2020年9月30日由纽约州立大学奥尔巴尼大学Igor K. Lednev在《Chemical Society Reviews 》杂志上发表了一篇名为“Towards development of a novel universal medical diagnostic method: Raman spectroscopy and machine learning”的综述。在当前采用的多种筛选和诊断方法中存在许多问题, 临床上需要提高这些程序的诊断能力，包括提高测试的敏感性和特异性，客观性和确定性，以及降低测试的成本和侵入性，从而用一种功能强大的工具替代多种诊断方法，最近的文献激增集中在利用拉曼光谱结合机器学习分析来改善诊断方法以识别各种疾病，包括癌症，病毒和细菌感染，神经退行性疾病和自身免疫性疾病。这篇评论重点介绍了自2018年以来完成的工作，重点是使用拉曼光谱学和机器学习来满足在疾病的所有领域进行更好的筛查和医学诊断的需求。

无论疾病是病毒感染，血液疾病还是癌症，早期和准确的检测都是正确治疗和帮助患病个体的关键。然而，正如人们可以感染的疾病是多种多样的一样，用于筛查和诊断疾病的方法也是如此。在这些各种技术中，存在着很大的空间，可以改善诸如测试的敏感性和特异性，访问性和可用性以及确定性等措施，并降低成本，执行时间以及与测试相关的侵入性水平。为了满足这些需求，大力开发一种可用于通用医学诊断的新方法。开发一种微创的单一测试，可以简单，准确地筛查并及早诊断出各种疾病，同时又省时又划算。在此提出了拉曼光谱（RS）作为可以满足这一重要角色的方法。

拉曼光谱法是一种出色的分析工具，可用于获取有关样品分子组成的非常具体的信息。RS涉及通过单色光源照射样品。入射光的光子与样品相互作用，由于拉曼散射而引起分子振动的激发和失活。因此，入射光子和散射光子之间的能量差等于样品中许多分子振动的能量。因此，据称RS提供了样品的振动“指纹”，已知该指纹是材料的最特定光谱特征。

由于其特异性，RS将能够确定从健康和患病供体收集的生物学样品之间的差异。它可以从样品的多个位置收集和处理光谱信息，以提供样品的异质性和多组分组成的统计学显着特征。这为同时检测多种生物标志物提供了机会，而大多数诊断测试和检查都无法做到这一点。除了其特异性外，RS与用于诊断的其他方法相比具有相当大的优势。该方法本质上是非侵入性的，可以在体内使用由于手持式仪器和光纤探头的出现。与诊断成像测试相比，RS并不昂贵，而且它是客观的，因此它比需要人工解释结果的诊断方法（例如组织病理学）更受欢迎。最重要的是，RS易于使用，快速，可靠，并且可以简单地调整以用于临床环境。

要注意，不同生物样品的光谱之间发生的变化通常很小并且不容易观察到。需要经常使用化学计量学和机器学习来解释收集的光谱数据。化学计量学对以矩阵形式存在的数据（例如拉曼光谱数据）的应用，使用户可以生成机器学习预测算法，以对化学数据进行分类和分离。具体而言，预测算法会学习数据类别之间的相似性和差异，例如从健康供体和患有疾病的供体的生物样本中获得的数据。一旦使用已知数据构建了模型，就可以将其应用于对提供给它的新的未知数据进行分类预测。存在许多不同的化学计量学方法来回答各种科学问题。具体来说，可以建立两种主要类型的统计模型：有监督模型和无监督模型。

自发拉曼光谱法使用的激光通常发出可见光到近红外范围内的单色光。来自激光的光子与被照射样品中的分子相互作用，由此产生的非弹性散射的光子被仪器以定量方式检测到。自发RS允许检测和表征异质样品的多组分组成，使其可用于研究各种生物样品。通常，从单个样品中收集多个光谱，以更好地说明这种异质性。RS最显着的优势之一是它能够将多种潜在的生物标记整合到一个光谱特征中，从而提高了方法的灵敏度和特异性。许多不同的研究都利用自发性RS来评估其诊断各种疾病的能力，包括癌症，传染病，血液疾病，神经退行性疾病等等（如图1）。

表面增强拉曼光谱结合了拉曼光谱的特异性和检测超低浓度存在的生物分子的能力。通常，激光与基板（通常是纳米尺寸的金属结构）的相互作用会产生等离激元光场。吸附在基板表面此增强场中或附近的分子经历增强的拉曼散射，因此也增强了产生的拉曼信号。理想地，这种增强允许对生物样品内存在的生物分子进行更加灵敏的检测。这可以导致在两个相似的生物学样品之间进行更好的区分，例如从健康和患病的供体那里获得的样品。虽然听起来很理想，但SERS方法确实有许多潜在的缺点，包括要求增强表面和样品之间紧密接触，基材的可重复使用性有限。例如通过对138例散发性ALS病例的血浆进行SERS分析，发现了神经退行性疾病，肌萎缩性侧索硬化症（如图2）

目前拉曼光谱的其他变化：最近的两项研究使用了深紫外拉曼光谱（DUVRS）。DUVRS利用在深紫外光范围内的激发波长，由于它们在相同范围内吸收光，因此增加了由芳香族氨基酸和核酸组成的生物样品产生的非弹性散射。拉曼光谱结合光学镊子；RS与光镊的结合是一种功能强大的工具，可用于以无创和无菌方式表征和评估细胞。细胞被光力捕获，防止了随机运动。此外，激光镊子RS（LTRS）系统可以从单个活细胞收集拉曼光谱，而不会干扰底物或其液体环境。移动激发拉曼差光谱（SERDS），SERDS涉及使用两个略有不同的激发波长来收集光谱。当获得两个光谱的差异时，理想地消除了荧光的贡献，从而使获得的光谱具有更好的解释性。同时，目前已经开发出多种探针和手持式的便携设备（如图3）。

总而言之，本文提出了结合机器学习技术的拉曼光谱作为医学诊断的通用方法，该方法快速，准确，客观且确定。该方法本身固有地是非侵入性的，易于使用的，并且具有易于在临床环境中实施的潜力。这篇评论重点介绍了自2018年以来全球研究人员进行的重大研究，他们利用拉曼光谱法对各种疾病和疾病进行筛查和诊断。尽管在将方法引入临床之前仍需进行改进和克服障碍，但结合化学计量学的拉曼光谱法仍具有巨大而有希望的潜力，成为医学诊断的第一种通用方法。

文章来源：Chem Soc Rev| 拉曼光谱+AI： 新型通用医学诊断方法 – 知乎 (zhihu.com)