核能安全所团队开发基于SERS深度学习模型的血清肿瘤标志物精准检测方法
文章来源：陈家维 发布时间：2025-08-21
近期，核能安全所科研团队在血液中肿瘤标志物的高精度识别和定量分析研究方面取得新进展。团队创新性地结合无标记表面增强拉曼光谱（SERS）技术与注意力尺度融合网络（ASFN）深度学习模型，实现了对血清样本中多种肿瘤标志物的高精度、无标记、定性及定量同步分析。相关成果发表在国际分析化学类顶刊《分析化学》(Analytical Chemistry)上。
血清肿瘤标志物检测在癌症早期筛查中具有重要辅助价值。然而，由于血清样本成分复杂、有效信号微弱，传统检测和分析方法在准确率和定量能力上存在不小的挑战。针对这一难题，团队设计开发了基于ASFN的多任务深度学习架构（图1）。该模型集成多尺度特征提取、注意力机制和任务交互模块，能够从复杂血清SERS数据中高效区分和量化癌胚抗原（CEA）、甲胎蛋白（AFP）、糖类抗原19-9（CA19-9）、糖类抗原125（CA125）、神经元特异性烯醇化酶（NSE）以及鳞状细胞癌抗原（SCCA）六种常见肿瘤标志物。结果显示，ASFN模型在独立测试集上实现了100%的分类准确率，定量加权R2为0.9713，误差低至目标动态范围的1.7%（图2）。研究还通过光谱特征重要性分析，明确了关键拉曼信号区在肿瘤标志物定性与定量中的决定性作用。这不仅提升了AI模型的可解释性，也为临床医学判读提供了科学依据。
该研究成果为血清肿瘤标志物的高效、高精度检测提供了新思路，有望应用于癌症早筛、精准医疗等重要领域，为临床诊断和健康监测提供新的解决方案。
论文的第一作者为核能安全所2023级硕士研究生陈家维，通讯作者为核能安全所杨良保研究员、董荣录副研究员和中国科学院合肥肿瘤医院肿瘤医院邓庆梅主任医师。该研究获得国家自然科学基金、安徽省自然科学基金等项目的资助。
论文链接：https://pubs.acs.org/doi/10.1021/acs.analchem.5c03263
图 1 ASFN多任务模型架构及其关键功能模块示意
图 2 ASFN模型对血清肿瘤标志物的分类与定量回归性能分析
