嵌入式人工智能的集成拉曼平台用于术中实时癌症检测

《Analytical Chemistry》：An Integrated Raman Platform with Embedded AI for Intraoperative Real-Time Cancer Detection

　　

拉曼光谱工作流通常分散于专有工具和临时数据处理脚本之间，这延缓了决策进程并限制了可重复性和可审计性。研究人员提出了一种集成拉曼平台，该平台配备基于Python的图形用户界面（GUI）应用程序，可连接光学系统以实现仪器控制、自动化数据采集、噪声去除、信号处理，并运行嵌入式人工智能（AI）模型用于实验样本的实时分类。该系统自动存档中间和最终输出以实现可审计性。研究人员对两类实验标本（泰诺及来自人喉组织的瘤周生物样本）验证了平台输出，并将其结果与其他研究、商业软件及先前数据处理算法进行比较。所有比较结果均一致。为在同一工作流中展示原生分析能力，研究人员还开发并嵌入了一个专为生物拉曼光谱定制的一维卷积神经网络（CNN）。该多层CNN基于离体人喉组织拉曼光谱进行训练，并在50次独立运行中评估。该模型达到平均测试准确率0.8929 ± 0.0213、灵敏度0.9086 ± 0.0321、特异度0.8698 ± 0.0434及平均曲线下面积（AUC）0.9506 ± 0.0142。从信号采集到预测的平均延迟为2.82秒，其中设备采集占据大部分时间。关键创新不仅在于嵌入式AI，还在于一个端到端、可审计的工作流，该工作流统一了设备控制、采集、信号处理、可视化及中间和最终输出的存档，并在同一平台内提供可选实时推理。

**论文解读：面向术中实时癌症检测的嵌入式AI集成拉曼平台**

**一、研究背景与问题**

癌症是全球主要死因之一，术中准确判断肿瘤边缘（即“清晰切缘”）对于确保完全切除肿瘤至关重要。然而，当前的术中即时边缘评估方法成本高、依赖基础设施且耗时长，容易延误手术决策并增加不完全切除风险。拉曼光谱作为一种无标记、微创的光学技术，能够提供样本的分子“指纹”信息，已被证明可用于多种癌症诊断。然而，拉曼光谱的工作流通常分散于商业软件、MATLAB（MathWorks Inc., Natick, MA, USA）等独立工具以及临时数据处理脚本之间，这种工作流碎片化不仅增加了成本，还限制了技术的可重复性、质量控制、操作者间变异，并阻碍其在即时检测（point-of-care）场景中的应用，尤其是在资源受限的环境中。尽管已有多种软件工具被报道，但仍缺乏一个能够将仪器控制、采集支持、实时数据可视化、可审计的数据预处理和后处理以及嵌入式AI推理集成到单一精简工作流中的系统。为填补这一空白，本研究开发了一个集成端到端拉曼平台。

**二、研究内容与结论**

研究人员开发了一个基于Python的图形用户界面（GUI）应用程序RamanX，该平台统一了硬件连接与控制、实时光谱可视化、信号采集、标准化的可审计预处理（包括背景扣除、基线估计与去除、平滑和归一化）以及可选嵌入式AI推理。平台自动保存中间和最终输出以实现可审计性。为验证平台性能，研究人员对两种样本进行了测试：非生物样本（非处方泰诺片剂）和生物样本（人喉组织拉曼光谱，采集自美国路易斯安那州巴吞鲁日Our Lady of the Lake Hospital接受手术切除的患者，共23名患者，2212条光谱）。通过与商业软件OceanView和先前MATLAB工作流的比较，结果显示高度一致（皮尔逊相关系数>96%，均方根误差RMSE<10%，平均绝对误差MAE<8%），证明了系统的准确性和可靠性。同时，研究人员开发并嵌入了一个专为生物拉曼光谱定制的多层一维卷积神经网络（1D-CNN），称为RamanNet，用于癌症与非癌症的二元分类。该模型在50次独立运行中达到平均测试准确率0.8929±0.0213、灵敏度0.9086±0.0321、特异度0.8698±0.0434和平均AUC 0.9506±0.0142，最佳运行达到准确率92.79%、AUC 0.9784。端到端延迟测量显示，从信号采集到预测的平均延迟为2.82秒，其中光谱采集占主导，预处理和推理仅贡献极短时间（<2毫秒）。该平台的主要创新不仅在于嵌入式AI，更在于将设备控制、采集、预处理、可视化和存档整合到一个可重复、可审计的单一工作流中，为拉曼光谱的临床转化提供了实用工具。该论文发表在《Analytical Chemistry》。

**三、关键技术与方法**

研究人员采用的主要关键技术方法包括：（1）定制便携式拉曼系统：使用785 nm二极管激光器（Turnkey Raman Lasers-785 Series, Ocean Optics Inc.）和配有电荷耦合器件（CCD）的QE Pro光谱仪（Ocean Optics Inc.），以及用于光路的拉曼内窥镜探头（EmVision LLC.）。（2）基于Python的集成软件平台RamanX：利用Seabreeze模块进行设备控制与数据采集，使用SciPy、NumPy、pandas进行数据处理，Matplotlib用于可视化，Tkinter设计GUI界面。预处理流程包括背景扣除、使用非对称截断二次函数进行自动荧光校正、Savitzky–Golay滤波平滑以及全谱最小-最大归一化。（3）嵌入式一维卷积神经网络（RamanNet）：基于PyTorch（27）构建，包含7个卷积层，后接批归一化和ReLU激活函数，并插入三个dropout层（前两个20%，最后一个50%）以防止过拟合，最终通过全局平均池化层和全连接层输出二分类结果。模型使用二元交叉熵损失（BCEWithLogitsLoss）和Adam优化器（学习率1e–5，权重衰减1e–5）。样本队列来源：人喉组织样本来自美国路易斯安那州巴吞鲁日Our Lady of the Lake Hospital，共23名患者，包括全喉切除术和经口显微激光切除术病例。

