基于人工智能的激光光谱技术，用于对慢性肾脏疾病以及与吸烟相关的生化变化进行多类分类——这些变化可通过指甲检测得出

《Microchemical Journal》：AI-driven laser spectroscopy for multiclass classification of chronic kidney disease and smoking-associated biochemical alterations from fingernails

　　•基于LIBS的非侵入性框架，用于多重类别筛查慢性肾病（CKD）和吸烟相关的改变。•使用集成的Q开关Nd:YAG激光器捕获指甲样本的光谱数据。•指甲光谱分析揭示了与CKD和吸烟习惯相关的元素变化。•基于AI的特征提取能够有效区分微妙的光谱差异。•AdaBoost集成模型提高了对健康人群、CKD患者以及吸烟患者的分类准确性。•使用AdaBoost时，准确率达到97.7%，特异性达到98.8%，Cohen Kappa值为0.966。

引言
激光诱导击穿光谱法（LIBS）是一种强大且多用途的分析技术，可应用于许多不同场景。该技术的原理是向样品表面发射高强度、短间隔的激光脉冲[1]。当激光能量的密度超过其临界阈值时，会发生光学击穿，从而瞬间形成厚厚的、高度电离的等离子体。现有原子和离子发出的离散光谱线表征了等离子体中的冷却过程。只要能够控制基质的影响，并且等离子体仍然是目标样品的化学计量反射，这些发射信号就可以作为定量元素的诊断手段[2]。LIBS的最新发展主要体现在其生物医学应用的增加上，这得益于其低样的制备要求、快速的数据采集能力和多元素检测能力。该方法已广泛应用于各种生物样本，如微生物培养物、致密的钙化样本（如骨骼和牙釉质），以及富含角蛋白的组织（如头发或指甲）[3],[4]。这种多功能性凸显了其在临床诊断中日益增长的潜力。慢性肾病（CKD）的特征是肾脏功能的逐渐恶化，最终导致无法过滤体内的代谢废物，从而无法维持体液和电解质的正常水平。患者的有效管理与早期诊断分期密切相关；然而，这一过程需要一系列重复且耗时的临床检测。肾病是通过识别肾脏损伤或功能丧失来临床诊断的[5]。这被正式定义为持续性的肾小球滤过率（GFR）低于60 mL/min/1.73 m2，且持续时间超过90天[6]。CKD的患病率已达到全球人口的约10%，已有超过8亿病例被诊断出来。由于这些数字持续增长，预计到2040年CKD将成为全球主要的死亡原因之一，因此开发更好的诊断工具已成为全球性的关注点[7]。尽管CKD的确切原因仍在研究中，但普遍认为糖尿病、高血压和心血管疾病是主要诱因。其他影响疾病发展的关键因素还包括肾小球肾炎、肥胖和自然衰老过程[8],[9]。其中，吸烟最近被确认为导致慢性肾病发生和进展的最重要风险因素之一[10]。吸烟已知会引发氧化应激、内皮功能障碍和慢性炎症，这些因素共同加速了肾脏损伤并损害了肾功能。长期暴露于烟草烟雾会导致全身代谢改变和矿物质稳态紊乱，可能引起生物组织中的元素变化。此外，吸烟还与某些微量元素和有毒金属在体内的积累增加有关，这可能会影响角化组织（如指甲）的生化组成。因此，研究CKD患者中与吸烟相关的元素变化可以为疾病的进展以及吸烟者与非吸烟者之间的表型差异提供宝贵的见解。对头发、骨骼、牙齿和指甲等生物基质的元素分析为评估长期代谢和生理健康提供了可靠的方法[11]。肾功能障碍常常表现为骨骼退化，特别是通过骨密度降低、骨质疏松症和高钙尿症结石病的形式体现出来。肾脏通过调节血液中的钙、磷和铁的水平，在矿物质稳态中起着关键作用，这些元素对钙化和角化组织的结构健康至关重要。肾功能障碍常常引发激素失衡，导致异常的矿物质积累和元素变化，直接影响头发和指甲等生物标志物的组成。

