基于机器学习评估框架的稳健且可解释的SERS分类方法

《Vibrational Spectroscopy》：Robust and interpretable SERS classification via a machine-learning evaluation framework

　　

摘要

表面增强拉曼光谱技术能够实现快速、无需标记的细菌特征识别，但许多基于机器学习的研究缺乏透明的评估流程和可解释的特征分析方法。本研究提出了一种结合SERS与机器学习的评估框架，用于对固定浓度下的十类金黄色葡萄球菌数据集（共100组光谱）进行分类。该数据集采用无泄漏的60/20/20比例进行训练/验证/测试划分，并通过15种随机种子重复实验。在对光谱进行萨维茨基-戈莱平滑处理和标准正态化处理后，分别从完整光谱（384个变量）和截取后的光谱范围（400–1200?cm^?1，298个变量）两个角度进行分析。线性判别分析被用作主要的密集型分类器，而基于稳定性选择的特征选择方法与线性判别分析相结合的模型则作为稀疏型辅助模型，其特征数量通过验证过程确定。线性判别分析在理想条件下取得了接近最优的准确率（平均准确率为0.970–0.973，宏观F1值为0.966–0.969），并且在存在添加噪声、数据漂移以及光谱偏移±5?cm^?1的情况下仍能保持稳定，准确率约为0.953。而基于稳定性选择的特征选择方法将特征数量减少到124–228个，不同随机种子下得到的特征选择结果具有较好的一致性，但其理想条件下的准确率较低（0.940–0.943），且在光谱偏移±5?cm^?1时性能显著下降（准确率为0.760–0.783）。这些结果表明，可采用分工明确的部署策略：线性判别分析作为主要决策模型，而基于稳定性选择的特征选择方法则负责特征压缩及光谱特征的直观识别。所提出的框架为在小规模SERS数据集中平衡分类性能、稳健性评估以及光谱可解释性提供了透明化的解决方案。

引言

表面增强拉曼光谱技术因其能够在不使用标记的情况下获取生物化学成分的光谱特征，同时还能适配微型化检测基底并缩短检测时间，因而成为快速分析细菌的理想技术[1]、[2]、[3]。近期研究进一步表明，将SERS与机器学习技术相结合，可以解决许多具有实际应用价值的任务，比如区分耐甲氧西林金黄色葡萄球菌与敏感菌株、多病原体分类，以及在食品安全和环境监测领域的应用[4]、[5]、[6]、[7]、[8]。2023年至2025年间发表的综述指出，该领域正在从单纯的概念验证性光谱采集向更加整合的分析流程发展，这类流程将基底设计、化学计量学方法以及模型选择有机结合起来[9]、[10]、[11]、[12]。与此同时，经过改进的SERS检测基底以及深度学习技术的进步，不断提升着微生物分类的性能[13]、[14]、[15]，这也使得人们期望新的研究能够明确界定其分析范围、评估标准以及所提出模型的实际应用价值。

在分析化学领域，这种期望尤为重要，因为透明的验证过程以及明确的范围界定是不可或缺的。然而，在细菌拉曼光谱相关研究中，由于不同研究的实验条件、数据集划分方式以及模型描述存在很大差异，那些技术上表现优异的研究成果往往难以相互比较[4]、[5]、[6]、[12]、[16]、[17]、[18]。二元分类结果有时可能反映的是检测或批次效应，而非算法本身的优势；而多类分类研究则往往仅采用单一的训练/测试数据划分方式，或者仅对模型行为进行初步描述[7]、[8]、[13]、[16]。因此，当前的关键并非证明SERS技术本身具备区分能力，而是建立规范的评估流程，将模型的真实性能与有利的实验条件或数据划分方式区分开来。

