[中圖分類號(hào)] R737.33;R730.4 [文獻(xiàn)標(biāo)志碼] A

Establishment and assessment an early screening model for cervical cancer based on single-cell Raman spectroscopy combined with machine learning algorithmsMA Dongmei， ZHAO Wenjie， LIU Shihai ， XU Haicang，CAI Duo，JI Yuetong，XU Jian，GUO Cancan，MA Bo，PAN Huazheng（ ， University， 266oo3，China）

[ABSTRACT]ObjectiveTo establish an early screning model forcervical cancer based on single-cellRaman spectroscopy （SCRS）combined with machine learningalgorithms，and toasess theperformance themodel.MethodsCervical exfoliated cellsamples werecolectedfrom128patients who weretreatedinourhospitalfromSeptember2023 toJune2024，among whom65 had normalresultsThinPrepcytologic test（TCT），35hadabnormal TCTresults，and 28did notreceiveTCT.Rlanguage was used to divide the 10O cervical exfoliated cellsamples with TCT results into training set and test set at a ratio 8：2 ，and SCRS was performedforallsamples.BasedontheSCRSdata therainingset，7 machinelearning algorithms（KNN，PLS，LDA，RF， SVM，SVMRBF，and Stack）wereused toestablishanearlyscrening modelforcervicalcancer，whichwasappliedinthe testset toidentifytheoptimalmodel.optimalmodelwasthenusedtopredicttheTCTresults1Ocervicalexfoliatedcellsamples in thetraining and testsets，whichwerecomparedwiththeactualTCTresults.remaining 28 samples without priorTCTresults wereusedasavalidationsetand weresubjectedtoTCT，nd theoptimalmodelwasusedtopredict theTCTresultsthesesamples，whichwerecompared withtheactualTCTresults.Resultsre weresignificantdiferencesintherelativeintensities characteristic Raman peaks at 874，935，1 024，1 119，1 250，1 328，1 569，and 1642cm^-1 between the cervical exfoliated cells negativeforintraepitheliallesionormalignancy，atypicalsquamouscellsundeterminedsignificane，andthecervicalexfoliated celslow-gradesquamous intraepitheliallesion.Amongthe7algorithms，thestacking modelshowedthebestperformance，with anAUC O.987，anaccuracy 99.2% ，asensitivity 98.9% ，and a specificity 99.3% .In both training and test sets，the results predicted bythe Stack model were relativelyhighly consistentwithactual TCT results， with an accuracy 91.0% ，a sensitivity 91.0% ，a specificity 87.4% ，and an Fl-score 90.3% .In the validation set，the Stack model achieved an accuracy 96.4% ，a sensitivity 100‰ ，a specificity 95.5% ，and an F1-score 92.3% in predicting TCT results.Conclusion early screening modelforcervicalcancerbasedonSCRSand machinelearning algorithms hasagoodperformanceandcanbeusedasa noninvasive，efficient，and rapid tool to facilitate the early screening cervical cancer.

[KEY WORDs]Uterine cervical neoplasms；Single-cell analysis；Spectrum analysis，Raman；Machine learning；Algo rithms;Early detection cancer

