《Sensors and Actuators A: Physical》：Deep learning-assisted fiber-optic Raman spectroscopy enables label-free diagnosis and protein profiling of coronary slow flow
编辑推荐：
Rujia Liu|Jisheng Zhou|Chengduo Zhang|Xiao Wang|Hao Jia|Yi-Da Tang|Yupeng Wang|Shuhua Yue|Xun Chen•在本研究中，我们开发了一种基于深度学习的光纤拉曼光谱技术，用于无标记、实时识别冠状
Rujia Liu|Jisheng Zhou|Chengduo Zhang|Xiao Wang|Hao Jia|Yi-Da Tang|Yupeng Wang|Shuhua Yue|Xun Chen
- •
在本研究中，我们开发了一种基于深度学习的光纤拉曼光谱技术，用于无标记、实时识别冠状动脉慢流现象并分析相关代谢特征。
- •
包括支持向量机、随机森林和卷积神经网络在内的机器学习模型，能够在组织检测点或患者层面准确分类冠状动脉血栓。
- •
多项代谢组学验证进一步确认了这些代谢异常，尤其是芳香族氨基酸代谢（如色氨酸）及相关通路的紊乱。
- •
通过将光谱分析与先进的机器学习模型相结合，我们实现了对冠状动脉血栓的精准无标记诊断，并明确了其发病机制。
引言
ST段抬高型心肌梗死是冠状动脉疾病最严重的表现形式，会导致极高的发病率和死亡率。在大多数病例中，STEMI是由于心外膜冠状动脉中的动脉粥样硬化斑块形成完全性血栓阻塞所导致的[1]。早期诊断和立即再灌注是限制心肌缺血范围、减少梗死面积，进而降低STEMI后遗症及心力衰竭风险的最有效方法。
对于STEMI患者而言，直接经皮冠状动脉介入治疗已成为首选的再灌注策略。然而，在介入治疗过程中仍会出现诸多并发症，如大块血栓、冠状动脉慢流或无血流恢复现象[2]、[3]。尽管目前尚不清楚其具体的病理生理机制，但STEMI患者常常出现冠状动脉慢流这一并发症。虽然生物样本分析已发现微血管存在结构异常，但这些研究更多聚焦于微血管功能障碍本身[4]、[5]。多数关于机械性STEMI的研究仅关注病理生理障碍，而未探讨与急性冠状动脉慢流相关的动态功能变化。
另一种研究策略是采用蛋白质分析技术来直接检测STEMI患者体内的冠状动脉血栓。拉曼光谱作为一种无标记的光学振动光谱技术，已被广泛用于定量分析生物样本的分子组成，并用于多种人类癌症的诊断[6]。人工智能，尤其是深度学习算法，显著提升了拉曼光谱在生物医学领域的诊断性能。近期研究已成功将深度学习模型应用于拉曼光谱和表面增强拉曼光谱数据，以实现疾病诊断[7]、[8]；而多模态融合与领域自适应策略则进一步提高了生化信息的提取效率，增强了模型在不同数据集上的通用性[9]、[10]。这些进展凸显了深度学习在从复杂光谱数据中提取具有临床意义的生化信息方面的作用。此前已有研究证明，拉曼光谱可用于检测动脉粥样硬化斑块，以及分析心肌梗死患者的血液样本[11]、[12]。另有研究通过微拉曼光谱分析心肌梗死患者的血液样本，发现苯丙氨酸与酪氨酸比例的下降与常规治疗方案的效果密切相关[12]。拉曼光谱结合机器学习技术还被用于从血清样本中识别动脉粥样硬化性颈动脉狭窄[13]，该技术能够区分急性冠状动脉综合征患者与正常人的血清样本，且机器学习算法的准确率、敏感度和特异性均超过90%[13]。不过，目前尚未有研究利用该方法预测急性冠状动脉慢流，或直接分析冠状动脉血栓中的蛋白质成分。
与传统基于显微镜或共聚焦拉曼系统相比，光纤拉曼光谱具有更紧凑、灵活且更易于临床应用的优点。由于激发光和检测光均可通过光纤传输，该系统无需依赖庞大的显微镜设备，可更方便地集成到床边诊疗、手术中、内窥镜检查或导管操作等场景中。这一特点在心血管介入治疗中尤为重要，因为紧凑型的光学探针更适合空间和时间都较为受限的导管操作环境。此外，已有研究表明，微型化光纤拉曼探针可用于活体组织特征分析及血管内斑块评估，这进一步体现了光纤拉曼光谱在未来心血管疾病研究中的应用潜力[14]、[15]。
