于多种癌症的早期诊断,包括子宫疾病[19]和肺癌[20]。在数据分析中,传统的机器学习方法如主成分分析-线性判别分析(PCA-LDA)[21]和支持向量机(SVM)[22]被广泛用于光谱分类,但其特征提取能力有限。由于SERS光谱数据的高维度、噪声和非线性,这些方法常常出现过拟合或欠拟合问题,导致模型泛化能力不足。深度学习技术凭借其强大的自动特征提取和复杂数据建模能力,已被应用于SERS光谱数据分析[23,24]。
本研究提出了一种基于SERS光谱和深度学习模型的新型GDM早期检测方法(图1)。我们收集了正常孕妇和GDM患者在妊娠早期(妊娠年龄<14周)的血清样本,并使用银纳米粒子(Ag NPs)胶体作为增强基底获得了他们的SERS光谱数据。通过构建结合卷积神经网络(CNN)的PCA模型,并利用大量GDM患者和健康对照组(HC)的血清SERS数据进行训练,系统评估了该模型的早期GDM检测能力。与现有检测方法相比,该方法具有以下显著优势:(1)检测速度快,从样本制备到光谱获取整个过程在30分钟内完成;(2)诊断准确率高,PCA-CNN模型有效提取了相关光谱特征,显著提高了灵敏度和特异性;(3)样本需求量小,预处理简单,仅需约2.5微升血清,无需复杂处理,从而减轻了患者的负担和成本。

样本收集与制备

本研究严格遵循《涉及人类受试者的生物医学研究国际伦理指南》和《人类研究伦理行为国家宣言》进行。实验中使用的样本获得了莆田第一医院伦理委员会的批准(批准编号:2022–027)。样本在收集后置于-80°C下保存,以确保样本的生物活性和特征稳定性。

Ag NPs的性能表征

使用JEM-2100F透射电子显微镜(JEOL,日本)拍摄了Ag NPs的透射电子显微镜(TEM)图像(图S5A)。如图S5A所示,合成的Ag NPs具有均匀的球形形态,无明显聚集现象,平均直径约为50±5纳米。动态光散射(DLS)图像(图S5B)表明Ag NPs具有优异的单分散性,这是实现稳定SERS效应的关键特征。

结论

在本研究中,我们开发了一种基于深度学习的血清SERS方法用于GDM的早期检测。构建了一个基于PCA-CNN的二分类模型,该模型能够根据无标记血清SERS光谱有效区分早期GDM患者和健康对照组(HC),诊断准确率达到94.4%。进一步比较分析表明,所提出的PCA-CNN模型的诊断性能显著优于传统机器学习算法。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

致谢

我们衷心感谢国家自然科学基金(资助编号:82502511)、福建省自然科学基金(资助编号:2025J08241)、莆田大学优秀人才启动基金(资助编号:2023134)、福建省青年和中年教师教育研究项目(资助编号:JZ230043)以及莆田大学跨学科项目-工程/医学(资助编号:2024032)的资助,他们对本研究做出了重要贡献。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号