《Critical Reviews in Oncology/Hematology》：Raman Spectroscopy for Glioma Diagnosis Toward Precision Neuro-Oncology: A Systematic Review
编辑推荐：
专业术语翻译摘要
拉曼光谱（Raman spectroscopy）正朝着精准神经肿瘤学（precision neuro-oncology）的方向发展。本研究对47项相关研究进行了系统性回顾与严格评价。人工智能（artificial intelligence,
专业术语翻译摘要
拉曼光谱（Raman spectroscopy）正朝着精准神经肿瘤学（precision neuro-oncology）的方向发展。本研究对47项相关研究进行了系统性回顾与严格评价。人工智能（artificial intelligence, AI）与受激拉曼组织学（stimulated Raman histology, SRH）使得分子水平的组织评估成为可能。然而，方法学上的异质性（methodological heterogeneity）限制了当前的临床实施。因此，标准化与多中心验证（multicenter validation）是下一步工作的优先事项。
论文解读文章
研究背景与现存问题
胶质瘤（glioma）是中枢神经系统最常见的原发性恶性肿瘤，其高度浸润性的生长模式导致肿瘤细胞超出影像学可见边界，严重制约了完全手术切除的可能性，并与不良预后密切相关。尽管磁共振成像（magnetic resonance imaging, MRI）、荧光引导手术、正电子发射断层扫描（positron emission tomography, PET）等技术已显著提升手术规划水平，但这些手段主要提供解剖或代谢信息，难以检测弥漫性微观肿瘤浸润。与此同时，当前世界卫生组织（World Health Organization, WHO）的胶质瘤分类日益依赖分子生物标志物，如异柠檬酸脱氢酶（isocitrate dehydrogenase, IDH）突变、1p/19q联合缺失、MGMT启动子甲基化等，而这些数据依赖于组织取样与专门的实验室处理，无法在术中实时获取。这一瓶颈催生了对能够在手术期间提供实时分子表征技术的迫切需求。拉曼光谱作为一种无标记光学技术，能够从内源性细胞分子中产生生化指纹图谱，无需复杂样品制备或外源性造影剂，展现出巨大潜力。然而，现有证据在方法学稳健性、验证成熟度及转化就绪性方面尚未得到统一整合。
研究目的与方法概述
研究人员开展了一项遵循PRISMA 2020声明及预先注册方案的系统性综述，旨在全面整合并批判性评价拉曼光谱在胶质瘤诊断中的应用证据。检索数据库包括PubMed、Embase、Scopus和Web of Science，时间跨度为2015年1月至2025年6月。纳入标准为针对疑似或经组织学确诊的成人胶质瘤患者，采用拉曼光谱进行诊断评估的研究。最终有47项研究符合标准并被纳入定性综合。研究人员采用QUADAS-2工具评估偏倚风险，并依据合成无荟萃分析（Synthesis Without Meta-analysis, SWiM）报告指南进行结构化叙述性综合。
研究结果
3.1 研究筛选
共识别1,540条记录，经去重和筛选后，715篇进行标题与摘要筛选，184篇进入全文评估，最终47项研究被纳入。
3.2 纳入研究的特征
研究发表于2015至2025年间，覆盖欧洲、北美和中国。样本量从不足20例到超过200例不等。传统拉曼光谱是最常研究的模态，而近期研究扩展到表面增强拉曼光谱（surface-enhanced Raman spectroscopy, SERS）、受激拉曼组织学（stimulated Raman histology, SRH）和受激拉曼散射（stimulated Raman scattering, SRS）。分析方法从传统统计方法演进至机器学习和深度学习模型。
3.3 方法学异质性的来源
研究在拉曼模态、临床环境、组织准备、分析单位（患者级、样本级、光谱级、像素级、图像级或斑块级）、分子终点、机器学习策略及验证策略等方面表现出实质性异质性。这些差异使定量合并不可行，支持采用SWiM指导的叙述性综合。
3.4 不同拉曼模态的诊断性能
传统拉曼光谱提供了最成熟的证据，术中研究准确率约90-92%，AUC达0.96。SRH和SRS实现了无标记数字病理学，最近的多中心验证显示平衡准确率超过95%。SERS通过信号放大实现高灵敏度分子表征，用于IDH1预测的准确率超过94%。
3.5 拉曼光谱在胶质瘤中的临床应用
五个主要应用领域被确定：肿瘤检测与组织分类、肿瘤边缘评估、组织病理学分类与分级、分子表征以及术中决策支持与数字病理学。其中，肿瘤检测的证据最为成熟，而分子表征是发展最快的领域。SRH平台将拉曼光谱从点分析技术转变为术中数字病理学平台。
3.6 机器学习与验证成熟度
分析方法从主成分分析（principal component analysis, PCA）和线性判别分析（linear discriminant analysis, LDA）演变为卷积神经网络和Transformer模型。然而，内部验证仍占主导地位，外部多中心验证仍然罕见。分析单位的不一致导致性能估计难以直接比较，光谱级或斑块级分析可能高估临床性能。
3.7 偏倚风险评估
QUADAS-2评估显示中等的方法学质量。患者选择和指标测试域是主要关注点，而参考标准和流程及时序域通常表现良好。值得注意的是，组织病理学作为参考标准并非完美金标准，尤其在浸润边缘区域，空间对应关系至关重要。
讨论与结论
研究人员指出，拉曼光谱已从概念验证的光谱学技术发展为支持术中分子诊断和数字病理学的多功能平台。尽管诊断性能令人鼓舞，但方法学异质性、缺乏标准化以及外部验证不足仍是临床转化的主要障碍。研究结论强调：拉曼光谱正在向精准神经肿瘤学迈进，AI与受激拉曼组织学可实现分子水平的组织评估，但方法学异质性限制了当前临床实施，标准化和多中心验证是下一阶段的优先事项。