为满足这一临床需求，我们开发了一种基于深度学习的无标记光纤拉曼光谱技术，用于快速评估急性冠状动脉慢流现象。我们从32名STEMI患者的血栓组织中获取了450份指纹拉曼光谱数据，这些数据对应150个不同的检测点。由于同一患者的多个检测点并非独立的临床样本，我们将检测点层面的光谱分析与患者层面的诊断评估分开处理：检测点层面的分析用于分析局部拉曼光谱的差异性，识别具有区分度的光谱特征；而患者层面的诊断则是通过整合每位患者所有检测点的光谱数据，生成该患者的平均光谱图，进而进行严格分类。随后，我们采用留一患者法交叉验证，以“每名患者对应一个诊断结果”的方式评估该技术的临床诊断价值。
冠状动脉慢流现象是指在没有心外膜狭窄的情况下，冠状动脉内染料扩散速度减慢的现象，这一现象可通过侵入性冠状动脉造影来检测。在临床实践中，冠状动脉慢流通常出现在急性冠状动脉综合征患者身上，该综合征包括不稳定型心绞痛、ST段抬高型心肌梗死和非ST段抬高型心肌梗死[16]。本研究的所有受试者均为STEMI患者。通过检测点层面的深度学习分析，我们能够捕捉到局部的高维拉曼光谱特征，并借助显著性图来解析与苯丙氨酸、色氨酸、芳香族氨基酸相关谱带以及酰胺III等生化成分相关的关键特征。总体而言，我们的研究证明了基于深度学习的无标记光纤拉曼光谱技术在评估与冠状动脉慢流相关的血栓方面的应用潜力，同时也表明芳香族氨基酸相关的生化变化，尤其是色氨酸相关的变化，可能参与了STEMI患者出现冠状动脉慢流的病理过程。
需要强调的是，本研究中分析的血栓样本是从需要进行介入治疗或血栓抽吸的患者身上获取的，而非专门为拉曼检测而进行的额外侵入性操作。因此，该技术的目标是将临床获取的血栓样本转化为一种快速的术中生化信息载体，用于评估冠状动脉慢流的风险，并为后续治疗提供参考依据。
章节要点
入选患者的基线临床特征
本研究纳入的32名患者的基线临床特征汇总于表S2中。这些患者中，19名为无冠状动脉慢流患者，13名为有冠状动脉慢流患者。比较分析显示，两组患者在年龄、高血压、糖尿病、高血脂、HbA1c水平、HDL-C、LDL-C、甘油三酯、肌酐值以及他汀类药物、抗血小板药物、抗凝药物、ACEI/ARB类药物、β受体阻滞剂和SGLT2抑制剂等常用药物的使用情况方面，均无统计学意义上的显著差异。
讨论
在本研究中，我们构建了一种基于深度学习的拉曼光谱诊断平台，用于快速、准确地识别STEMI患者体内的冠状动脉慢流血栓。首先，我们从32名STEMI患者身上获取了450份指纹拉曼光谱数据，这些数据对应150个不同的检测点。随后，我们对所构建的深度学习模型进行了训练和测试。在检测点层面，该模型识别冠状动脉慢流的平均AUC值为0.83，平均敏感度为
组织样本
本研究已获得北京航空航天大学和北京大学第三医院伦理委员会的批准，所有参与者均签署了知情同意书。本研究共纳入19名无冠状动脉慢流患者和13名有冠状动脉慢流患者。
冠状动脉血栓样本是在经皮冠状动脉介入治疗过程中采集的，详见图S1。在对患者进行全身肝素化处理后，首先将一根6F规格的导引导管插入导致病变的冠状动脉中，随后再将导丝穿过病变部位，送至冠状动脉的远端区域。
CRediT作者贡献说明
Hao Jia： 方法设计、实验实施。Xiao Wang： 实验实施、数据整理。Yupeng Wang： 文章撰写与修改、初稿撰写、资源协调、项目管理。Yi-Da Tang： 文章撰写与修改、结果可视化、资源协调。Rujia Liu： 初稿撰写、方法设计、实验实施、数据分析、数据整理。Xun Chen： 文章撰写与修改、初稿撰写、结果可视化、验证工作、项目监督。Chengduo Zhang： 初稿撰写、资源协调，
致谢
本研究得到了以下机构的支持：中国国家重点研发计划（项目编号：2025YFF0517900）；国家自然科学基金（项目编号：11827803）；中央高校基本科研业务费（项目编号：JKF?2025086684620及YWF?22-L?1265）；北京市自然科学基金（项目编号：L256016）。
Rujia Liu，北京航空航天大学工程医学学院硕士研究生。
