《Chemometrics and Intelligent Laboratory Systems》：Non-invasive diagnosis of common glomerular diseases via Raman spectroscopy and machine learning: an integrated blood and urine analysis approach
编辑推荐：
本研究利用拉曼光谱结合1D-CNN模型分析血清和尿液样本，成功区分四种肾小球疾病及健康人群，准确率达80%，为非侵入性诊断提供新方法。
吴梦宇|曹园|王瑞阳|田崇轩|李阳|王尊松
山东第二医科大学临床医学院，中国山东省潍坊市宝通西路7166号，261053
摘要
背景
经皮肾活检在临床管理中面临三大挑战：固有的手术风险、无法连续监测疾病活动以及采样变异性。这些限制凸显了对更安全、可重复的诊断工具的需求。
目的
我们的目标是探索一种利用拉曼光谱和一维卷积神经网络（1D-CNN）对血液和尿液样本进行联合分析的液体活检策略，以帮助区分常见的肾小球疾病及其与健康个体的差异。
方法
2021年1月至2025年1月期间，我们从170名经活检确诊的患者（81例膜性肾病、36例IgA肾病、33例糖尿病肾病、20例局灶节段性肾小球硬化症）和21名健康志愿者中收集了血清和晨尿样本。光谱数据使用Attenuated Total Reflection-8300（ATR-8300）仪器（785纳米激发波长）采集，并通过三阶多项式基线校正和13点Savitzky–Golay平滑处理进行预处理。随后利用1D-CNN对组合光谱数据进行处理，评估其性能指标包括准确性、敏感性、特异性以及接收者操作特征曲线下面积（ROC-AUC）。
结果
1D-CNN模型在五类疾病分类中实现了80.0%的准确性、76.2%的敏感性和81.3%的特异性。ROC-AUC值介于0.81（FSGS）到0.85（IgA肾病）之间，表明该模型在区分不同疾病亚型和对照组方面表现稳健。特征性的拉曼光谱带（如苯丙氨酸约1003 cm?1、酰胺I约1655 cm?1和C–H伸缩约2800–3000 cm?1）在不同组间存在系统性差异，反映了潜在的生化变化。
结论
结合深度学习的血液和尿液拉曼光谱技术提供了一种快速、无标记的肾小球疾病微创分类方法。这种集成液体活检策略有助于早期检测和精准分层治疗，减少了对侵入性活检的依赖，并为个性化治疗提供依据。
引言
肾小球疾病（GD）是慢性肾病（CKD）和终末期肾病（ESRD）的主要原因，其发病机制与进行性肾小球硬化和足细胞损伤密切相关。超过四分之三的慢性肾病病例由肾小球疾病引起[1]，全球范围内因慢性肾病导致的所有年龄段死亡率在1990年至2017年间增加了41.5%[2]。临床上，肾小球疾病常表现为非特异性症状，如水肿、高血压、尿量异常（少尿、无尿、多尿或夜尿）、尿液成分异常（蛋白尿、血尿）、贫血以及肾功能减退。部分患者可能无症状，进一步增加了诊断难度。鉴于慢性肾病发病率不断上升，早期筛查和诊断对于有效管理肾小球疾病至关重要。目前的诊断方法包括病史评估、临床症状观察、实验室检测和影像学检查。其中，经皮肾活检仍是确诊的金标准，能够实现精确的病理分类、病变定位和个性化治疗计划制定。然而，作为一种侵入性操作，肾活检存在固有风险且患者接受度存在差异。传统诊断技术也存在局限性，尤其是在早期疾病的检测方面灵敏度不足。此外，病理解读可能受操作者经验影响。因此，基于分子谱分析的微创诊断策略的开发具有重要的临床前景，有望克服传统活检的空间和时间限制，实现肾小球疾病的精准分层管理。
