结合原始和预处理血清拉曼光谱的双通道卷积神经网络（CNN）融合技术，用于实现对包虫病的精准筛查

《Analytica Chimica Acta》：Dual-channel CNN fusion of raw and preprocessed serum Raman spectra for robust echinococcosis screening

　　**摘要**

**背景**
血清拉曼光谱技术为生物分析筛查提供了无标记的分子指纹，但传统模型通常依赖于单一的预处理流程。由于预处理会改变光谱分布并减弱原始光谱中保留的信息，本研究开发了一种双通道融合策略用于包虫病筛查。

**结果**
我们分析了573份来自肝包虫病（HE）、肝硬化（LC）、肝细胞癌（HCC）和正常对照组（NC）的血清样本；其中458份用于开发集，115份用于留出测试。我们开发了一种双通道卷积神经网络（DCNN），该网络融合了原始和预处理后拉曼光谱的互补特征。通过使用相同的层次化五折分割方法，在开发集内评估了八种预处理流程和三种融合策略，并在留出测试之前确定了具有最高平均五折准确率的配置。然后，在所有八个流程中评估了选定的融合策略与单通道模型的性能。在锁定配置下，DCNN的平均准确率为94.98% ± 1.62%，而预处理光谱CNN（P-CNN）的准确率为89.95% ± 4.36%，原始光谱CNN（R-CNN）的准确率为88.42% ± 2.66%。留出测试的准确率分别为DCNN 95.65%、P-CNN 91.30%和R-CNN 89.57%。对于二分类筛查，基于开发集训练的DCNN在留出集合上的准确率为96.52%，而点免疫金过滤测定（DIGFA）在同一样本上的准确率为88.70%。

**意义**
特征级融合提高了互补光谱信息的使用效率，减少了对单一预处理流程的依赖。这种策略为快速、无标记的血清拉曼包虫病筛查提供了一个稳健的框架。

**引言**
包虫病是一种由包虫蚴引起的动物源性寄生虫病，囊型包虫病和肺泡型包虫病是两种主要的临床形式[1]。该病在世界各地的许多牧区仍然普遍存在，特别是在中国西北部，对公共卫生造成了重大负担[2]、[3]。该病主要影响肝脏和肺部，可能导致器官功能障碍、严重并发症甚至死亡，从而威胁患者的生活质量和区域社会发展[4]、[5]、[6]。目前，包虫病的临床筛查主要依赖于影像学和血清学方法。然而，基于影像学的诊断需要专门的设备和专业解读，这限制了其在初级医疗保健环境中的应用；而血清学测试可能因抗原交叉反应等因素而表现出不足的敏感性和特异性[7]、[8]。此外，包虫病在临床症状和影像学表现上与其他肝脏疾病有相似之处，因此在异质性的人群中（尤其是在初级护理层面）需要进行鉴别诊断[2]、[9]。因此，在资源有限的条件下开发一种快速、低成本且可扩展的包虫病辅助筛查方法具有重要的临床和公共卫生意义。

拉曼光谱是一种基于非弹性散射的无标记分析技术，可以从生物样本中捕获分子指纹信息。由于其快速性、可重复性和最小的样本制备要求，它显示出作为疾病筛查补充方法的潜力[10]、[11]、[12]。早期的光谱诊断研究主要使用传统的机器学习方法进行光谱数据分析。例如，Noh等人结合主成分分析（PCA-LDA）和线性判别分析（PCA-LDA）对胃腺癌细胞进行分类，实现了90.5%的准确率[13]。其他研究也证明了机器学习方法在诊断不同疾病方面的可行性[14]、[15]。此前，我们的研究小组使用小鼠模型探索了支持向量机（SVM）在包虫病早期诊断中的潜力[16]、[17]。然而，传统机器学习方法在处理受复杂荧光背景、噪声干扰和基线漂移影响的生物光谱数据时仍存在局限性。这些方法通常依赖于固定的预处理步骤和手动特征工程，不同的平滑、归一化和基线校正选择可能会改变输入分布并影响模型稳定性。此外，在处理高维非线性光谱时，它们在自适应提取深层表示方面的能力有限，这可能限制特征表示和泛化性能[18]、[19]。这些局限性促进了深度学习算法的应用，深度学习算法可以从光谱数据中自动学习高维特征。

