《Microchemical Journal》：Machine learning–enabled vibrational spectroscopy for translational bioclinical applications
编辑推荐：
摘要专业翻译
振动光谱（vibrational spectroscopy）能够实现无标记的分子生物临床分析。傅里叶变换红外光谱（FTIR）、拉曼光谱（Raman）和表面增强拉曼光谱（SERS）在生化诊断方面具有互补优势。预处理选择对光谱模型可靠性具有决定性影响
摘要专业翻译
振动光谱（vibrational spectroscopy）能够实现无标记的分子生物临床分析。傅里叶变换红外光谱（FTIR）、拉曼光谱（Raman）和表面增强拉曼光谱（SERS）在生化诊断方面具有互补优势。预处理选择对光谱模型可靠性具有决定性影响。机器学习（machine learning, ML）能够增强分析严谨性，但无法替代分析严谨性。深度学习（deep learning, DL）在小型生物临床光谱数据集上存在过拟合风险。
论文主体内容解读
一、研究背景与问题
振动光谱在过去二十年间已从探索性分析技术发展为在生物与临床分析中具有日益重要地位的通用平台。红外光谱、拉曼光谱及表面增强拉曼光谱等技术能够以无标记、非破坏性方式获取生物样本的分子组成信息，涵盖蛋白质、脂质、核酸及代谢产物等生化成分，且所需样本制备极少。与显微镜联用时，这些技术还能实现组织和细胞的空间分辨生化图谱绘制，为传统组织学与分子检测提供补充性见解。
然而，振动光谱向常规临床实践的转化仍十分有限。其核心障碍在于生物光谱数据的内在复杂性——这些数据不仅反映疾病相关的生化变化，还包含来自患者异质性、样本处理、仪器配置及环境因素的大量变异。光谱重叠、散射效应、基线畸变及噪声进一步增加了数据解读的难度。此外，缺乏样本制备、光谱采集、预处理及分析的标准化方案，严重阻碍了研究的可重复性和跨研究可比性。
传统化学计量学方法虽在光谱数据分析中发挥了基础性作用，但往往依赖线性假设和人工特征提取，难以捕捉生物系统中固有的复杂非线性关系。近年来，机器学习和深度学习方法已成为处理振动光谱数据高维性和复杂性的有力工具，但同时也暴露出过度依赖内部验证、模型可解释性不足、与生化机制联系薄弱等新挑战。
二、研究内容与结论
本综述系统整合了机器学习驱动的振动光谱在生物与临床领域的最新进展，重点聚焦转化应用考量。研究人员对分析流程各环节的方法学选择如何影响模型稳健性、可重复性和临床实用性进行了批判性评估，并提出了指导可解释、经充分验证且具临床可操作性的振动光谱决策支持系统开发的结构化路线图。
三、主要技术方法
研究人员系统梳理了振动光谱领域的主要技术手段，包括傅里叶变换红外光谱（FTIR）及其显微成像模式、拉曼光谱及其显微成像模式、表面增强拉曼光谱（SERS）、衰减全反射傅里叶变换红外光谱（ATR-FTIR）和近红外光谱（NIR）。在计算框架方面，涵盖经典化学计量学方法（主成分分析、偏最小二乘回归、线性判别分析、支持向量机）与现代机器学习/深度学习方法（卷积神经网络、自编码器、混合架构、Transformer跨模态注意力模型、域适应框架）。此外还涉及可解释人工智能技术（如SHAP值、注意力映射、层间相关性传播）及多种缓解小样本问题的策略（迁移学习、少样本学习、生成对抗网络合成数据等）。
四、研究结果
4.1 振动光谱在生物与临床情境中的应用
FTIR光谱对极性官能团和集体分子振动敏感，而拉曼光谱优先探测对称和非极性振动模式，两者具有互补的生化敏感性。FTIR显微成像在肿瘤分类、分级和切缘界定方面展现出潜力，并与福尔马林固定石蜡包埋组织切片的病理工作流程高度兼容。拉曼显微成像则支持亚细胞生化图谱绘制，在癌症诊断、病原体检测和组织活力评估中均有应用。SERS通过纳米结构金属表面将拉曼信号增强数个数量级，可用于低丰度生物分子检测，但基底可重复性和信号变异性问题仍是临床转化的主要障碍。ATR-FTIR简化了样本制备并提高了可重复性，适合常规体液分析和即时检测。NIR光谱虽化学特异性较低，但组织穿透更深，适用于临床监测和无创诊断。
