MEDFM：结合扩散模型与元学习的少样本傅里叶变换红外光谱分析方法

《Infrared Physics & Technology》：MEDFM: integrating diffusion models and meta-learning for few-shot FTIR spectral analysis

　　

摘要

傅里叶变换红外光谱（FTIR）作为一种高灵敏度的分子指纹技术，在复杂的临床检测场景中具有广泛的应用价值。然而，在罕见病诊断和早期疾病亚型筛查等关键应用中，由于发病率极低和采样困难，红外光谱数据往往面临严重的小样本问题，导致传统深度学习建模遇到严重的过拟合瓶颈。为解决这一挑战，本文提出了一种整合扩散模型和元学习的少样本FTIR建模方法（MEDFM）。MEDFM使用类别标签和支持样本原型构建双条件引导的扩散模型，生成与类别相关的合成光谱。此外，引入基于原型距离的动态加权机制，优化增强的类别表示，提升少样本条件下的判别能力。为验证所提方法的有效性，在一个包含五种炎症相关疾病的典型红外光谱数据集上进行了系统评估。结果表明，MEDFM在不同k-shot设置下提高了分类性能，并在生成样本质量评估、疾病间二分类以及固定增强预算对比中展现了有效性。这些发现表明，MEDFM通过在有限数据条件下结合生成式增强与少样本学习，为基于FTIR的临床分析提供了一种潜在策略。

引言

傅里叶变换红外光谱（FTIR）作为一种非侵入性且高灵敏度的分子指纹技术，能够表征生物样本中包括蛋白质、脂质和核酸等生物大分子的振动特征[1]。利用其在分子层面阐明病理演变的独特优势，FTIR光谱在临床生物化学分析和计算机辅助诊断中得到了广泛应用。此外，其与机器学习模型的深度结合，日益被视为实现智能精准筛查的关键范式[2]。然而，在应对复杂临床场景——如发病率低的罕见病或早期癌症亚型分类——研究人员经常面临小样本建模的巨大挑战[3]、[4]。由于临床采样受实际和伦理因素限制，标注数据量往往有限，增加了深度神经网络的过拟合风险，可能影响光谱分布特征的稳定学习[5]。因此，在有限数据条件下提高红外光谱模型的稳定性、判别能力和生物化学可解释性，仍是红外光谱分析中的重要研究问题[6]。

针对这些建模挑战，深度学习（DL）在医学诊断领域经历了变革性进展[7]、[8]，催生了多种复杂的DL驱动诊断方法。例如，Du等人[9]利用血清FTIR光谱结合混沌理论辅助疾病诊断，在胶质瘤和系统性红斑狼疮的识别中取得了令人满意的结果，但其样本量仅为127。Galant等人[10]应用FTIR光谱预测非小细胞肺癌患者对一线免疫治疗的反应，样本量仅52例。这些研究展示了深度学习在医学FTIR分析中的潜力及其提取复杂光谱模式的能力；然而，有限的样本量可能增加过拟合和性能不稳定的风险[11]。由于深度学习模型的性能严重依赖于大规模高质量标注数据，高质量临床样本采集困难、数据采集和标注成本高、患者隐私保护以及相对较低的疾病发病率等因素，导致可用于训练的红外光谱数据集规模极其有限。相应地，开发适用于有限临床数据集的少样本学习策略具有重要的现实意义[12]。

应对医学数据稀缺的常见策略可分为两大类：一类是基于模型的方法，通过优化神经网络架构和训练策略，使模型能够从有限样本中高效学习[13]；另一类是基于数据的方法，通过生成高质量合成样本扩展训练集[14]。在基于模型的方法中，少样本学习[15]，尤其是元学习范式[16]，展现了显著优势。其中，原型网络[17]通过计算类别原型并测量查询样本与原型之间的距离来实现分类，在医学图像分类中展现了良好前景[18]。然而，仅依靠元学习方法仍不足以完全克服极端数据稀缺带来的挑战，尤其是当每个类别仅有少量样本时，计算得到的类别原型仍无法充分捕捉类别的内在分布特征[19]。在基于数据的方法中，生成模型被广泛用于数据增强[20]。早期的数据增强技术主要包括合成少数类过采样技术（SMOTE）[21]和自适应合成采样（ADASYN）[22]，通过现有样本间的插值或基于邻域信息生成新样本来扩展数据集。然而，这些传统方法生成的样本往往局限于原始数据的线性组合，无法捕捉复杂的数据分布特征[23]。随着深度学习的发展，变分自编码器（VAE）[24]和生成对抗网络（GAN）[25]等深度生成模型取得了一些成功，但在生成高质量、多样化样本方面仍存在局限[26]。VAE在生成一维光谱数据时往往产生过于平滑的结果，无法保留光谱峰的锐利特征和精确位置[27]；而GAN通常面临训练不稳定和模式坍塌问题[28]。近期，去噪扩散概率模型（DDPM）作为一种新的生成模型出现，通过逐步添加和去除噪声的过程学习数据分布。它们在图像[29]和音频[30]等领域展现了出色的生成能力。与VAE和GAN相比，扩散模型通常提供相对稳定的训练，并在一系列生成任务中展现了良好的样本质量[31]。目前，扩散模型主要应用于图像生成，在一维红外光谱数据生成方面的研究有限。