随着深度学习的发展，卷积神经网络（CNN）因其端到端的学习能力和提取非线性光谱特征的能力而越来越多地应用于拉曼光谱分析。Zakharov等人开发了一种结合血清表面增强拉曼光谱和CNN算法的方法，用于区分多发性硬化症患者和健康个体，实现了100%的准确率和90%的灵敏度[20]。Liu等人提出了随机拼接CNN，使用拉曼光谱对乳腺癌细胞系进行分类，准确率为98.63% ± 0.8%，而传统机器学习方法的最高准确率为86.89% ± 2.04%[21]。He等人将拉曼光谱与CNN结合，用于区分胶质母细胞瘤和正常脑组织，分别在小鼠组织中实现了96.8%的准确率和在人类组织中实现了93.9%的准确率[22]。我们的研究团队之前构建了一个用于四类分类任务的CNN模型，包括正常对照组（NC）、肝包虫病（HE）、肝硬化（LC）和肝细胞癌（HCC），该模型的准确率为92.3%，优于相应的SVM方法（89.3%）。随后，我们开发了一个混合CNN-SVM模型，进一步提高了分类性能[23]。然而，尽管混合模型改善了分类性能，但它仍然依赖于单一的预处理光谱输入，导致原始光谱中潜在有用的信息未被充分利用。在基于拉曼的疾病筛查中，预处理通常用于抑制噪声、去除基线漂移和提高光谱可比性。然而，不同的平滑、基线校正和归一化程序会改变输入分布，而过度处理可能会削弱原始光谱中保留的微妙鉴别结构。因此，联合分析原始和预处理光谱可以保留互补信息并减少对任何单一预处理流程的依赖[24]。Fernández-Manteca等人最近开发了一种多通道一维CNN，用于基于拉曼光谱区分四种培养的有毒蓝细菌物种[25]。他们的主模型使用了原始光谱、基线估计和预处理光谱作为单独的输入。仅保留原始和预处理光谱的双通道配置获得了相同的86%测试准确率，表明这两种表示包含了主要的互补信息。然而，该研究使用了一种预定义的预处理流程和串联（Concatenation）作为融合方法，没有系统地比较其他预处理程序或融合策略。其发现也是基于培养的蓝细菌光谱，而不是在参与者水平上评估的人类血清样本。因此，目前尚不清楚多视图学习的好处是否在不同预处理条件下保持一致，并能扩展到临床相关的血清筛查任务中。

为了填补这些空白，我们开发了一种具有并行多级分支的双通道CNN（DCNN），用于从原始和预处理后的血清拉曼光谱中学习互补特征。在开发集内使用相同的层次化五折分割方法系统地评估了八种预处理流程和三种特征融合策略，并在留出测试集上确定了最终配置。融合选择后，将得到的DCNN与原始光谱CNN（R-CNN）和相应的预处理光谱CNN（P-CNN）在所有八个预处理流程中进行比较，以确定在不同预处理条件下融合的好处是否一致。还对双通道和三通道配置进行了额外比较，以检查基线估计输入是否提供了额外的价值。该框架在涉及HE、LC、HCC和NC的四类差异筛查任务以及在相同留出样本上的二分类HE筛查中进行了评估，并与点免疫金过滤测定（DIGFA）进行了比较。模型解释通过注意力分析、代表性拉曼峰的组间比较和光谱区域去除实验得到支持。因此，本研究的方法学贡献不仅在于结合原始和预处理光谱，还在于系统地开发并验证了一个旨在减少对任何单一预处理流程依赖性的双视图框架，以支持血清拉曼包虫病筛查。

**部分摘录**
**血清样本收集**
本研究中使用的血清样本与我们之前的CNN-SVM混合模型[23]中使用的样本来自同一队列。共包括573名参与者的573份血清样本，用于构建肝包虫病及相关肝脏疾病的分类模型。该队列包括211份HE样本、100份HCC样本、127份LC样本和135份NC样本。选择HCC和LC是因为它们在临床表现和影像学上与HE有部分重叠，目的是在...背景下评估模型。

**预处理和融合配置的选择**
本节中的所有分析都在458个样本的开发集上进行。使用相同的层次化五折分割方法评估了八种预处理组合。每种组合包括两种去噪方法中的一种、两种基线校正方法中的一种和两种归一化方法中的一种。为了简洁起见，此后将这些八种预处理组合称为Comb 1至Comb 8。

**结论与未来展望**
本研究开发了一个双通道框架，将原始和预处理后的血清拉曼光谱作为互补的光谱表示。在测试的八种预处理流程中，DCNN始终实现了比相应的单通道模型更高的开发集准确率，支持在评估条件下减少对任何单一预处理程序的依赖。在固定预处理和融合配置后，DCNN实现了...

**作者贡献声明**
吴国华：撰写 – 审阅与编辑、监督、资金获取。
吕国栋：撰写 – 审阅与编辑、监督、资源管理。
徐亮：撰写 – 审阅与编辑、监督。
黄嘉辉：撰写 – 审阅与编辑。
黄玉康：撰写 – 审阅与编辑。
陈浩然：撰写 – 初稿、软件、方法学、形式分析。
郑翔祥：撰写 – 审阅与编辑、项目管理、方法学、资金获取、数据管理。

**利益冲突声明**
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

**数据可用性**
支持本研究结果的数据可从相应作者处获取。由于隐私或伦理限制，数据不可公开。

**致谢**
本研究得到了中国国家自然科学基金（NSFC）（62475020）和中亚高发疾病发病机制、预防和治疗国家重点实验室基金（SKL-HIDCA-2024-14）的支持。

**作者信息**
陈浩然 | 郑翔祥 | 黄嘉辉 | 黄玉康 | 徐亮 | 吴国华 | 吕国栋
天津工业大学电气工程与自动化学院，天津 300384，中国