红外光谱与机器学习结合用于乳腺癌亚型鉴别及特征可视化

《Infrared Physics & Technology》：Integration of infrared spectroscopy and machine learning for breast cancer subtype discrimination and feature visualization

　　

摘要

乳腺癌分子亚型的准确分型对预后和个体化治疗至关重要。本研究将红外光谱与四种机器学习算法（CNN、PLS-DA、SVM和KNN）相结合，用于区分六种乳腺癌细胞亚型。所有模型均表现出良好的分类性能，其中CNN取得了最高的测试准确率（99.86 ± 0.34 %），其次为SVM（99.12 ± 0.80 %）、PLS-DA（99.07 ± 0.64 %）和KNN（96.44 ± 2.02 %）。Grad-CAM可视化技术识别出与蛋白质、脂质和核酸相关的关键光谱波段，与已有报道一致。该方法实现了快速且精确的亚型识别，为乳腺癌的精准分子分型和个体化治疗提供了有力的工具。

引言

随着精准医学的快速发展，恶性肿瘤的临床管理已从传统的基于经验的方法转变为基于分子亚型分型的个体化治疗策略。该方法的核心在于通过精确的分子分型克服肿瘤异质性所带来的临床挑战 [1]。乳腺癌作为最常见的女性恶性肿瘤之一，是高度异质性肿瘤的典型代表 [2]、[3]。其不同分子亚型在生物学行为、治疗敏感性和预后方面存在显著差异。其中，HER2阳性型和三阴性乳腺癌（TNBC）更具侵袭性，而腔面型乳腺癌对内分泌治疗的反应较好。因此，快速准确地识别乳腺癌分子亚型对制定合理的治疗方案和改善患者预后具有重要意义。

然而，目前乳腺癌分子亚型分型的临床标准流程依赖于肿瘤组织标本。该流程包括获取组织标本、通过病理检查确认组织学特征，随后将肿瘤分为腔面A型、腔面B型、HER2阳性和三阴性四种分子亚型 [4]、[5]。尽管该流程为临床治疗提供了基础依据，但在早期干预和动态监测方面仍存在局限性。这些局限性包括：有创采样无法覆盖所有病灶、检测周期较长无法满足疾病进展快速评估的需求，以及分类结果解読在一定程度上依赖经验，可能影响诊断一致性 [6]、[7]。鉴于上述局限性，开发一种高效、无创且可重复的检测技术已成为乳腺癌精准诊疗领域的重要课题。

红外光谱是一种无损、快速且高灵敏度的分析技术，能够提供独特的"分子指纹"信息。它能够准确捕捉蛋白质、脂质和核酸等关键生物分子在生物样本中产生的振动特征 [8]、[9]，从而为乳腺癌的分子亚型分型提供新的化学数据。因此，红外光谱已被广泛应用于区分肿瘤组织与正常组织的研究中。具体而言，将红外光谱与人工神经网络（ANN）和支持向量机（SVM）相结合，在区分正常、良性和恶性结直肠组织时取得了92 %–95 %的分类准确率 [10]。同样，在乳腺癌研究中，基于近红外光谱的一维CNN模型通过直接提取关键光谱特征，以94.67 %的准确率区分肿瘤组织与癌旁组织 [11]。此外，整合二维相关光谱与波变换的方法进一步提高了对微弱分子信号的检测灵敏度，实现了97.50 %的肿瘤识别精度 [12]。与肿瘤与正常组织的二元区分相比，乳腺癌分子亚型的识别对模型的判别鲁棒性提出了更高的要求，这主要源于各亚型之间微妙的生化差异。现有研究表明，多模态光谱数据（特别是拉曼和红外光谱）的融合与多尺度深度学习架构的结合，能够有效捕获互补的分子特征，从而显著提升多样化肿瘤表型的分类性能 [13]、[14]。在乳腺癌的具体领域，红外光谱结合高级统计学习框架和分类器的研究已证明其能够准确区分腔面型与非腔面型亚型，并进一步区分腔面A型和腔面B型 [15]、[16]。这些进展凸显了红外光谱特征对亚型特异性代谢改变的极高灵敏度，为从形态学评估向无创分子谱分析的转变奠定了坚实的技术基础。

