编辑推荐：
拉曼光谱因其能够从生物样本中提供丰富的分子层面信息而被广泛使用。然而，拉曼光谱的高灵敏度也可能无意中编码外部信息，例如患者身份、仪器特定特征、环境条件及样本处理方案。这种隐藏结构被称为批次效应（batch effect），它在机器学习应用中带来了日益严峻的挑战
拉曼光谱因其能够从生物样本中提供丰富的分子层面信息而被广泛使用。然而，拉曼光谱的高灵敏度也可能无意中编码外部信息，例如患者身份、仪器特定特征、环境条件及样本处理方案。这种隐藏结构被称为批次效应（batch effect），它在机器学习应用中带来了日益严峻的挑战，可能导致模型过拟合（overfitting）、泛化能力差，甚至在数据集共享时引发隐私风险。在本研究中，研究人员探究了源自胶质瘤肿瘤样本的拉曼光谱数据集中批次效应的存在及其影响。结果表明，深度学习能够从单个光谱中准确预测患者身份，揭示了数据中强烈的偏倚模式。为缓解这一问题，研究人员探索了多种方法，并提出了一种基于对抗深度学习（adversarial deep learning）的算法框架。该方法有效降低了对样本特异信号的混杂影响，同时保留了与肿瘤分类相关的信息。这些发现强调了在基于拉曼光谱的人工智能流程中进行审慎偏倚控制的必要性，并为生物医学光谱学中更稳健的应用提供了工具支持。
**论文解读：基于对抗深度学习的拉曼光谱批次效应缓解**
**一、研究背景与问题**
拉曼光谱作为一种无标记、非破坏性的分析技术，能够提供样本丰富的分子振动信息，已在肿瘤学领域获得广泛应用，如无标记分子图谱、术中肿瘤边界评估、肿瘤分类与分子分型以及治疗反应监测等。然而，拉曼光谱仪器的极高灵敏度也使其在采集过程中不可避免地编码了诸多非生物学外部信息，包括患者身份相关模式、仪器特异性特征、环境条件波动以及样本处理方案差异等。这些隐藏结构被称为批次效应（batch effect）。该效应并非源于采集策略不当或样本制备不规范，而是由仪器高灵敏度所引入的系统性非生物学差异所致。批次效应会导致机器学习模型学习到与原始实验设计相关的模式而非研究特异性模式，进而造成模型过拟合、泛化能力下降，在数据集共享时还可能引发隐私泄露风险。因此，识别并缓解拉曼光谱数据中的批次效应对构建稳健的拉曼-人工智能分析流程至关重要。
**二、研究目标与开展的工作**
针对上述问题，研究人员在源自胶质瘤肿瘤样本的APOLLO数据集上开展了系统性研究。该数据集包含来自46位患者的59个胶质瘤样本的拉曼光谱测量数据，共300,506条光谱，经异常去除后保留260,922条用于学习任务。研究人员首先验证了拉曼光谱数据的强富信息特性使得深度学习模型能够仅从光谱特征中准确预测患者身份，从而证实了数据中存在显著的批次效应。随后，研究人员评估了多种降低该偏倚同时保持肿瘤分型准确性的策略，包括经典光谱校正技术（基线校正、宇宙射线去除、去噪）以及基于深度学习的方法。在深度学习方法中，研究人员设计了基于编码器和二元输出头的深度神经网络模型，以对抗方式进行训练。特征编码器被优化以保留预测IDH1突变状态所需特征，同时抑制对患者身份信息具有判别力的特征，从而消除导致身份识别的样本特异模式。
**三、主要关键技术方法**
研究人员采用了基于对抗学习的特征重要性层与分类器协同训练框架。该框架包含两个核心组件：特征重要性层，用于优化输入特征集；分类器，在优化后的特征集上进行生物学任务分类。对抗训练过程交替进行两阶段更新：锁定特征重要性层，训练分类器最小化批次效应并最大化生物学准确率；随后锁定分类器，训练特征重要性层抑制样本ID信号并增强IDH1分类性能，如此迭代直至收敛。研究使用了分层10折交叉验证（stratified 10-fold cross-validation），而非留一患者交叉验证，以确保每个患者样本均出现在验证集中。
**四、研究结果**
**单特征重要性评估：**通过对手动预处理数据中每个拉曼波长独立训练决策树模型，研究人员发现单一特征无法充分捕获样本ID或IDH1突变状态特征（样本ID分类平衡准确率最高仅略高于7.1%随机基线，IDH1状态若干特征可达55%以上），表明需要多个特征联合建模才能充分表达目标变量。
**拉曼数据中的批次效应：**在简化双样本实验中（HF-1887与HF-2070，同为IDH1突变型胶质瘤），仅含665个参数的小型深度学习模型即可高效区分两个样本，明确证实了生物相似肿瘤中仍存在可由模型利用的样本特异模式。扩展到全部46位患者的完整数据集后，双头神经网络模型实现了68%的样本ID预测准确率（46类分类）和84%的IDH1甲基化亚型预测准确率，有力证实了APOLLO数据集中批次效应的强存在性。
**通过预处理减少批次效应：**研究人员对比了原始数据、RADAR深度学习预处理及手动基线校正预处理三种数据版本对批次效应的影响。结果表明，预处理一般使模型学习样本特异特征更加困难：样本ID预测的AUC从原始数据的75%降至RADAR预处理的69%和手动预处理的66%。然而这些数值仍处于高位，表明预处理不足以消除数据中持续存在的批次效应。
**通过可学习特征减少批次效应：**研究人员应用所提出的对抗特征学习方法，在10折交叉验证的各折中训练模型，学习到的特征重要性权重被用于将原始光谱转换为去偏表示。经处理后，样本ID任务的平均平衡准确率从原始数据的68%大幅下降至12%，而IDH1突变状态分类的平均平衡准确率仅从85%微降至81%，表明成功缓解了批次效应同时保留了生物学相关信息。此外，学习到的特征重要性集中在光谱前半段波长（指纹区），且532 cm
-1处对应于胆固醇酯的特征峰被有效捕获，该峰在先前的研究中被报道为表征IDH1突变型与野生型肿瘤的新型标志。
**五、讨论与结论**
研究人员指出，批次效应源于异构数据分布，其模式可能非平凡且高度依赖实验条件、样本制备和设备因素。该研究的核心贡献在于将批次效应量化（通过训练分类器测量）与可学习特征重要性层相结合，以对抗方式训练，在抑制样本ID相关信息的同时保留IDH1生物分类相关信息。该方法的适用条件包括：拉曼数据需具有足够宽的波长范围以在去除批次效应相关波长后仍保留足量信息，以及数据集中需有足够多的拉曼光谱以支撑对抗训练过程。研究同时指出，仅减少批次效应不足以保证临床转化，严格的验证和可重复的评估协议同样关键。研究结论为：所提出的对抗深度学习方法成功将拉曼数据集中样本ID预测的批次效应从68%降至12%，同时保持了IDH1突变状态分类的临床相关性能，为生物医学光谱学中更稳健的机器学习应用提供了有效的偏倚控制工具。
