《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Urolithiasis detection based on data fusion of laser-induced breakdown spectroscopy and fourier transform infrared spectroscopy
编辑推荐：
•元素/分子信息协同增强泌尿系结石检测。•提出一种多尺度通道注意力模块以自动识别关键特征。•MCANet：用于快速泌尿系结石检测的新型 LIBS-FTIR 数据融合网络。•MCANet 表现出卓越的分类性能和强大的鲁棒性。Introduction泌尿系结石是指肾脏结石、输尿管
- •
元素/分子信息协同增强泌尿系结石检测。
- •
提出一种多尺度通道注意力模块以自动识别关键特征。
- •
MCANet：用于快速泌尿系结石检测的新型 LIBS-FTIR 数据融合网络。
- •
MCANet 表现出卓越的分类性能和强大的鲁棒性。
Introduction
泌尿系结石是指肾脏结石、输尿管结石、膀胱结石和尿道结石的形成，如图 1 所示。该泌尿科疾病涉及由各种物质（包括钙、草酸和尿酸）形成的硬化沉积物，这些物质在泌尿系统中结晶并积聚 [1], [2]。如果不及时清除，这些结石会引起剧烈疼痛，并导致血尿、感染和肾衰竭等严重并发症 [3]。
泌尿系结石的特征通常是存在引起显著疼痛的大结石，通常通过超声波、计算机断层扫描（CT）扫描和其他医学检查进行检测 [4]。虽然这些方法提供了关于结石位置、大小和外观的信息，但它们往往耗时、效率低且不便于早期检测 [5]。因此，迫切需要一种快速、简单、高效且具有成本效益的检测方法，适用于早期检测。
尿液作为泌尿系统的生物体液，携带有价值的疾病信息，并具有无创性、简单性和样本收集方便性等优点 [6]。Deguchi 通过对 24 小时尿液样本的化学分析检查了内脏脂肪对泌尿系结石复发的影响 [7]。结果显示内脏脂肪面积（VFA）与蛋白质、肌酐、尿酸等尿液水平异常相关，并显著增加了复发风险。Letourneau 评估了尿草酸/肌酐（UOx/Creat）比值在检测高草酸尿症和泌尿系结石中的价值 [8]。发现表明该方法有效地帮助识别了肾脏结石风险人群。
光谱技术因其在化学分析中的高灵敏度和特异性而日益普及。其中，激光诱导击穿光谱（LIBS）和傅里叶变换红外光谱（FTIR）是两种突出的技术。LIBS 技术通过分析等离子体光辐射的特征，推断样本中元素的类型和浓度，从而实现精确的原子级分析 [9]。FTIR 可以通过检测激光激发分子振动模式产生的分子光谱，揭示样本的化学成分和结构信息 [10]。LIBS 的优势在于快速和全元素分析，而 FTIR 则擅长稳定和快速的分子分析 [11], [12]。
一些研究已利用这些光谱技术调查泌尿系结石。例如，Hermida [13] 使用 FTIR 分析了人类尿路结石和胆结石。Xie 利用 LIBS 分析了钙基尿路结石的元素组成，并进一步使用 BPNN 进行结石类型分类，分类准确率达到 94.37% [14]。Kotaska 利用 FTIR 分析了罕见的氰基丙烯酸酯和焦磷酸盐泌尿系结石颗粒的分子组成 [15]。Hamad 使用 LIBS 分析了肾脏结石的硬度，并证明 LIBS 可用于准确测量肾脏结石的表面硬度 [16]。这些研究证实了 LIBS 和 FTIR 在疾病检测领域的应用潜力。
虽然现有研究取得了一定进展，但大多数侧重于术后结石分析，且单一的 LIBS 或 FTIR 技术很难为泌尿系结石提供全面和多维度的信息 [17]。同时，LIBS 和 FTIR 光谱表现出显著的数据异质性。因此，构建高效的多模态融合策略以实现信息互补是提高泌尿系结石分类准确性的关键。
近年来，与 LIBS 相关的信号增强和多模态融合技术引起了越来越多的关注。Logue 利用 LIBS、拉曼光谱、FTIR 光谱和 XRD 表征茂金属单晶体，实现对元素组成、分子振动和晶体结构的互补分析 [18]。Ohtsu 利用外部磁场增强 LIBS 信号，并将该方法应用于土壤中和钾的测定 [19]。此外，邓和叶分别结合 LIBS 与激光诱导等离子体声学信号用于空气湿度识别和工业烟雾监测。这些研究表明，声学和光学信息的整合可以提高分析性能和模型鲁棒性 [20], [21]。