拉曼光谱是一种基于光子通过分子键振动和旋转产生的非弹性散射的光学方法[3]，可作为特定分子或材料的独特化学指纹，用于快速识别物质种类或区分不同材料。由于其快速、无创和定性的分析优势，拉曼光谱已被应用于生物液体的分析。研究表明，通过对比健康受试者和晚期肾病患者尿液成分的拉曼光谱数据，可以识别出与晚期肾病相关的分子“指纹”[4]。Bispo等人利用拉曼光谱和主成分分析，将糖尿病和高血压患者的尿液中尿素、肌酐和葡萄糖的水平与肾病风险关联起来[5]。一些研究利用拉曼光谱估算尿液中的尿素和肌酐浓度以辅助肾病诊断[6]。在一项关于膜性肾病的研究中，深度学习模型对患者和对照组的血清数据分类准确率为100%，对尿液数据的分类准确率达到了85%或更高[7]。拉曼光谱在血液和尿液分析中的应用日益受到重视，尤其在肾病诊断领域展现出巨大潜力。
本研究旨在开发一种基于深度学习的诊断模型，利用拉曼光谱分析四种常见肾小球疾病的液体活检样本（血清和尿液），以评估其作为微创诊断工具的潜力。通过分析同一患者的血液和尿液样本，并整合系统性的（血液）和滤过液（尿液）分子信息，该模型有望实现更稳健和准确的分类，为早期疾病检测提供可靠依据。这样，所提出的方法有望实现常见肾小球疾病的早期、无创和快速诊断。
样本集准备
2021年1月至2025年1月期间，我们在山东第一医科大学前峰山医院前瞻性招募了170名接受经皮肾活检并确诊为特发性肾小球疾病的连续患者，其中男性106人，女性64人；该队列包括81例膜性肾病（MN）、36例IgA肾病（IgA）、33例糖尿病肾病（DN）和20例局灶节段性肾小球硬化症（FSGS）患者。
统计分析
表1总结了五组研究对象的基线临床数据（四种肾小球疾病和一个健康对照组）。统计分析显示，各组在年龄、Scr、eGFR和UPE方面存在显著差异（p<0.05），而在性别、身高和体重方面没有显著差异。
年龄分布在各组间存在显著差异。值得注意的是，IgA肾病患者组……
讨论
在肾小球疾病诊断领域，传统病理活检的侵入性以及医生经验和专业水平的限制影响了早期筛查的效率。这些问题加剧了肾小球疾病的诊断和治疗难度。近年来，拉曼光谱技术和机器学习方法在医学领域受到了广泛关注[14,15]，尤其是在肿瘤诊断方面。
结论
本研究证明，无标记的血液和尿液拉曼光谱结合统一的一维卷积神经网络框架，能够以高诊断准确性实现四种主要肾小球疾病亚型与健康个体的微创区分。我们的预处理流程——三阶多项式基线校正后接Savitzky–Golay平滑处理——有效去除了光谱伪影，增强了各组之间的相关分子特征。1D-CNN模型……
作者贡献声明
吴梦宇：撰写初稿、方法论设计、实验实施、数据分析。曹园：数据整理。王瑞阳：验证工作。田崇轩：撰写初稿、数据可视化、软件开发、方法论设计、概念构建。李阳：审稿与编辑、资源协调、项目管理。王尊松：项目监督、资金获取、概念指导。
资助
本研究得到了山东省自然科学基金（ZR2023MH255）、齐鲁健康与 Wellness 领军人才项目、CEBM 肾病学组的“PRO•Run”基金（KYJ202206-0003-10）、中国国际医学基金会（Z-2017-26-2202-4）以及临床医学研究促进计划基金（2024CMFA01）的支持。资助方未参与研究概念的提出、设计、数据收集与分析、发表决定或报告的编制过程。
利益冲突声明
作者声明以下可能构成潜在利益冲突的财务关系和个人关系：……如有其他作者，他们声明没有已知的可能影响本文研究的财务关系或个人关系。