宮頸癌是生殖系統(tǒng)常見(jiàn)腫瘤，在全球女性罹患的腫瘤中居第二位，其發(fā)病率和病死率逐年上升，嚴(yán)重威脅女性健康[1]。目前宮頸癌的臨床篩查主要依賴液基薄層細(xì)胞學(xué)檢測(cè)（TCT）以及人乳頭瘤病毒（HPV）檢測(cè)，確診仍需依靠宮頸活檢，這一過(guò)程存在假陽(yáng)性率高、主觀性強(qiáng)、有創(chuàng)且檢測(cè)周期較長(zhǎng)等局限性。因此目前臨床亟需探索一種快速非侵入性的宮頸癌早期精準(zhǔn)篩查方法。拉曼光譜檢測(cè)是一種基于光與物質(zhì)相互作用的無(wú)損分析技術(shù)，通過(guò)測(cè)量分子散射光的頻移信息識(shí)別樣本的化學(xué)組成和分子結(jié)構(gòu)。拉曼光譜檢測(cè)過(guò)程無(wú)需染色或破壞細(xì)胞結(jié)構(gòu)，可保留樣本完整狀態(tài)，便于后續(xù)復(fù)檢或多組學(xué)聯(lián)合分析，在腫瘤精準(zhǔn)診斷、神經(jīng)系統(tǒng)疾病篩查及病原體鑒別等領(lǐng)域具有無(wú)損、快速等優(yōu)勢(shì)[3]。拉曼光譜對(duì)核酸、蛋白質(zhì)二級(jí)結(jié)構(gòu)及脂質(zhì)氧化等生物大分子異常信號(hào)的捕捉具有極高的靈敏度，能夠反映細(xì)胞從正常向癌變的早期轉(zhuǎn)變過(guò)程[4]。而宮頸癌在早期病變階段，宮頸脫落細(xì)胞核內(nèi)DNA含量增加，磷酸鹽骨架的拉曼峰增強(qiáng)，同時(shí)蛋白質(zhì)中酪氨酸和色氨酸的拉曼信號(hào)發(fā)生明顯漂移[5]。目前已有研究將單細(xì)胞拉曼光譜（SCRS）檢測(cè)結(jié)合機(jī)器學(xué)習(xí)算法用于肝癌、腎癌以及宮頸癌等患者的血液及病理組織樣本檢測(cè)，以實(shí)現(xiàn)腫瘤的早期篩查。本研究利用微流控芯片采集宮頸脫落細(xì)胞樣本的SCRS，構(gòu)建基于SCRS和機(jī)器學(xué)習(xí)算法的TCT結(jié)果預(yù)測(cè)模型，嘗試提出一種高效、無(wú)創(chuàng)、精準(zhǔn)的宮頸癌早期篩查方法，現(xiàn)將結(jié)果報(bào)告如下。

1資料與方法

1.1 一般資料

收集我院2023年9月—2024年6月間的100例患者的宮頸脫落細(xì)胞樣本。納人標(biāo)準(zhǔn)： ① 完成了TCT檢測(cè)，包括依據(jù)《貝塞斯達(dá)（TBS）報(bào)告系統(tǒng)（2014版）》判定的TCT結(jié)果正常[未見(jiàn)上皮內(nèi)病變或惡性病變（NILM）]和TCT結(jié)果異常［無(wú)明確診斷意義的非典型鱗狀細(xì)胞（ASC-US）、低度鱗狀上皮內(nèi)病變（LSIL）、高度鱗狀上皮內(nèi)病變（HSIL）、鱗狀上皮癌（SCC）或腺癌（ADCA）]； ② 標(biāo)本采集已獲得患者和（或）家屬的知情同意。排除標(biāo)準(zhǔn)： ① 同時(shí)合并其他系統(tǒng)惡性腫瘤者； ② 各種原因無(wú)法獲取滿意拉曼光譜者。采用R語(yǔ)言將100例患者的宮頸脫落細(xì)胞樣本按照 8：2 比例隨機(jī)分為訓(xùn)練集和測(cè)試集，用于宮頸癌早期篩查模型的構(gòu)建。同時(shí)收集我院同期28例未行TCT患者的宮頸脫落細(xì)胞樣本，納入標(biāo)準(zhǔn)及排除標(biāo)準(zhǔn)除未行TCT外均與上述相同，將該樣本作為驗(yàn)證集，用于宮頸癌篩查模型的效能評(píng)估。