目前存在三个明显的 metodological缺陷。首先，很少有研究充分利用受控的实验条件这一优势：许多研究会同时改变浓度、检测参数以及基底配方，虽然这扩大了实验范围，但却增加了结果解读的难度，也难以确定究竟是哪些因素影响了检测性能[1]、[2]、[3]、[12]、[16]、[18]。其次，可解释性往往是在选定高性能分类器之后才被考虑的问题。化学计量学分析反复强调，即便某些稀疏型或结构化模型并非最精确的模型，它们依然具有价值，因为这类模型能够清晰地标识出具有信息量的光谱区域，同时还能降低数据采集、存储和处理的需求[10]、[12]、[19]、[20]、[21]。第三，尽管稳健性问题经常被提及，但很少有研究对其开展定量分析。光谱错位、噪声、数据漂移以及其他类型的分布变化都是实际应用中常见的挑战，但在细菌SERS相关研究中，大多数结果仅在理想条件下获得，或者仅对干扰因素进行定性分析[9]、[12]、[19]、[20]。实际上，分析方法的实用性并不能仅通过单一指标来判定：一个密集型模型或许能获得最高的理想条件准确率，但如果其光谱分析逻辑不够清晰，就难以被认可；而一个稀疏型模型虽能提升可解释性和数据压缩效率，但如果其准确率下降过多，或在面对合理程度的干扰时无法正常工作，也就不适合作为唯一的决策模型。

为此，本研究提出了一种结构化的SERS与机器学习结合的评估框架，用于对小型光谱数据集进行透明化的分析（见图1）。该研究的贡献主要体现在三个方面。首先，采用了严格受控的评估流程，通过15种随机种子重复进行无泄漏的60/20/20比例训练/验证/测试划分，从而能够更准确地评估不同随机种子下的模型性能，而非仅依据单一数据划分结果进行判断。其次，采用了分工明确的建模策略：以线性判别分析作为主要的决策模型，而基于稳定性选择的稀疏型模型则负责特征选择和光谱特征压缩，并提升结果的可解释性。最后，通过包含光谱偏移、噪声和数据漂移在内的多种干扰测试，来评估两种类型模型在特定光谱扰动条件下的稳健性。总体而言，该框架旨在平衡基于SERS技术的细菌特征识别系统在分类性能、抗干扰能力以及光谱可解释性方面的表现。

内容片段

数据集定义与分析范围

本研究旨在在严格控制的实验条件下，对基于SERS技术的机器学习分类方法进行方法学层面的评估。因此，所使用的实验数据集主要用于对比密集型模型与稀疏型模型之间的性能差异，而非作为生物学研究的主要对象。本研究使用的数据集为从十种亲缘关系密切的葡萄球菌物种中收集的表面增强拉曼光谱数据。

研究框架与实验流程

图1展示了整个实验与计算流程的端到端结构。激光照射到SERS检测基底上后会产生增强的拉曼信号，这些信号会被记录为光谱图（强度与拉曼位移的关系），随后被转换为适合机器学习分类的特征表示。本研究的分类任务是对十种亲缘关系密切的金黄色葡萄球菌菌株进行区分。该数据集经过了严格平衡设计，每种菌株对应10组光谱数据。

结论

本研究刻意限制了实验和分析过程中的各种变量，以便从规模较小的SERS数据集中获得可靠且具有实际决策参考价值的分析结果。在固定浓度以及严格的60/20/20比例重复验证方案（15种随机种子）下，对于该固定浓度的十类数据集，线性判别分析在完整光谱和截取后的光谱两种表示形式下均能实现接近最优的分类性能（平均准确率为0.970–0.973，宏观F1值为0.966–0.969）。

CRediT作者贡献说明

李晓瑞：文本撰写——审阅与编辑、可视化、验证。 艾斌：文本撰写——审阅与编辑、验证、监督、项目管理、资金申请、概念构思。 刘雨婷：可视化、资源协调、方法设计、实验实施、正式分析、数据整理。 冯继宇：可视化、验证、软件应用、资源协调、正式分析。

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

刘雨婷|冯继宇|李晓瑞|艾斌

重庆大学微电子与通信工程学院、重庆生物感知与智能信息处理重点实验室，中国重庆400044