4.2 光谱预处理与分析流程设计
预处理不是中立的准备步骤，而是一系列影响深远的分析决策。基线校正方面，扩展多元散射校正（EMSC）被广泛认为是对生物FTIR光谱最 principled 的组织和细胞测量方法；拉曼光谱中荧光背景的去除则常用多项式拟合、惩罚最小二乘及非对称最小二乘（ALS）等迭代算法。归一化方法包括向量归一化、最小-最大归一化、内参谱带归一化和总面积归一化，不同选择会显著影响下游模型。Savitzky-Golay平滑是最广泛使用的降噪方法，但过度平滑会降低光谱分辨率并合并邻近谱带。导数变换可增强光谱分辨率并抑制基线偏移，但会放大高频噪声。维度约简和特征选择对解决维度灾难至关重要，保留成分数量的选择直接决定最终驱动诊断分类的光谱区域。研究显示，同一原始数据集经不同预处理流程处理后可产生10至30个百分点的分类准确率差异，且最优流程往往具有数据集特异性。
4.3 经典化学计量学与现代机器学习框架
经典化学计量学方法的主要优势在于可解释性——载荷和潜变量可关联至特定光谱特征和生化组分。这些方法在小到中等规模数据集上表现良好，但依赖线性假设和人工特征表示，限制了其建模复杂生物现象的能力。机器学习方法通过非线性建模和自动化特征学习扩展了传统化学计量学的能力。深度学习框架如卷积神经网络（CNN）和自编码器能够直接从原始或最小化处理的谱图中学习层次化表示，在疾病分类和组织判别任务中常报告优于经典化学计量学的预测准确率。然而，深度学习模型在生物光谱情境中引入了几项临床后果严重的局限性：对训练数据规模和多样性的高要求使其在小样本队列中易过拟合；内部验证报告的性能往往过于乐观，模型倾向于编码数据集特异性伪影；黑箱决策机制妨碍了学习特征的生化解读，削弱临床信任和监管可接受性。
4.4 可解释性与临床信任
在临床环境中，仅具备预测性能不足以支撑ML诊断工具的采用。临床医生和监管机构要求模型行为、决策边界及光谱特征与潜在生化或病理过程之间关系的透明度。经典化学计量学模型具有固有可解释性，而ML和DL模型往往掩盖单个光谱区域的贡献。可解释人工智能（XAI）技术如显著图、特征归因和层间相关性传播已被用于识别DL模型中具有诊断相关性的光谱特征。SHAP值和注意力映射可将模型决策归因至特定波数，并关联至确定的生化振动谱带，如与蛋白质二级结构相关的酰胺I区。分组或光谱区域变体方法特别适合振动光谱的共线性特征，是生物医学意义上可解释性的有前景方向。
4.5 验证、基准测试与数据集局限
内部验证策略（如交叉验证）虽对参数优化有价值，但往往高估泛化能力，尤其是在小规模或同质数据集中。外部验证使用在不同条件、不同机构或不同仪器下采集的独立数据集，对确立临床相关性和稳健性至关重要。高维光谱数据与小样本量的结合为过拟合创造了有利环境，复杂预处理流程和灵活ML架构可能无意中编码数据集特异性偏差。振动光谱领域缺乏广泛接受的基准数据集和共享参考标准，使得跨研究性能比较不可靠。研究人员提出，该领域需要建立前瞻性多中心临床试验的通用框架，包括分析方案预注册、锁定预处理流程、多站点多仪器前瞻性招募、预设主要性能终点、强制外部验证以及符合预测模型报告标准的透明报告。
五、讨论与结论
本综述的核心论点是：振动光谱的临床转化不能仅作为分析技术来考量，而应视为整合性临床决策支持系统的一部分，要求严谨性、透明性和可重复性。光谱数据从来不是平台无关的——实验室台式FTIR、便携式拉曼和手持式红外设备在噪声结构、光谱分辨率、波数精度、基线形态和可重复性方面存在系统性差异，这些差异决定了哪些预处理步骤是必要的、哪些光谱特征是有意义的以及哪些模型能够保持稳健。仪器选择与算法选择在临床转化中是耦合的。
研究结论指出，机器学习增强但不能替代分析严谨性。预处理决策、验证策略和可解释性要求贯穿整个分析流程，不能孤立评估。在数据受限或临床问责情境下，更简单、更可解释的方法可能比高度复杂的替代方案具有更大的转化价值。可解释性不是次要考量，而是监管接受和临床部署的前提条件。振动光谱领域最可行的临床转化路径是：保留生化可解释特征的分析流程、超越内部交叉验证的验证框架、以及在独立队列或采集条件下展现稳定性的模型。