同时，人工智能（AI）技术的快速发展显著推进了深度学习（DL）的应用 [22]。具体而言，凭借其强大的特征提取能力，深度学习已广泛应用于数据融合领域 [23]；通过整合多源数据并探索不同数据集之间的互补性，数据融合技术不仅能提供更全面的信息，还能进一步增强特征表达，从而有效提高分类任务的准确性和鲁棒性 [24]。深度学习（例如卷积神经网络 [25]）克服了在捕获细粒度结构和动态变化方面的局限性 [26]。基于这些优势，深度学习与光谱融合技术的结合已被应用于疾病检测领域。Zhou 提出了一种基于 Transformer 的跨模态注意力融合模型用于 SLE 诊断，整合了拉曼光谱、FTIR 光谱和代谢组学数据 [27]。此外，他们采用基于跨分支共注意力网络的多模态模型诊断多种选定癌症 [28]。这些模型利用拉曼光谱和 FTIR 光谱，实现了 准确率 96.88%。Shi 融合了 LIBS 和 FTIR 数据，并基于梯度反转对抗网络解决了乳腺癌血清检测中的批次效应，准确率为 89.7% [29]。这些结果完全证实了这种多光谱融合策略的有效性。
因此，为了满足泌尿系结石早期和快速检测的需求，我们提出利用基于尿液的 LIBS 和 FTIR 光谱结合 DL 进行快速泌尿系结石检测。此前没有研究报告过这种检测方法。目标是开发一种新型的多尺度驱动通道注意力融合网络（MCANet），以有效整合 LIBS 和 FTIR 数据，通过提高准确性和速度来增强泌尿系结石的检测。具体而言，在通过对齐 LIBS 和 FTIR 数据通过 MCANet 的特征提取组件后，一种新型的多尺度融合方法将在关注不同通道特征的同时获取不同长度的信息。随后，处理后的特征将与通过 LSTM 提取的单光谱数据结合，以确保长期数据的相关性，最终输出分类结果。
Section snippets
样本信息与处理
本实验使用的尿液样本由武汉大学中南医院提供，并获伦理委员会批准（编号：2024267 K）。所有尿液样本均由医院收集，其诊断结果已通过医学检查明确确认。泌尿系结石组的纳入标准如下：患者临床诊断为泌尿系结石，且结石成分经医学确认为草酸钙或碳酸钙
尿液 LIBS 光谱分析
不同尿液样本中微量元素水平的变化对于区分健康对照（HC）和泌尿系结石至关重要。图 3(a) 显示了尿液样本的 LIBS 光谱。表 2 总结了 LIBS 的元素谱线。
钙和磷与结石形成直接相关，而钠、镁和钾是三种关键的间接相关物质。钙对骨骼生长和重塑至关重要；它还作为细胞内
泌尿系结石分类性能
本研究使用上述五项指标对 MCANet 进行了全面评估，关键结果在表 4 中以粗黑字体显示。模型实现了 准确率 96.36%，通过同时捕获 LIBS 元素特征和 FTIR 分子特征以实现元素 - 分子协同判别，反映了整体分类能力。其 精确率 为 95.13%，确认了将 HC 样本误分类为病理样本的比例较低（减少不必要的干预），而 召回率 为 97.72%，表明
结论
在本研究中，开发了一种多尺度驱动的通道注意力融合网络（MCANet）用于泌尿系结石分类，通过分别整合 LIBS 和 FTIR 提供的互补元素和分子信息。通过结合多尺度特征融合、LSTM 和通道注意力机制，该模型有效提取了两种光谱模态中的判别信息，并实现了 96.36% 的分类准确率。其性能优于
CRediT 作者贡献声明
Wenjing Chen：方法论，数据整理，撰写 – 原稿，撰写 – 审阅与编辑。Zehai Hou：调查，撰写 – 原稿，撰写 – 审阅与编辑。Weihua Huang：数据整理，撰写 – 审阅与编辑。Aojun Gong：撰写 – 审阅与编辑，监督。Fang Li：资金获取，监督。Lianbo Guo：资金获取，监督。
利益冲突声明
作者声明，他们没有任何已知的竞争性经济利益或个人关系，这些关系可能会影响本论文所报告的工作。
致谢
本研究由国家自然科学基金（编号：12374319 和 编号：62375101）、湖北省科技重大专项（编号：2022AAA008）、湖北省重点研发计划项目（编号：2024BAB107）提供资金支持。
Wenjing Chen|Zehai Hou|Weihua Huang|Aojun Gong|Fang Li|Lianbo Guo
