Rapid and sensitive acute leukemia classification and diagnosis platform using deep learning-assisted SERS detection
基于深度学习辅助SERS检测的快速灵敏急性白血病分类与诊断平台论文信息：Cell Reports Medicine
主讲人：张恒嘉，2026年5月17日
研究背景：
该领域的研究进展主要经历了从传统形态学诊断向分子影像与智能算法融合诊断的演变。在临床诊断方面，领域内长期依赖传统细胞学检查作为中枢神经系统白血病诊断的“金标准”，但因其灵敏度低且易出现假阴性，后续引入的流式细胞术虽在灵敏度上有所提升，但仍受限于样本处理难度和细胞粘附导致的检测偏差。随着液体活检概念的兴起，研究进展转向了对脑脊液中生物标志物的检测，旨在通过分子层面的“指纹”信息反映病理机制。与此同时，物理检测技术与人工智能的结合成为突破方向，表面增强拉曼光谱因其高灵敏度和“指纹”识别能力，配合AI算法在癌症早期筛查中展现出潜力；然而，在本研究开展前，该技术主要应用于血液或骨髓细胞的亚型分类，在针对脑脊液样本及中枢神经系统受累的特异性诊断方面尚属空白，且既往模型多局限于一维光谱处理，尚未实现多模态数据融合与深度学习的协同优化。
研究意义与目的：
本研究旨在针对急性白血病尤其是中枢神经系统白血病早期诊断困难、传统检测手段灵敏度低下的临床痛点，建立一种基于深度学习辅助表面增强拉曼光谱的快速、高精度分类诊断新策略。鉴于传统细胞学检查因灵敏度不足易导致漏诊，而流式细胞术虽有所改进但仍受限于操作复杂性与样本异质性，本研究的核心目标是突破现有技术瓶颈，开发出一种仅需微量脑脊液样本、无需复杂预处理且能在5分钟内完成检测的智能化分析平台，以期实现对AL患者CNS受累状态的精准判别。从理论层面而言，本研究通过引入Transformer深度学习模型，创新性地融合了一维光谱与二维SERS图像的特征信息，不仅拓展了人工智能在生物医学光谱分析领域的应用边界，也为复杂生物样本的多模态数据融合提供了新的方法学参考；从实践价值来看，该技术有望显著提升CNSL的早期检出率，帮助临床医生更早制定干预策略，从而改善患者预后，同时其高通量、低成本的检测优势具备在基层医疗机构推广的潜力，对于优化现有白血病诊疗路径、减轻患者负担具有重要的现实意义和社会价值。
研究内容：
本研究针对急性白血病及中枢神经系统白血病诊断中灵敏度低、检测周期长及样本需求量大的痛点，提出了一种“深度学习+表面增强拉曼光谱”的智能化检测解决方案。研究以临床脑脊液样本为研究对象，构建了一种基于液-infused多孔表面（SLIPS）的SERS检测平台，利用CSF内源性NaCl诱导纳米粒子聚集，形成高密度“热点”以实现信号双重增强；同时，开发了一种融合一维光谱特征与二维SERS图像信息的Transformer深度学习模型，通过多模态数据融合策略，实现对AL亚型、遗传特征及CNS受累状态的精准分类。研究内容涵盖SERS基底的优化设计、临床样本光谱数据库的建立、深度学习模型的训练与验证，以及多中心临床数据的外部独立测试，旨在建立一套快速、微量、无标记的AL智能化诊断体系，为白血病的早期筛查与精准分型提供新的技术路径。
总结与展望：
本研究成功构建了一种基于深度学习辅助表面增强拉曼光谱的智能化诊断平台，为急性白血病及中枢神经系统白血病的精准检测提供了全新的技术路径。通过创新性地融合一维光谱特征与二维SERS图像信息，并引入Transformer深度学习模型，该技术在多中心临床样本验证中展现出卓越的诊断效能，不仅实现了对AL亚型及遗传特征的高精度分类，更在CNSL的早期筛查中表现出远超传统细胞学检查的灵敏度与特异性。这一成果标志着AI与光谱技术在血液系统恶性肿瘤诊断领域的深度融合取得了实质性进展，为临床提供了一种快速、微量、无标记的辅助诊断工具，具有重要的临床转化价值。