1.2患者宮頸脫落細(xì)胞樣本的SCRS數(shù)據(jù)采集以及處理

采用微流控芯片進(jìn)行宮頸脫落細(xì)胞的SCRS采集[8]，將打孔石英玻璃與聚二甲基硅氧烷微通道層兩端對(duì)準(zhǔn)，與薄石英玻璃鍵合，置于 70°C 烘箱過(guò)夜，完成微流控芯片的制備（圖1）。將128例待測(cè)宮頸脫落細(xì)胞樣本分別顛倒混勻，每例分別取 100μL 轉(zhuǎn)移至 1.5mL 離心管，加人 900μL PBS緩沖液和0.2μL10% 的PF127溶液稀釋，并使用 1mL 注射器轉(zhuǎn)移到微流控芯片。使用SCRS分選儀（RACS-SEQ）檢測(cè)上述宮頸脫落細(xì)胞樣本的SCRS。使用Labspec5軟件去除樣本SCRS中的宇宙射線，并使用R4.4.3軟件對(duì)SCRS進(jìn)行可視化及平滑、基線校正、歸一化處理，使用Origin（2021）軟件生成上述樣本的SCRS及特征峰。

1.3宮頸癌早期篩查模型的構(gòu)建及效能評(píng)估

在R4.4.3軟件中，采用上述1.2當(dāng)中的訓(xùn)練集SCRS數(shù)據(jù)建立基于KNN、PLS、LDA、RF、SVM、SVMRBF、Stack七種機(jī)器學(xué)習(xí)算法9的宮頸癌早期篩查模型，采用caret軟件包結(jié)合重復(fù)交叉驗(yàn)證對(duì)模型進(jìn)行訓(xùn)練和超參數(shù)優(yōu)化。將上述構(gòu)建的七種模型應(yīng)用于測(cè)試集，并繪制七種模型的受試者工作特征（ROC）曲線，通過(guò)混淆矩陣計(jì)算曲線下面積（AUC）、準(zhǔn)確率、靈敏度、特異度等指標(biāo)，以評(píng)估七種模型的篩查效能并確定最優(yōu)模型。采用最優(yōu)模型預(yù)測(cè)訓(xùn)練集和測(cè)試集中100例宮頸脫落細(xì)胞樣本的TCT結(jié)果，并與實(shí)際結(jié)果進(jìn)行對(duì)比，計(jì)算最優(yōu)模型的準(zhǔn)確率、靈敏度、特異度與F1分?jǐn)?shù)，以評(píng)估該模型的預(yù)測(cè)效能。

1.4宮頸癌早期篩查模型的驗(yàn)證

使用1.3中確定的最優(yōu)宮頸癌早期篩查模型，預(yù)測(cè)驗(yàn)證集28例宮頸脫落細(xì)胞樣本的TCT結(jié)果，并與實(shí)際結(jié)果進(jìn)行對(duì)比，以判定模型在驗(yàn)證集中的預(yù)測(cè)效能。

2結(jié)果

2.1訓(xùn)練集和測(cè)試集宮頸脫落細(xì)胞樣本的平均SCRS及拉曼特征峰

訓(xùn)練集及測(cè)試集的100例宮頸脫落細(xì)胞樣本共生成了28632條SCRS，100例宮頸脫落細(xì)胞樣本中，65例TCT結(jié)果為正常（NILM），35例TCT的結(jié)果為異常（23例ASC-US，12例LSIL）。NILM、ASC-US、LSIL的宮頸脫落細(xì)胞在拉曼光譜的874、935，1 024，1 119，1 250，1 328，1 569，1 642cm^-1 處特征峰的相對(duì)強(qiáng)度存在差異。見(jiàn)圖2。

2.2宮頸癌早期篩查模型的優(yōu)選及效能評(píng)估

ROC曲線結(jié)果顯示，七種模型中Stack模型在測(cè)試集中的準(zhǔn)確率、靈敏度、特異度、AUC分別為99.2%.98.9%.99.3%.0.987 ，其篩查效能最優(yōu)。見(jiàn)圖3和表1。采用最優(yōu)模型（即Stack模型）對(duì)訓(xùn)練集以及測(cè)試集的宮頸脫落細(xì)胞樣本TCT結(jié)果進(jìn)行預(yù)測(cè)，結(jié)果顯示65例TCT結(jié)果為NILM的樣本中，模型正確識(shí)別62例，其他3例識(shí)別為ASC-US；23例ASC-US樣本當(dāng)中，模型正確識(shí)別19例，其他4例識(shí)別為NILM;12例LSIL樣本當(dāng)中，模型正確識(shí)別10例，其他2例識(shí)別為ASC-US。經(jīng)計(jì)算Stack模型的準(zhǔn)確率、靈敏度、特異度、F1分?jǐn)?shù)分別為 91.0%.91.0%.87.4%.90.3% ，其篩查結(jié)果與實(shí)際TCT結(jié)果具有較高一致性。

