2023年10月9日，中國科學院長春光機所李備研究團隊聯(lián)合中山大學腫瘤防治中心吳其年、趙齊教授團隊在《Analyst》期刊上發(fā)表了題為“Evaluation of Raman spectroscopy combined with the gated recurrent unit serum detection method in early screening of gastrointestinal cancer”的論文。該研究利用拉曼光譜檢測與深度學習聯(lián)合，成功通過患者血清的拉曼光譜預測了胃腸癌分化分期。長光辰英核心產品——PRECI SCS-R300拉曼單細胞分選儀有幸為本研究中胃腸癌血清拉曼檢測提供了有力工具。

一、研究背景

在全球范圍內，胃癌和結直腸癌是兩種常見的惡性腫瘤，胃癌晚期的死亡率較高，結直腸癌的轉移潛力較高，且預后較差。早期篩查能夠極大地提高胃癌患者的生存率和結直腸癌患者預后。傳統(tǒng)診斷胃腸道癌癥主要依賴于內窺鏡檢查和活組織檢查,存在一定的創(chuàng)傷性和不適用性，因此，我們需要一種實用、快速的血清學檢測新技術，用于胃腸道腫瘤的早期篩查。近年來，拉曼光譜技術已成功應用于人體不同部位的惡性腫瘤診斷，包括乳腺癌、腦癌、宮頸癌、胃癌等。在過去的診斷中，通常采用拉曼光譜聯(lián)合機器學習的方法，但其預測僅限制在區(qū)分癌癥樣本和正常樣本，識別胃癌不同階段的程度。該方法無法識別癌細胞分化的不同程度，并且隨著樣品量和樣品類型的增加，簡單的機器學習可能無法滿足精準的識別要求。因此，本研究利用拉曼光譜與門控循環(huán)裝置(GRU)算法，提高了拉曼光譜對于胃腸癌不同階段，分化不同程度上的識別精度。

二、研究方法

本研究收集了93例胃癌患者、92例結直腸癌患者以及100名健康人的血清樣品，采集其拉曼光譜，經過預處理后，采用不同的深度學習方法對拉曼光譜進行分類。統(tǒng)計了4種機器學習方法（SVM、KNN、LDA、GRU），并聯(lián)合4種機器學習方法與PCR降維分別進行了胃腸癌患者不同亞型、不同分期、不同分化程度的血清拉曼光譜分類。

圖1 使用GRU和拉曼光譜識別胃腸道腫瘤和腫瘤亞型的工作流程

三、結果

從醫(yī)院收集的不同時期、不同分化程度的胃癌與結直腸癌患者的血清拉曼光譜，經過數(shù)據(jù)預處理后，統(tǒng)計了癌癥患者與健康人的特征峰峰位（圖2），并根據(jù)每個特征峰的峰面積繪制了熱圖。結果發(fā)現(xiàn)，胃腸癌患者在2923 cm^?1位置的拉曼峰強度明顯高于健康個體，該位置的C-H峰主要與生物樣品中的脂質和蛋白質有關。

圖2 胃癌與非腫瘤組（左）、結直腸癌與非腫瘤組（右）的拉曼光譜差異

利用4種分類模型（SVM、KNN、LDA、GRU）對胃腸癌患者的不同分期，不同分化進行了訓練分類，其中，在區(qū)分胃腸癌患者的不同分期中支持向量機（SVM）和GRU均達到了100%的準確率。GRU進一步展示了其根據(jù)分化程度和階段區(qū)分胃癌和結直腸癌亞型的能力，識別準確率超過95%。另外，在于PCA降維分析聯(lián)合使用的分類模型并未表現(xiàn)出明顯優(yōu)勢，說明PCA降維在拉曼光譜的分類中并不是必要的。

四、結論

本研究改進了拉曼腫瘤檢測的分類算法，采用了更適合于光譜分類的GRU模型。拉曼光譜技術結合GRU模型可以用于胃腸腫瘤的早期篩查，其對于腫瘤亞型的識別準確率高達95%以上。這項技術為胃腸癌的早期診斷和治療提供了新的希望。

五、辰英價值

本研究應用了長光辰英自主研制的PRECI SCS-R300拉曼單細胞分選儀。憑借高靈敏度、高穩(wěn)定性的生物拉曼光譜檢測，PRECI SCS-R300為本研究中胃腸癌細胞的分類研究提供了有力工具。同時，搭載的HOOKE IntP智能分析軟件，能夠實現(xiàn)如本文所示的機器學習等數(shù)據(jù)分析，幫助用戶深度挖掘圖譜信息。