表面增强拉曼光谱融合机器学习用于肾癌和膀胱癌筛查的研究.pdf

中文摘要

表面增强拉曼光谱融合机器学习用于肾癌和膀胱癌筛查的研究

肾癌和膀胱癌是泌尿系统常见肿瘤，其发病率和病死率在过去几十年呈上升

趋势，严重威胁人们的健康。由于这两类癌症的早期症状均不明显，人们难以察

觉，这可能使很多患者错过最佳治疗时机，导致癌症恶化且威胁生命。尿液中癌

症标志物（如癌细胞、肿瘤DNA、蛋白酶体uPA和其受体uPAR、膀胱肿瘤抗原

BTA及膀胱癌相关抗原CA等）在高风险人群肾癌和膀胱癌的筛查和预后中具

有重要意义。由于这些标志物在不同样本队列中筛查肾癌和膀胱癌的灵敏度和特

异性呈现显著差异，导致其临床效益目前仍没有定论。建立肾癌和膀胱癌早期筛

查方法仍是该领域当前研究热点。

由于癌细胞与正常细胞具有不同的代谢模式，使两者的代谢物存在差异。另

一方面，癌症能诱导机体的代谢模式发生改变。寻找癌症与正常个体代谢物的差

异并建立定量方法，有助于癌症的诊断。表面增强拉曼光谱（Surface-enhanced

Ramanspectroscopy，SERS）是一种快速、无损的超灵敏检测技术，能提供样本

的化学指纹信息。SERS已广泛用于生物分子定量、微生物鉴定、肿瘤细胞或组

织鉴别、及药物代谢过程监测等生物医学领域。本论文拟通过血浆和尿液SERS

指纹图谱，实现肾癌和膀胱癌的筛查。由于血浆和尿液的SERS指纹图谱信息量

大，传统的光谱数据分析方法不能满足需求。因此，我们采用主成分分析（Principal

componentanalysis，PCA）、自组织神经网络、BP神经网络、支持向量机和极限

学习机等机器学习算法进行SERS指纹图谱分类研究。

主要研究内容和结果如下：

（1）SERS基底的制备与表征。首先，本论文采用种子生长法和柠檬酸钠还

原法分别制备了SERS增强基底金溶胶和银溶胶。紫外-可见分光光度计、透射

电子显微镜和动态光散射纳米粒度等标准结果显示本论文制备的金溶胶（47.75

nm）和银溶胶（58.85nm）的粒径分布均匀且分散性好。接着，本论文比较分析

I

了不同浓缩倍数的基底的拉曼增强效果。最终确定浓缩60倍的银溶胶适用血浆

的SERS检测，而浓缩20倍的银溶胶适用于尿液的SERS检测。

（2）血浆和尿样的SERS检测方法的建立和光谱数据的采集。通过对激发

光波长、光谱积分时间、样本体积、测试形式及光谱采集点位等参数的考察，本

论文最后采用633nm激发波长、血浆和尿液积分时间分别为10s和20s、样本

与SERS基底等体积混合、采集毛细管三个不同位置400cm-1~1800cm-1波长范

围内血浆和尿样的拉曼光谱数据。方法学研究表明，该条件下采集的光谱数据具

有良好的批内和批间差异。随后，利用上述检测条件对临床血浆和尿液样本（健

康对照组、肾癌及膀胱癌各60例）进行光谱数据的采集。经基线校准、去除宇

宙射线处理后取平均值获得各类样本的代表光谱。

（3）建立基于机器学习算法的血浆SERS光谱筛查肾癌和膀胱癌的方法。

首先，平均光谱数据显示健康对照与癌症患者血浆在蛋白质、糖类、脂质及其代

谢物的含量上存在显著差异。PCA结果表明血浆SERS光谱可以有效区分健康

对照组和癌症组（灵敏度和特异性均为100%），但不能区分肾癌和膀胱癌。接着，

本论文对降维处理后的训练集（每组各42例）血浆SERS光谱数据进行自组织

神经网络、BP神经网络、支持向量机和极限学习机等机器学习分类建模。利用

测试集（每组各18例）对各种分类模型进行验证，混淆矩阵显示自组织神经网

络模型和BP神经网络准确率分别为55.56%和86.11%，支持向量机和极限学习

机的准确率均为94.44%。从学习速率和泛化性能来看，极限学习机模型优于支

持向量机。因此，基于本样本队列，血浆SERS光谱的极限学习机分类是最适的

筛选肾癌和膀胱癌的模型，其特异性和灵敏度分别为100%和88.89%。

（4）建立基于机器学习算法的尿液SERS光谱筛查肾癌和膀胱癌的方法。

与血浆SERS平均光谱不同，健康对照组、肾癌和膀胱癌患者的尿液SERS光谱

不能用PCA进行有效区分。因此，本论文采用三分类法对降维后的尿液SE