2.3宮頸癌早期篩查模型的驗(yàn)證

采用Stack模型預(yù)測(cè)驗(yàn)證集28例宮頸脫落細(xì)胞樣本的TCT結(jié)果，驗(yàn)證集28例樣本中，實(shí)測(cè)22例為NILM，其中Stack模型正確識(shí)別21例，1例誤識(shí)別為ASC-US；實(shí)測(cè)6例為ASC-US，其中Stack模型全部正確識(shí)別。ROC曲線結(jié)果顯示，Stack模型在驗(yàn)證集中的AUC、準(zhǔn)確率、靈敏度、特異度、F1分?jǐn)?shù)分別為 0.977、96、4%100.0%.95.5%.92.3%. 其篩查結(jié)果同樣與實(shí)際TCT結(jié)果具有較高一致性。見(jiàn)圖4。

3討論

SCRS因無(wú)需對(duì)檢測(cè)樣本進(jìn)行標(biāo)記、染色等預(yù)處理，能夠以直接、非破壞性的方式分析細(xì)胞的分子組成和結(jié)構(gòu)變化，在許多疾病的快速篩查及診斷方面具有巨大潛力[10]。機(jī)器學(xué)習(xí)算法能夠通過(guò)特征提取、參數(shù)優(yōu)化、模型構(gòu)建、數(shù)據(jù)預(yù)測(cè)等方式提升疾病早期篩查的準(zhǔn)確率[11]。目前，SCRS結(jié)合機(jī)器學(xué)習(xí)算法已經(jīng)成功應(yīng)用于乳腺癌、膀胱癌、肝癌、宮頸癌等惡性腫瘤的快速篩查[5，12-14]。ZHANG等[15]發(fā)現(xiàn)SCRS結(jié)合airPLS-PLS-KNN算法區(qū)分宮頸腺癌、鱗癌的準(zhǔn)確率為 96.3% 。WANG等[16]則使用共聚焦拉曼光譜儀檢測(cè)宮頸組織的拉曼光譜，結(jié)合SVM模型對(duì)宮頸炎、宮頸癌前病變及宮頸癌進(jìn)行分類，其準(zhǔn)確率可達(dá) 85.7% 。目前基于宮頸脫落細(xì)胞的SCRS結(jié)果，采用機(jī)器學(xué)習(xí)算法進(jìn)行宮頸癌早期篩查的研究較少，因此本研究基于SCRS建模并檢驗(yàn)?zāi)Ｐ偷暮Y查效能，以求為宮頸癌的早期篩查提供高效、無(wú)創(chuàng)的新方案。