在SERS领域，半导体基底近年来在生物检测中引起了广泛关注。增强策略——包括能级工程、非晶化、准金属化和形貌调控——能够调节电子能带结构和电荷转移通道，在实现高增强因子的同时兼具良好的选择性和稳定性 [17]。例如，单原子Cu锚定于UiO-66上可实现对VOCs的10 ppb检测限和2分钟响应时间，在模拟肺癌呼气检测中展现出有效的VOCs识别能力 [18]。非晶态MoO₃单层膜利用可见光区LSPR和热电子转移，达到了10^?9 M的致癌芳香胺检测限，且具有优异的一致性和稳定性 [19]。贵金属-半导体杂化材料通过电磁-电荷转移协同效应，结合电磁增强和化学增强，应用于环境监测和生物传感领域 [20]。这些发展为实现乳腺癌生物标志物的高灵敏检测带来了新的机遇。

尽管光谱技术在乳腺癌亚型识别中已显示出显著效果，但其临床转化仍面临两大瓶颈：亚型分型的粒度有限和缺乏可解释的生物标志物。首先，现有方法的判别能力大多局限于区分两到三个主要亚型，无法实现临床表型的全面分层。其次，缺乏空间分辨、可视化可解释的生物标志物，使得光谱特征无法精确映射到底层的分子病理机制，对诊断验证和临床采用构成了重大障碍 [21]。为克服这些局限性，本研究在两个关键层面提出了方法学创新。第一，突破仅对少数主要亚型进行分类的常规范式，本研究纳入了更全面谱的乳腺癌细胞亚型，显著增强了跨分子表型的判别能力。为确保分类的鲁棒性，采用蒙特卡洛采样策略进行迭代随机数据划分和模型训练。第二，针对缺乏可解释生物标志物这一问题，我们提出了一种基于CNN的可视化方法，能够识别分子异质性所对应的具有判别力的光谱区域，从而增强临床可解释性。所提出工作流程的示意概述见Fig. 1。

章节摘要

样本制备

本研究使用了五种不同亚型的人乳腺癌细胞：腔面A型（MCF-7）、腔面B型（BT-474）、低Claudin表达型（MDA-MB-231）、基底样型（MDA-MB-468）和HER2阳性型（SKBR3）亚型，以及人正常乳腺细胞（Hs578Bst）。不同乳腺癌亚型的特征汇总于表1。所有细胞系均在37 °C、5 % CO₂培养箱中使用含10 %胎牛血清和1 %青霉素-链霉素的DMEM培养基进行培养。

红外光谱分析

本研究在650–4000 cm^?1范围内采集红外光谱。六种细胞系的平均光谱和标准偏差范围如图3A所示。实线表示每种细胞系的平均红外光谱，曲线周围的阴影区域表示标准偏差（SD）范围，反映了重复测量之间的光谱变异性。从图3可以看出，各类别的标准偏差较小，表明具有较好的

结论

本研究证明，红外光谱结合CNN能够快速且精确地识别乳腺癌分子亚型。使用五种乳腺癌细胞系和正常乳腺上皮细胞，所提出的CNN模型取得了99.86 %的平均测试准确率，优于PLS-DA、SVM和KNN。Grad-CAM可视化定位了与蛋白质、脂质和核酸代谢相关的关键光谱生物标志物，从而增强了模型的可解释性，并为

CRediT作者贡献声明

侯冰倩：调查、形式分析、数据管理、概念构思。杨曦宁：形式分析、数据管理。李凤玲：方法学、调查。雷文：调查、概念构思。赵长伟：方法学、项目管理。黄伟东：验证、方法学、调查。张雷：方法学、数据管理。夏晶晶：验证、软件、资金获取。

利益冲突声明

作者声明不存在可能影响本文报告工作的已知竞争性经济利益或个人关系。

致谢

本工作得到了家银医院与新疆大学科学研究合作项目（JYXD2023003）、新疆天山人才计划（编号：2024TSYCLJ0022）以及新疆战略人才培训项目——专（兼）职人才项目（编号：XJRC-2025-RS-PY-TX-059）的资助。

侯冰倩|杨曦宁|李凤玲|雷文|赵长伟|黄伟东|张雷|夏晶晶

新疆大学药学院与药物研究所，中国新疆乌鲁木齐市水磨沟区华瑞街777号，邮编830017