现代流行病学和生物医学研究已经识别出多种基于组织的生物标志物，它们反映了由慢性疾病引起的持续代谢和病理变化。指甲作为有价值的元素生物标志物，其层状角蛋白结构记录了与CKD相关的系统性矿物质失衡。这些样本特别适合大规模人群研究和资源有限的环境，因为它们是非侵入性的、化学性质稳定的，并且可以在室温下方便存储。标准的分析方法，包括原子吸收光谱法（AAS）、ICP-MS/OES和FTIR，是评估指甲元素组成和识别疾病相关波动的主要工具[12],[13],[14]。虽然这些方法具有高精度，但通常受到繁琐样品制备、高昂的操作费用和较长处理时间的限制。相比之下，激光诱导击穿光谱法（LIBS）提供了一种快速、经济的替代方案；其几乎不需要预先处理的特点使其成为现实临床诊断中的有力候选方法。健康人和CKD患者指甲样本的LIBS光谱很难区分，因为光谱差异通常很微妙甚至重叠。当尝试区分密切相关的群体（如健康对照组、CKD患者和有吸烟史的CKD患者）时，这种诊断复杂性显著增加。仅凭主观观察无法实现样本之间的可靠区分，需要基于坚实的数据驱动分析。解决这种光谱复杂性需要使用机器学习。最近的光谱诊断技术发展表明，结合光谱数据的机器学习算法可以显著提高检测与复杂疾病相关的潜在生化变化的能力。然而，尽管有这些进展，使用LIBS同时区分过去吸烟和未吸烟的CKD患者的研究尚未全面展开。特别是，利用指甲生物标志物通过LIBS和集成机器学习对CKD表型进行分类的应用仍需要系统性的探索。目前的工作通过将吸烟相关的生化变化应用于指甲光谱学，为基于LIBS的CKD诊断做出了贡献，从而实现了健康参与者、CKD患者和吸烟相关CKD之间的多重类别区分。本文提供了一个非侵入性检测框架，利用LIBS获取的指甲光谱对健康人、CKD患者和吸烟的CKD患者进行多类别分类。微妙的生化差异及由此产生的光谱重叠使得区分多种类型的指甲样本变得具有挑战性。仅依靠视觉分析光谱特征很难实现可靠的区分。为了克服这些分析限制，首先使用主成分分析（PCA）降低维度，然后将其输入到自适应提升（AdaBoost）集成模型中。这些统计模型通过研究几条关键发射线的强度变化来对高维光谱数据进行分类。这种组合系统是区分和描述指甲LIBS数据中独特光谱特征的有效方法。为了确保诊断系统的可靠性，结果通过K-最近邻（KNN）基准进行了严格的验证。基于LIBS的指甲分析结合集成机器学习提供了一个非侵入性诊断框架。该系统成功地区分了复杂的表型，识别了与慢性肾病（CKD）和吸烟相关生理变化相关的光谱特征。

**部分摘录**
- 本研究共收集了180名参与者的指甲样本，分为三组：健康对照组（n = 60）、无吸烟史的临床诊断为CKD的患者（n = 60）和有吸烟史的CKD患者（n = 60）。所有CKD病例在纳入研究前均经过认证医疗人员的确认，符合标准临床诊断标准。
- 由于患病和健康指甲样本之间的LIBS光谱差异非常微小且经常重叠，仅凭这些数据难以将个体分类为健康组、CKD组或吸烟-CKD组。生物光谱数据的复杂性要求使用化学计量方法才能获得有效结果。这些方法使研究人员能够从复杂的数据集中提取出有意义的信息，确保生物样本分类的一致性。
- 实施了基于AdaBoost的集成方法，对激光诱导击穿光谱（LIBS）数据中的生化变化进行分类。训练阶段涉及处理来自三个不同临床组的指甲样本的提取光谱变量：健康参与者、CKD患者和有吸烟习惯的CKD患者，从而促进了多类别诊断评估。AdaBoost架构作为一种先进的集成学习方法...
- 指甲的光谱线强度的综合值是光谱分析的基础。图3展示了一个健康对照组指甲的典型LIBS光谱，其中标出了部分光谱线。指甲发射光谱主要由UV-VIS范围内的线条组成。LIBS数据分析显示，镁（Mg）和钙（Ca）以中性和离子化状态存在。相反，钾（K）、硅（Si）、铁（Fe）和钠（Na）的存在...

**结论**
本研究评估了基于指甲的LIBS光谱分析作为一种快速、非侵入性的诊断方法的有效性，用于识别健康对照组、CKD队列和有吸烟史的CKD患者之间的差异。通过PCA降低了数据的维度，只将最重要的光谱特征传递给分类阶段。简化后的光谱特征被用于开发包括AdaBoost在内的机器学习算法。

**作者贡献**
该研究是由团队合作共同构思和设计的。I. Rehan负责材料准备、数据收集、实验分析、数据管理以及手稿撰写和AI算法的实施。M. Aamir提供了实验支持，并协助了写作和编辑过程。手稿的最终版本得到了所有作者的审阅和批准。

**伦理批准**
所有实验工作均遵循巴基斯坦佩沙瓦伊斯兰学院大学伦理机构审查委员会（EIRB）批准的指南（2025年3月3日/39-AS&RB/ICP）。

**资金支持**
本研究得到了沙特阿拉伯国王费萨尔大学研究生研究和科学研究副校长办公室的科学基金支持[资助编号：KFU265908]。

**利益冲突声明**
作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。

**Imran Rehan** | **Muhammad Aamir**