LIU等[17]通過(guò)檢測(cè)宮頸組織病理切片的拉曼光譜，揭示了與宮頸癌癌前病變及癌癥相關(guān)潛在生化變化可能是由宮頸組織中糖原減少和核酸增加引起的。TRAYNOR等[18]研究發(fā)現(xiàn)，宮頸脫落細(xì)胞在拉曼光譜 784.1 092.1 466 和 1669cm^-1 處特征峰強(qiáng)度的變化與惡性腫瘤發(fā)生發(fā)展過(guò)程中核酸、蛋白質(zhì)、脂質(zhì)等物質(zhì)的積累及代謝增強(qiáng)有關(guān)，這些生化物質(zhì)變化反映了腫瘤細(xì)胞加速生長(zhǎng)與增殖的生理特征。本研究中，NILM、ASC-US、LSIL宮頸脫落細(xì)胞在拉曼光譜 874，935，1 024，1 119，1 250，1 328， 1569.1642cm^-1 處特征峰強(qiáng)度存在差異，代表細(xì)胞中的膠原蛋白、蛋白質(zhì)、羥脯氨酸、脯氨酸、氨酸、色氨酸、糖原、脂質(zhì)、羧基及細(xì)胞核中的AmideⅢ、酰胺I帶、DNA/RNA、鳥(niǎo)嘌呤、胞嘧啶等多種生物化學(xué)成分在數(shù)量或結(jié)構(gòu)上存在差異[12，15，19-20]，正常的宮頸脫落細(xì)胞當(dāng)中糖原、氨基酸含量更高，而異常的宮頸脫落細(xì)胞當(dāng)中脂質(zhì)含量有所增加。這一現(xiàn)象與腫瘤代謝異常特征（例如Warburg效應(yīng)、脂肪酸合成增強(qiáng)等）高度吻合，反映了宮頸脫落細(xì)胞從正常向癌變的轉(zhuǎn)變過(guò)程可能與惡性腫瘤轉(zhuǎn)錄組代謝有關(guān)[21]

機(jī)器學(xué)習(xí)在大量SCRS數(shù)據(jù)的處理中發(fā)揮著關(guān)鍵作用，在癌癥篩查及診斷領(lǐng)域，傳統(tǒng)機(jī)器學(xué)習(xí)模型和深度學(xué)習(xí)模型均有廣泛應(yīng)用[22-24]。PCA、LDA、PLS-DA等機(jī)器學(xué)習(xí)算法與SCRS結(jié)合用于數(shù)據(jù)的降維以及分類，可以有效地提高模型診斷的準(zhǔn)確性[25]。TRAYNOR等[18]基于宮頸脫落細(xì)胞核的SCRS并采用PLS-DA算法構(gòu)建模型，該模型在宮頸癌癌前病變的分類中準(zhǔn)確率達(dá)到 91.3% ，其結(jié)果證明拉曼光譜可捕捉宮頸癌發(fā)生發(fā)展過(guò)程中宮頸脫落細(xì)胞的潛在生化差異，從而為宮頸癌癌前病變的無(wú)創(chuàng)篩查提供技術(shù)支撐。本研究中Stack模型在對(duì)訓(xùn)練集、測(cè)試集及驗(yàn)證集128例宮頸脫落細(xì)胞樣本的TCT結(jié)果判別中性能優(yōu)良。該模型在測(cè)試集中的準(zhǔn)確率、靈敏度、特異度、AUC分別為 99.2% ！98.9%.99.3%.0.987 ，均優(yōu)于其他六種模型。在驗(yàn)證集中，該模型準(zhǔn)確率和靈敏度分別為 96.4% 和100.0% ，無(wú)一例ASC-US漏判，提示模型在NILM、ASC-US、LSIL分類方面較為可靠；模型的特異度和F1分?jǐn)?shù)分別為 95.5% 和 92.3% ，F(xiàn)1分?jǐn)?shù)結(jié)合模型分類的特異度和靈敏度，進(jìn)一步表明該模型在準(zhǔn)確預(yù)測(cè)宮頸脫落細(xì)胞TCT結(jié)果的同時(shí)，有效降低了誤判、漏判的風(fēng)險(xiǎn)。因此，Stack模型在復(fù)雜數(shù)據(jù)環(huán)境下具有更強(qiáng)的泛化能力和穩(wěn)定性，該模型在臨床上具有較高應(yīng)用潛力。

與TCT、HPV檢測(cè)、宮頸活檢等傳統(tǒng)檢測(cè)技術(shù)相比，Stack模型由機(jī)器學(xué)習(xí)算法處理大數(shù)據(jù)光譜信息，顯著減少了人為干預(yù)和主觀誤差，具有高通量、智能化和高精度的優(yōu)勢(shì)，且大量減少了檢測(cè)者的工作量，為宮頸癌的大規(guī)模篩查提供了新方法。但本研究為單中心、小樣本量研究，可能存在一定的樣本偏倚，并且僅納入TCT結(jié)果為NILM、ASC-US、LSIL的樣本建模，限制了模型的泛化能力。今后需進(jìn)一步完善多中心、大樣本研究，以提高該模型的普適性和可靠性。

