人工智能赋能的表面增强拉曼散射用于癌症诊断与治疗:综述

《Nano Today》:Artificial intelligence-empowered surface-enhanced Raman scattering for cancer diagnosis and therapy: A comprehensive review

【字体: 大 中 小 】 时间:2026年09月26日 来源:Nano Today 10.7

编辑推荐:

   摘要 近年来,表面增强拉曼散射(SERS)已成为一种无创诊断手段。其高灵敏度以及揭示分子指纹信息的能力使其成为检测体液或呼出气体中痕量肿瘤生物标志物的有前景的工具。然而,单独使用 SERS 难以从复杂光谱中提取可靠信息。微弱信号、严重噪声和庞大的数据量共同构成了其在癌症诊断临

  

摘要
近年来,表面增强拉曼散射(SERS)已成为一种无创诊断手段。其高灵敏度以及揭示分子指纹信息的能力使其成为检测体液或呼出气体中痕量肿瘤生物标志物的有前景的工具。然而,单独使用 SERS 难以从复杂光谱中提取可靠信息。微弱信号、严重噪声和庞大的数据量共同构成了其在癌症诊断临床应用中的主要瓶颈。为应对这一挑战,将 SERS 与人工智能(AI)相结合,能够从大规模复杂光谱数据中自动提取肿瘤特异性特征,从而提高诊断准确性、客观性和整体效率。本综述总结了 SERS 技术在癌症诊断方面的最新进展。具体而言,我们讨论了新型 SERS 基底和探针的发展及其优势,回顾了 SERS 在主要肿瘤检测场景中的应用,并强调了通过 SERS-AI 协同作用取得的变革性进展。我们还审视了该领域的核心挑战和未来方向。通过为设计下一代智能 SERS 诊断平台提供关键见解和前瞻性视角,我们旨在促进该技术从实验室到临床的成功转化。

引言
过去几十年来,癌症一直是全球主要的死亡原因之一,其高发病率和死亡率对全球公共卫生构成了严峻挑战。随着精准医疗时代的到来,以最低成本实现癌症早期检测已成为核心任务。近年来,基于肿瘤生物标志物的检测技术正迅速从实验室研究转化为临床应用 [[1], [2], [3], [4], [5]]。表面增强拉曼散射(SERS)是一种基于光与物质相互作用的超灵敏分析技术。通过获取分析物的独特分子指纹光谱(拉曼位移),它能够实现非破坏性、无创性和超灵敏的成分分析,并构建清晰的拉曼图像 [[6], [7], [8], [9]]。这种超高灵敏度、极佳的特异性和显著的抗光漂白性使 SERS 在生物检测中具有巨大的竞争力 [[10], [11], [12]]。因此,SERS 通过分析血液和汗液等体液中的循环肿瘤细胞(CTCs)、细胞外囊泡(EVs)或循环肿瘤 DNA(ctDNA),促进了肿瘤相关信息的无创和实时追踪,以实现癌症早期检测 [[13], [14], [15], [16]]。同时,呼出气体中的挥发性有机物(VOCs)作为反映代谢、氧化应激和微环境改变潜在信号源,具有无创性和可重复采样的独特优势 [17,18]。

然而,所选生物标志物的光谱范围有限,使得实现泛癌(多癌)检测具有挑战性 [[19], [20], [21]]。传统策略往往仅关注少数特征峰(强度或位移),很大程度上忽略了光谱中其他微妙却极具价值的变化。与肿瘤相关的生物改变通常并不表现为单个化学键的变化,而是表现为全局“分子指纹”中微小、高维和非线性的偏差,这些偏差难以被人眼或简单的线性模型(例如主成分分析,PCA)捕捉 [[22], [23], [24], [25]]。此外,肿瘤样本(如血清、血浆、细胞裂解液)表现出极其复杂的组成,其中大量蛋白质、脂质和代谢物的拉曼峰严重重叠。因此,目标生物标志物(如 ctDNA)的信号经常被高丰度蛋白质(如白蛋白、球蛋白)掩盖 [[26], [27], [28], [29]]。普遍存在的自荧光背景驱动的基线漂移加剧了这一问题,传统的多项式基线校正往往需要手动调整参数并可能引入误差,这大大损害了定量检测目标的准确性 [30]。最终,SERS 数据的处理因无处不在的大量、微弱和错综复杂的信号而变得复杂,这些信号与背景干扰和较差的基底重现性交织在一起。这些问题使得通过手动或传统方法准确解读几乎不可能,从而产生了对更高效数据处理技术的迫切需求 [[31], [32], [33], [34], [35], [36]]。

