机器学习辅助的表面增强拉曼光谱技术在干人血清分析中的应用——用于甲状腺乳头状癌及中央区淋巴结转移的快速诊断 可供购买

《Analytical Methods》：Machine learning-assisted surface-enhanced Raman spectroscopy technique in dried human blood serum analysis for rapid diagnosis of papillary thyroid carcinoma and central lymph node metastasisAvailable to Purchase

　　中央淋巴结是乳头状甲状腺癌（PTC）最常见的转移部位。预防性中央区淋巴结清扫会带来不可忽视的风险（如喉返神经损伤和淋巴漏），因此需要一种创伤更小的术前方法来预测中央区淋巴结转移（CLNM）状态。在本研究中，我们收集了150名健康对照（HC）和150例PTC患者的血清样本，其中包括75例CLNM患者和75例中央淋巴结无转移（NCLNM）患者。采用多种机器学习（ML）模型分析表面增强拉曼光谱（SERS）谱图，用于分类PTC并预测CLNM。支持向量机（SVM）在区分HC与PTC方面取得了最高准确率（99.76%），而随机森林（RF）在区分CLNM与NCLNM方面表现最佳（95.91%）。为了阐释这些模型，基于SHapley加性解释（SHAP）的可解释性分析识别出了一致对模型预测做出贡献的谱图特征模式。这些结果支持基于血清、微创的方式预测PTC的中央淋巴结转移状态，并可能有助于术前风险分层。图形摘要：从样本采集到光谱分析的典型流程示意图。版权说明：? 2026 作者。由英国皇家化学学会（RSC）出版许可声明：如需在其他出版物中使用本文材料，您必须申请许可；请参阅我们关于在RSC许可下发表的文章中材料再使用的指南。