（通讯员 张东杰 曾琦 ）近日，威廉希尔WilliamHill官方网站陈雪利教授团队在Cell子刊Cell Reports Medicine上发表了题为“Rapid and sensitive acute leukemia classification and diagnosis platform using deep learning-assisted SERS detection”的最新研究成果。该研究提出了结合表面增强拉曼光谱（SERS）与深度学习的急性白血病智能检测方法，有效解决了传统细胞学方法存在的灵敏度低及主观性强等不足，实现了不同亚型或基因异常急性白血病的高灵敏度及特异性识别与分类。威廉希尔WilliamHill官方网站陈雪利教授/曾琦副教授、四川大学华西医院曾婷婷主任技师、西安大兴医院陈任安副主任医师、山东大学齐鲁医院孙念政主任医师以及山东第一医科大学附属第一医院韩敏研究员为论文共同通讯作者，威廉希尔WilliamHill官方网站张东杰副教授、程朝阳博士以及四川大学华西医院宋雅丽医师为共同第一作者，威廉希尔WilliamHill官方网站为论文第一署名单位，这是西电首篇本土化完成的Cell子刊研究成果。
急性白血病发生中枢神经系统浸润称为中枢神经系统白血病（central Nervous System Leukemia, CNSL），常见于急性淋巴白血病（acute lymphoblastic leukemia, ALL）或者急性髓系白血病（acute myeloid leukemia, AML）中的M4及M5亚型，且儿童ALL并发CNSL概率远高于成人。目前，基于脑脊液（cerebrospinal fluid, CSF）的细胞学检测是CNSL的标准诊断方法，然而，由于白血病细胞CNS浸润过程中高度表达黏附分子使得细胞易粘附到脑膜血管内壁，导致CSF中异常细胞含量降低，常规细胞学或者流式细胞术方法检测敏感性无法满足实际临床需求，存在假阴性结果或者漏诊现象。因此，研究具有高灵敏度和特异性的急性白血病快速鉴别及分类方法具有重要临床应用价值。SERS光谱是一种分子指纹光谱技术，具有灵敏度高、特异性好、谱带窄、操作简单、样品需求少以及不受生物样品自发荧光和水干扰等优点，在液体活检及疾病检测领域受到广泛关注。人工智能AI促进了SERS技术的快速发展，包括在增强纳米材料设计、报告分子选择、光谱解析和处理等方面，尤其是AI-SERS结合策略在不同癌症的早期检测、疾病分类和诊断、以及治疗评估等领域引起广泛关注。
图1. DL-SERS分类方法：（A）光谱数据采集；（B）DL-SERS分类方法；（C）急性白血病筛查；（D）不同类别或亚型急性白血病诊断；（E）模型通用性。
基于此，论文提出了基于SERS光谱和深度学习（Deep Learning, DL）策略的急性白血病检测与鉴别方法，如图1所示，收集了390余例脑脊液样本，涵盖健康对照组、急性白血病患者及其他疾病患者，通过超疏水滑移基底富集浓缩效应，能够实现样本体积小于0.5 μL以及检测流程5 min以内的高灵敏快速检测。此外，还建立了基于多特征融合Transformer深度学习网络的急性白血病分类与诊断方法，通过光谱/图像特征融合方式，实现不同亚型及发展阶段急性白血病的精准分类与鉴别。本研究从全国5家医院共收集了332份脑脊液样本，疾病组涵盖AML和ALL两种亚型，AML包括M1/M2、M3以及M4/M5多种亚型，ALL患者则分为B-ALL和T-ALL。用于急性白血病分类的数据集包含来自212名患者的12139个光谱，另有来自120名患者的6000个光谱数据用于外部独立验证。在分类过程中，将一维光谱和二维光谱图像融合作为输入数据，通过Transformer算法实现特征识别、处理及生成，最终获得相应的注意力权重，再采用多层感知机和全连接层得到分类结果。混淆矩阵结果显示健康组与疾病组的区分准确率达到96.13%，F1 score和AUC值分别达到0.927和0.98，展现出优异的预测灵敏度和特异性（图2）。
图2. 急性白血病筛查：（A）SERS检测示意图；（B-C）不同体积脑脊液的SERS光谱；（D-E）健康人群脑脊液SERS光谱；（F）急性白血病患者与健康人SERS光谱对比；（G）混淆矩阵；（H）ROC曲线；（I）不同分类方法性能对比。
急性白血病诊断中，构建了涵盖六种二分类或三分类的多功能诊断模型，预测准确率分别为：AML/ALL（96.2%）、B-ALL/T-ALL（96.5%）、AML亚型（M1-M5，91.8%）、B-ALL遗传学正常或异常（94.3%）、BCR/ABL融合基因阳性或阴性（93.9%）、是否患有CNSL（95.9%），AUC均在0.98至0.99之间，显示出优异的灵敏度（91.7% - 97.3%）、特异性（91.6% - 95.9%）及F1 score（0.921-0.969）等（图3）。采用不同分类方法和数据输入方式作为对比，包括一维光谱与Transformer结合、融合数据结合CNN模型以及基于一维光谱的CNN算法，对比发现，本研究提出的分类模型在准确率、特异性和准确率方面均有明显优势。
图3. 急性白血病诊断：（A-F）不同急性白血病分类混淆矩阵；（G-L）ROC曲线。
此外，为评估分类方法的可靠性与通用性，采用120例患者进行外部独立验证，该外部测试数据集包含6000条光谱，验证准确率分别为：AML/ALL 93.3%、AML亚型90.1%、B-ALL/T-ALL 96.7%、B-ALL基因正常或异常93.3%，与内部测试结果具有较高一致性。此外，这种基于SERS指纹图谱的智能分类策略还可扩展至脑膜炎等CNS疾病的识别与诊断，有望为不同疾病的临床液体活检提供一种光谱学辅助手段。
近年来，威廉希尔WilliamHill官方网站“华山学者”领军教授陈雪利团队聚焦基于人工智能的拉曼光谱检测及生物医学应用，围绕光谱增强机理、检测方法、生物医学诊断等前沿科学问题，以临床标本高灵敏光谱检测与智能分析为突破点，在光谱信号增强、检测方法创新、液体活检应用三个方面开展技术方法和临床应用探索，开发了多种高灵敏度SERS检测新方法，并结合人工智能手段探索其在不同系统疾病精准检测中的应用（Cell Reports Medicine 2025; Biosensors and Bioelectronics 2024; ACS Sensors, 2025）。
论文链接：
https://www.cell.com/cell-reports-medicine/fulltext/S2666-3791(25)00393-3
DOI: 10.1016/j.xcrm.2025.102320