人工智能(AI),包括机器学习(ML)和深度学习(DL),是指计算机系统或机器所表现出的智能 [[37], [38], [39]]。它具备从大规模、复杂和错综复杂的实验数据中挖掘潜在规律的强大能力,从根本上通过模拟人类认知功能(例如学习、推理、感知、模式识别、解决问题和决策)实现了对高维和非线性数据的处理。癌症早期的生化变化(例如蛋白质二级结构的微妙畸变和 DNA 甲基化的微小差异)表现为光谱中极其晦涩的信号 [[40], [41], [42], [43]]。AI 架构(例如卷积神经网络(CNNs))可以处理全光谱数据,以准确捕捉峰宽、峰形、微小的位置位移以及锁定在指纹区的高维非线性特征,这些特征对于人类观察者来说是完全无法察觉的 [44,45]。面对生物样本通常伴随的强自荧光背景,AI 算法可以进行大量训练以构建自动基线校正模型。这些模型能够比传统的多项式拟合更自适应地协助估计和校正背景信号。然而,它们的性能取决于采集光谱的质量和一致性,且无法恢复在测量过程中缺失、不稳定或系统性失真的生物学相关信息 [[46], [47], [48], [49]]。擅长解读高维噪声数据,AI 可以从混乱的光谱中提取关键的肿瘤特征。它具有精确度,可以忽略或有选择地过滤掉源自常见血液干扰物(如白蛋白和尿素)的信号,专注于提取肿瘤特异性生物标志物(如外泌体)的信号 [50]。此外,SERS 信号强度与分析物浓度之间的关系很少是简单的线性相关,这种关系因“热点”的不均匀空间分布而受到严重破坏。AI,特别是人工神经网络(ANNs),非常擅长在数学上拟合这种复杂的非线性回归关系 [51]。当模型训练中包含代表性变异性时,AI 可以提高定量分析对适度基底相关变化的鲁棒性。然而,它无法恢复光谱采集过程中缺失、不稳定或系统性失真的生物信息。 [[52], [53], [54]]。此外,在高度复杂的混合生物系统中,AI 可以无缝采用“解混算法”同时识别和量化多种肿瘤生物标志物(例如同时检测三种不同的肺癌相关 miRNAs)——这是一项传统分析方法几乎无法完成的艰巨任务 [55]。SERS 与 AI 的协同作用可以改善光谱解释和诊断性能,但可靠的临床转化仍取决于标准化的采集、稳定的基底、质量控制和具有生物学信息量的测量(图 1)[11,[56], [57], [58], [59]]。

在此,本综述系统整理了并全面总结了关于 AI 赋能的 SERS 在早期癌症诊断方面的最新研究进展。首先,本综述讨论了新型 SERS 基底和纳米探针的设计策略。其次,我们系统地展示了其多种应用,涵盖对 VOCs 和 EVs 的无标记器官特异性追踪、对 CTCs 的单细胞表型评估以及对靶向药物释放动力学的亚细胞动态监测。第三,我们展示了涵盖传统 ML、DL 和无监督学习/降维策略的模型的临床适应性进展。最后,我们提供了关于 AI 赋能的 SERS 在早期癌症诊断方面的结论和未来展望。除了总结 SERS 基底、诊断应用和 AI 架构外,本综述还批判性地审视了临床可靠 AI-SERS 研究的方法学要求,包括患者级验证、防止数据泄漏、校准、领域偏移、批次效应、外部验证和控制临床混杂因素。总之,AI 与 SERS 的深度融合正在积极推动早期癌症筛查从概念验证阶段迈向深刻的临床转化,对于建立一种具有超高灵敏度和卓越特异性的新型诊断模式持有巨大希望。

章节片段
SERS 基本原理
该技术通过直接将原始生物样品(例如血清、尿液、外泌体或活细胞)沉积到基底上并测量内源性分子的固有拉曼光谱来实现目标检测 [60]。该技术将固有的微弱拉曼信号放大 10^4–10^10 倍,实现了单分子灵敏度,并具有一系列优势,包括操作简单 [61]、快速检测、保持样品完整性以及高信息保真度。通过消除
SERS 基底和纳米探针
SERS 检测技术从根本上依赖于等离激元纳米材料的合理设计和构建,这些材料主要存在于两种主要配置中:SERS 基底和 SERS 纳米探针。本节系统地回顾了按物理形态、材料组成和制备策略分类的主流 SERS 基底和纳米探针类型,并全面分析了它们的功能优势(表 1、表 2)。
基于 SERS 策略的癌症诊断
近年来,SERS 技术迅速成为推动精密分子癌症诊断和可视化治疗监测的前沿工具。本节系统地回顾了 SERS 技术在呼出气体 VOCs 检测、EVs 和 CTCs 分析以及肿瘤药物治疗监测方面的应用。
SERS 与人工智能的整合
高维 SERS 光谱包含丰富的生化信息,但也受到噪声、峰重叠、基底异质性和个体间生物变异性 的影响。因此,人工智能(AI)已成为从复杂 SERS 数据集中提取诊断相关信息的重要工具。然而,AI 辅助 SERS 的临床价值不应仅通过高准确性或受试者工作特征曲线下面积(AUC)来判断。在临床
结论
恶性肿瘤的早期筛查和精准靶向干预对于改善患者预后至关重要。随着基于 SERS 的无创液体活检技术不断重塑传统临床诊断范式,AI 赋能的 SERS 技术在肿瘤诊断和动态治疗监测方面展现出了巨大潜力。本综述系统总结了该领域的最新研究进展。首先,文章系统概述了……的策略

CRediT 作者贡献声明
傅丹(Fu Tan):撰写——初稿、可视化、方法论、调查、概念化。
康楠(Nan Kang):验证、资源、方法论。
刘延磊(Yanlei Liu):撰写——审阅与编辑、资源、资金获取。
张倩(Qian Zhang):撰写——审阅与编辑、监督、资金获取。

利益冲突声明
作者声明不存在已知的竞争性经济利益或个人关系,这些利益或关系可能会影响本文所报告的工作。

致谢
本工作由国家自然科学基金(编号:82272821,82073380)和中央高校基本科研业务费(编号:YG2025QNB30,YG2025ZD19)共同资助。

傅丹(Fu Tan)是上海交通大学自动化与智能感知学院的硕士研究生。他的研究专注于用于 SERS 检测的纳米材料合成。
傅丹 | 康楠 | 刘延磊 | 张倩
上海交通大学自动化与智能感知学院,中国上海市东川路 800 号,邮编 200240,中国
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号