**四、研究结果**

**软件（GUI）概览**
RamanX的前端屏幕（图3）分为多个区域：左上显示拉曼光谱；左下包含绘图更新、设备管理和数据采集功能；右上为背景去除功能、激光波长显示与更新；右下显示捕获样本数量、保存按钮及用于调用预训练AI模型进行实时预测的选项。预测结果以颜色编码显示在“预测”区域。此外，软件提供辅助窗口（如过滤器视图、基线视图、平滑归一化视图）让用户检查和调整关键处理参数。

**数据处理方法概览与结果**
工作流（图4）从设备连接开始，自动扫描并连接可用设备，采集原始波长和强度数据并根据式1转换为拉曼位移。随后捕获背景信号并扣除，开启激光后显示拉曼光谱。若启用实时预测，数据经非对称截断二次函数基线估计与扣除、Savitzky–Golay滤波平滑、全谱最小-最大归一化（式2）后输入AI模型，预测结果显示在屏幕上。软件始终保存两个数据文件：背景扣除后的数据和归一化后的数据。图5以泰诺为例展示了各步骤的光谱变化，其最终光谱与文献报道的泰诺特征峰（792、853、1320 cm^-1等）高度吻合，并检测到二氧化钛（TiO₂）峰（631 cm^-1）。图6展示了人喉正常与癌组织的平均归一化光谱及其差异谱，关键差异峰（如1005 cm^-1苯丙氨酸环呼吸模式、1087 cm^-1脂质、1546-1555 cm^-1谷胱甘肽GSH和酰胺III、1639-1657 cm^-1蛋白质和酰胺I等）与文献一致。

**结果验证**
通过将本平台与商业软件OceanView和先前MATLAB算法处理相同数据的结果（图S12）进行比较，并计算皮尔逊相关系数、RMSE、余弦相似度和MAE（表2），结果表明两者高度一致（泰诺：皮尔逊相关系数0.99627，RMSE 0.02038；人喉癌组织：皮尔逊相关系数0.97198，RMSE 0.09653；正常组织：0.96342，RMSE 0.07381）。这证明了平台输出数据的准确性和可靠性。

**AI推理**
RamanNet在200个epoch下运行50次后的收敛曲线（图7）显示准确率、损失和ROC曲线。模型平均测试准确率0.8929±0.0213，灵敏度0.9086±0.0321，特异度0.8698±0.0434，AUC 0.9506±0.0142（表S1）。与重建的Li等（3）的浅层CNN以及其他常用机器学习模型（逻辑回归、支持向量机、随机森林、k近邻、XGBoost、朴素贝叶斯、多层感知器）在相同数据集上比较（图8、表S2），RamanNet在多个指标上表现平衡且稳定。与以往研究（Stone et al., Lau et al., Teh et al., Lin et al., van Lanschot et al.）相比，本研究在患者队列规模（23例）和光谱数量（2212条）上更大，且RamanNet的结果具有竞争力。端到端延迟测量（图9）显示平均采集到预测延迟为2.82秒，其中设备读取占2.75秒，点击到预测为1.73秒，预处理和推理分别仅需0.001645秒和0.001929秒。

**五、讨论与结论**

讨论部分指出，尽管本平台整合了大多数主要拉曼采集和处理步骤，但仍存在限制：当前实现不包括完全自适应的参数优化算法，预处理参数在边缘情况（如强自发荧光）下仍依赖用户判断；缺乏内置的定量质量控制（QC）指标用于基线拟合质量评估；尚未实现独立的去尖峰（despiking）步骤。此外，RamanX基于特定硬件配置开发和验证，尚不适用于通用多设备拉曼控制，但软件架构具有模块化，原则上可扩展至其他设备。未来工作将聚焦于自适应参数优化、定量QC指标、尖峰识别与去除、更灵活的设备集成框架，以及多中心、多癌种验证和前瞻性术中评估。

**研究结论翻译**
本研究解决了拉曼光谱临床转化的一个关键障碍：将采集、数据处理和AI推理分离的碎片化工作流。研究人员开发并验证了一个集成的端到端拉曼平台，该平台在单个基于Python的GUI应用程序中统一了设备控制、可审计的信号处理（背景扣除、基线去除、平滑、归一化）以及实时可视化和AI推理。该平台对参考测量和瘤周人喉样本的输出与商业软件（OceanView）、先前发表的MATLAB管道以及文献趋势一致。专为生物拉曼光谱定制的多层一维CNN（而非单纯追求深度）在50次独立运行中实现了平均准确率0.8929±0.0213、灵敏度0.9086±0.0321、特异度0.8698±0.0434和AUC 0.9506±0.0142。该模型的最佳运行达到92.9%准确率和0.98 AUROC。Python实现不仅实现了与此及其他AI/ML模型的原生集成，还将设备控制、预处理、可视化、存档和推理整合到独立于商业软件的可重复、可扩展工作流中。研究人员注意到，当前实现强调不同预处理步骤和参数的视觉及用户引导可审计性，而非全自动参数优化。未来工作将聚焦于更广泛的设备兼容性、可解释特征重要性、专用去尖峰函数、适当QC指标、多站点多癌种验证、跨设备鲁棒性以及前瞻性术中评估。