綜上所述，本研究基于宮頸脫落細(xì)胞的SCRS，結(jié)合機(jī)器學(xué)習(xí)算法，成功開(kāi)發(fā)出一種高效、快速、精準(zhǔn)的宮頸癌早期篩查模型，為宮頸癌的早期篩查提供了新思路。

倫理批準(zhǔn)和知情同意：本研究涉及的所有試驗(yàn)均已通過(guò)青島大學(xué)附屬醫(yī)院醫(yī)學(xué)倫理委員會(huì)的審核批準(zhǔn)（文件號(hào)QYFYWZLL29407）。所有試驗(yàn)過(guò)程均遵照《人體醫(yī)學(xué)研究的倫理準(zhǔn)則》的條例進(jìn)行。受試對(duì)象或其親屬已經(jīng)簽署知情同意書(shū)。

作者聲明：潘華政、馬波、劉世海、徐健、馬東梅參與了研究設(shè)計(jì)；馬東梅、趙文婕、徐海滄、蔡鐸、籍月彤、郭燦燦參與了論文的寫作和修改。所有作者均閱讀并同意發(fā)表該論文，且均聲明不存在利益沖突。

［參考文獻(xiàn)］

[1]BRAY F，LAVERSANNE M， SUNG H，et al. Global cancer statistics 2022： GLOBOCAN estimates incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin，2024，74（3）：229-263.

[2]ARBYN M， SIMON M， DE SANJOSE S， et al. Accuracy and effectiveness HPV mRNA testing in cervical cancer screening：A systematic review and meta-analysis[J]. Lancet Oncol，2022，23（7） ：950-960.

[3]YANG W，KNORR F，LATKA I，et al. Real-time molecular imaging near-surface tissue using Raman spectroscopy[J]. Light Sci Appl， 2022，11（1） ：90.

[4]MASSON L E， O'BRIEN C M， GAUTAM R，et al. In vivo Raman spectroscopy monitors cervical change during labor[J]. Am JObstet Gynecol，2022，227（2）：275.e1-275.e14.

[5]LIU C Y， XIU C F， ZOU Y F， et al. Cervical cancer diagnosis model using spontaneous Raman and Coherent anti-Stokes Raman spectroscopy with artificial intelligence[J]. Spectrochim Acta A Mol Biomol Spectrosc，2025，327：125353.

[6]KANG Z P，LIUJ，MA CL，et al. Early screening cervical cancer based on tissue Raman spectroscopy combined with deep learning algorithms[J]. Photodiagnosis Photodyn r， 2023，42：103557.

[7]PANGARKAR M A. Bethesda System for reporting cervical cytology[J]. Cytojournal， 2022，19：28.

[8]DIAO Z D，JING X Y，HOU X B，et al. Artificial intelligence-assisted automatic Raman-activated cell sorting （AIRACS） system for mining specific functional microorganisms in the microbiome［J].Anal Chem，2024，96（46）：18416- 18426.

[9]HSU C C，XU JB，BRINKHOF B，et al. A single-cell Raman-based platform to identify developmental stages human pluripotent stem cell-derived neurons[J]. Proc Natl Acad Sci USA，2020，117（31） ：18412-18423.

[10]WU L， DIAS A， DIEGUEZ L. Surface enhanced Raman spectroscopy for tumor nucleic acid： Towards cancer diagnosis and precision medicine[J]. Biosens Bioelectron，2022，204：114075.

[11]XIOURAS C，CAMELI F，QUILLO G L，et al. Applications artificial intelligence and machine learning algorithms to crystallization[J]. Chem Rev，2022，122（15）：13006-13042.

