摘要
背景：生物医学光谱学提供了一种无创疾病表征手段，但光谱变量数量庞大、冗余度高以及可解释性有限等问题，可能阻碍紧凑诊断模型的构建。本研究提出了一种光谱线性序列分解学习器（Spectral-LSDL），这是一种用于光谱信息定位与表征的自适应框架，将成熟的光谱变换与基于阈值的分解方法及基于形态学的特征提取相结合。该框架旨在验证疾病相关的判别性信息能否保留在特定的光谱分解成分中，而非必须表征完整的光谱测量数据。方法：Spectral-LSDL将互补的光谱表征、自适应上/下阈值分解、定位深度优化及基于形态学的特征提取相结合，生成紧凑的50维光谱结构特征表示。该框架在三组生物医学光谱数据集上进行了测试：用于头颈癌检测的拉曼光谱、用于皮肤病变分类的近红外（NIR）光谱，以及用于2型糖尿病检测的ATR-FTIR光谱。模型训练与评估采用基于生物组别感知的划分方式，确保同一受试者或病变的光谱不会同时出现在训练集和验证集中。将Spectral-LSDL与Raw-LDA、PCA-LDA、PLS-DA及一维卷积神经网络（1D-CNN）进行比较。性能评价指标包括平衡准确率、宏F1分数和ROC-AUC，并采用配对生物组Bootstrap推断。此外，通过大小匹配随机区域Monte Carlo分析单独检验光谱偏定位性。利用信息定位指数（ILI）及其维度归一化形式（nILI）对压缩效率与预测保持率进行描述性评估。结果：Spectral-LSDL在三种光谱模态下均实现了显著的维度压缩，同时保持了具有竞争力的预测性能。独立组别验证集的ROC-AUC值分别为：拉曼光谱0.739、NIR光谱0.809、ATR-FTIR光谱0.940，对应的nILI值分别为1.184、0.976和0.946。配对推断显示，经多重检验校正后，Spectral-LSDL与常规对比方法在拉曼光谱和NIR光谱上无统计学显著差异。在ATR-FTIR光谱中，Raw-LDA在平衡准确率（ΔBA = ?0.050，95% CI ?0.088至?0.014；Holm校正后p = 0.016）和ROC-AUC（ΔAUC = ?0.040，95% CI ?0.073至?0.012；Holm校正后p = 0.020）方面均显著优于Spectral-LSDL。大小匹配随机区域分析为拉曼光谱提供了偏定位性的证据（平衡准确率：p = 0.049；ROC-AUC：p = 0.002），而在NIR和ATR-FTIR光谱中未观察到显著的定位富集。结论：Spectral-LSDL提供了一种基于成熟分析组件的光谱信息定位与表征自适应框架，能够在保留预测信息的同时实现对生物医学光谱的紧凑表征。研究结果表明，自适应分解可用于探究预测性光谱结构的集中分布区域，但并未证明其具有一致的预测优越性、明确的生化区域或临床应用价值。这些发现支持将Spectral-LSDL作为光谱建模的可解释方法进行进一步研究，但仍需外部前瞻性验证和独立的生化确认，以确立所识别光谱定位的可重复性、生物学特异性和临床相关性。
