近期，中國科學院合肥物質院核能安全所科研團隊在血液中腫瘤標志物的高精度識別和定量分析研究方面取得新進展。團隊創新性地結合無標記表面增強拉曼光譜（SERS）技術與注意力尺度融合網絡（ASFN）深度學習模型，實現了對血清樣本中多種腫瘤標志物的高精度、無標記、定性及定量同步分析。相關成果發表在國際分析化學類頂刊《分析化學》(Analytical Chemistry)上。

血清腫瘤標志物檢測在癌癥早期篩查中具有重要輔助價值。然而，由于血清樣本成分復雜、有效信號微弱，傳統檢測和分析方法在準確率和定量能力上存在不小的挑戰。針對這一難題，團隊設計開發了基于ASFN的多任務深度學習架構（圖1）。該模型集成多尺度特征提取、注意力機制和任務交互模塊，能夠從復雜血清SERS數據中高效區分和量化癌胚抗原（CEA）、甲胎蛋白（AFP）、糖類抗原19-9（CA19-9）、糖類抗原125（CA125）、神經元特異性烯醇化酶（NSE）以及鱗狀細胞癌抗原（SCCA）六種常見腫瘤標志物。結果顯示，ASFN模型在獨立測試集上實現了100%的分類準確率，定量加權R²為0.9713，誤差低至目標動態范圍的1.7%（圖2）。研究還通過光譜特征重要性分析，明確了關鍵拉曼信號區在腫瘤標志物定性與定量中的決定性作用。這不僅提升了AI模型的可解釋性，也為臨床醫學判讀提供了科學依據。

該研究成果為血清腫瘤標志物的高效、高精度檢測提供了新思路，有望應用于癌癥早篩、精準醫療等重要領域，為臨床診斷和健康監測提供新的解決方案。

論文的第一作者為核能安全所2023級碩士研究生陳家維，通訊作者為核能安全所楊良保研究員、董榮錄副研究員和中國科學院合肥腫瘤醫院鄧慶梅主任醫師。該研究獲得國家自然科學基金、安徽省自然科學基金等項目的資助。

論文鏈接：https://pubs.acs.org/doi/10.1021/acs.analchem.5c03263

圖 1ASFN多任務模型架構及其關鍵功能模塊示意

圖 2ASFN模型對血清腫瘤標志物的分類與定量回歸性能分析