[12] ZHANG L H，LI C J，PENG D，et al. Raman spectroscopy and machine learning for the classification breast cancers[J]. Spectrochim Acta A Mol Biomol Spectrosc，2022，264：120300.

[13]LEE S，JUE M，LEE K，et al. Early-stage diagnosis blad

der cancer using surface-enhanced Raman spectroscopy combinedwith machine learningalgorithmsin a rat model[J].Biosens Bioelectron，zUZ4，Z4b：115915.

[14]OU QH，JIANG L Q，DOU Y F，et al. Application sur face-enhanced Raman spectroscopy to human serum for diagnosing liver cancer[J]. Spectrochim Acta A Mol Biomol Spec trosc，2024，308：123702.

[15] ZHANG H T，CHENG C，GAO R，et al. Rapid identification cervical adenocarcinoma and cervical squamous cell carcinoma tissue based on Raman spectroscopy combined with multi ple machine learning algorithms[J]. Photodiagnosis Photodyn r，2021，33：102104.

[16] WANG J， ZHENG C X， MA C L， et al. Raman spectroscopic study cervical precancerous lesions and cervical cancer[J]. Lasers Med Sci，2021，36（9） ：1855-1864.

[17]LIU Y，CHEN C，XIE XD，et al. For cervical cancer diagnosis： Tissue Raman spectroscopy and multi-level feature fusion with SENet attention mechanism[J]. Spectrochim Acta A Mol Biomol Spectrosc，2023，303：123147.

[18] TRAYNOR D，DURAIPANDIAN S，BHATIA R，et al. Development and validation a Raman spectroscopic classification model for cervical intraepithelial neoplasia（CIN）[J]. Cancers（Basel），2022，14（7）：1836.

[19] MOVASAGHI Z，REHMAN S，REHMAN D I U. Raman spectroscopy biological tissues[J]. Appl Spectrosc Rev， 2007，42（5）：493-541.

[20] SHENG H， CHEN L W， ZHAO Y P，et al. Closed，one-stop intellgent and accurate particle characterization based on micro-Raman spectroscopy and digital micrluidics[J]. Talanta， 2024，266（Pt 1） ：124895.

[21] SHARAHA U，HANIA D，LAPIDOT I，et al. Early detection pre-cancerous and cancerous cells using Raman spectroscopy-based machine learning[J]. Cels， 2023，12（14）： 1909.

[22] SONG L，XUE F，LI T M，et al. Differential diagnosis urinary cancers by surface-enhanced Raman spectroscopy and machine learning[J].Anal Chem，2025，97（1）：27-32.

[23] GAO L L，WU S Y，WONGWASURATTHAKUL P， et al. Label-free surface-enhanced Raman spectroscopy with machine learning for the diagnosis thyroid cancer by using fine-needle aspiration liquid samples[J]. Biosensors （Basel）， 2024，14（8） ：372.

[24] CHEN B Q，GAO J Y，SUN H Z，et al. Surface-Enhanced Raman Scattering（SERS） combined with machine learning enables accurate diagnosis cervical cancer： From molecule to cell to tissue level[J].Crit Rev Oncol Hematol，2025，211： 104736.

[25]BERGHOLT M S， ZHENG W，LIN K，et al. Characterizing variability in vivo Raman spectroscopic properties different anatomical sites normal colorectal tissue towards cancer diagnosis at colonoscopy[J]. Anal Chem，2015，87（2）： 960- 966. （本文編輯范睿心厲建強(qiáng)）

[收稿日期]2025-02-21；[修訂日期]2025-05-27

[基金項(xiàng)目]國(guó)家自然科學(xué)基金項(xiàng)目（32400075）；山東省自然科學(xué)基金項(xiàng)目（ZR2020MH318，ZR2021MH022，ZR2023QF-109）；青島市博士后申請(qǐng)工程（QDBSH20230101024）；青島市科技惠民示范專項(xiàng)項(xiàng)目（23-2-8-smjk-3-nsh）

[通信作者]潘華政，Email：panhuazheng@qduhospital.cn;馬東梅和趙文婕為共同第一作者