鉴于此，本文提出了一种整合扩散模型与元学习的少样本FTIR建模框架（MEDFM），旨在应对以极端数据稀缺为特征的复杂临床检测场景中所遇到的严峻光谱建模挑战。MEDFM将条件扩散生成与基于度量的少样本分类相结合。来自原始支持样本的类别标签和原型共同条件化生成与类别相关的合成光谱，而基于原型距离的动态加权机制调节单个合成样本对增强类别原型的贡献，从而将生成式增强与少样本分类相结合。该框架旨在用于标注样本有限的临床FTIR分类场景，包括每类仅有少量标注样本的应用。为评估其分类性能和稳定性，在五个疾病特异性FTIR数据集上进行了系统实验。本研究的主要贡献总结如下：

1.我们提出了MEDFM，一个整合条件扩散生成与基于度量的少样本学习的FTIR分析框架，为有限样本条件下的生成式增强和分类提供了联合框架。

2.我们引入了一种由类别标签和原始支持原型共同引导的条件扩散机制，以生成与类别相关的红外光谱。此外，使用基于原型距离的动态加权策略，根据合成样本与对应原始类别原型的距离来调节其对增强原型的贡献。

3.我们在五个疾病特异性FTIR数据集上进行了系统评估，在不同的k-shot设置（k=1,2,3,4）下测试MEDFM在不同少样本条件下的性能。

4.从光谱保真度、多样性和化学计量学特征等互补角度评估生成光谱，以检验其与真实光谱的一致性。

章节摘要

红外光谱在疾病诊断中的应用

红外光谱作为一种基于分子振动特征的分析方法，提供了关于样本分子组成的详细信息[32]。近年来，红外光谱已被广泛研究用于医学辅助诊断，并应用于各种临床疾病的检测和鉴别，包括自身免疫性疾病[33]。传统方法通常依赖手动特征提取和已建立的分类器（如

方法

本节描述MEDFM框架，该框架整合了条件扩散生成与基于度量的少样本分类。来自真实支持样本的类别标签和原型共同约束光谱生成，而基于原型距离的动态加权用于将生成样本纳入类别表示。在模型开发过程中，扩散模块和少样本分类模块仅使用开发集进行联合优化。

实验

实验在五个疾病FTIR数据集上进行，包括骨关节炎（OA）、类风湿关节炎（RA）、强直性脊柱炎（AS）、狼疮肾炎（LN）和干燥综合征（SS）。每个数据集被构建为相应疾病样本与其疾病特异性健康对照组之间的二分类任务。

结论

在本研究中，我们提出了MEDFM，一个整合条件扩散生成与元学习的少样本FTIR分析框架，以应对有限临床光谱数据下的建模挑战。通过双条件引导的扩散生成与类别相关光谱，并通过动态加权优化类别表示，MEDFM联合执行生成式增强和少样本分类。

在五个疾病FTIR数据集、多种k-shot设置下的实验，

CRediT作者贡献声明

Wei Zhenzhen：写作 – 审阅与编辑，写作 – 初稿，可视化，软件，方法学。Chang Chenjie：写作 – 审阅与编辑，验证，监督，项目管理，方法学。Chen Chen：写作 – 审阅与编辑，验证，监督，方法学，形式化分析，概念化。Song Jiayang：监督，调查，形式化分析，概念化。Wu Lijun：资源，调查，概念化。Wu Xue：资源，调查，

利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系可能影响本论文中报告的工作。

Zhenzhen Wei|Chenjie Chang|Chen Chen|Jiayang Song|Lijun Wu|Xue Wu|Chenxi Li|Xiaoyi Lv|Yang Zhao|Cheng Chen

新疆大学计算机科学与技术学院，中国新疆乌鲁木齐 830046