2022年3月，中科院中科院长春光机所李备研究员团队联合中山大学肿瘤防治中心赵齐副研究员团队，在期刊《Frontiers in Bioengineering and Biotechnology》上发表综述文章“Raman Spectroscopy: A Novel Technology for Gastric Cancer Diagnosis”。

该文章不仅介绍了从拉曼体外诊断胃癌、拉曼体内诊断胃癌的相关研究，更着重分析了相关应用中采用的拉曼光谱数据分析方法，并对拉曼光谱在胃癌早期诊断中的应用前景进行了展望。

1、拉曼光谱技术诊断胃癌

胃癌通常发现较晚，死亡率高，而早期胃癌预后较好。传统的胃癌诊断方法诊断时间长，创伤严重，误诊率高，严重依赖医生的主观经验。拉曼光谱是一种基于单色光非弹性散射的无标记分子振动光谱技术。由于其无损、快速、准确的检测优势，拉曼光谱在良恶性肿瘤鉴别、肿瘤亚型分类、切片病理诊断等方面越来越受到人们的欢迎。

如图1所示，目前胃癌拉曼相关研究中的样本主要来源于手术中切除的组织、分离的细胞样本、体液或内镜下的活体样本等。分析体外的组织或细胞样本，主要是采用激光波长为532nm、785nm或1064nm的自发拉曼光谱技术进行光谱数据采集。除此之外，也有一部分研究采用了共聚焦拉曼光谱技术，其最大的优势是具有较高的空间分辨率，能够有效的排除来自焦平面之外的其它层信号的干扰。对于血液、呼吸和唾液等样本的研究，主要是采用了SERS，与分子的正常拉曼光谱相比，其最大增强倍数可以达到10??倍。除此之外，光纤拉曼通过光纤探头对胃癌患者进行体内检测，在实时检测和原位分析发挥巨大作用。

2、拉曼数据处理与分析

典型的光谱分析工作流程通常包括数据预处理、特征选择和多元建模过程。在胃癌拉曼的相关研究中最常采用的是滤波方法为Savitzky-Golay（SG）滤波。除此之外，主成分分析-线性判别分析（PCA-LDA）是常用的光谱数据分析方法。

随着计算机科学的发展，机器学习和深度学习的分类方法也被应用于拉曼肿瘤的诊断中。除了在现有胃癌拉曼研究中使用到的方法，K-近邻（KNN）、支持向量机（SVM）等机器学习分析方法，以及人工神经网络（ANN）、卷积神经网络（CNN）、自编码器网络等深度学习算法在其他癌症的诊断中有广泛应用。

3、总结与展望

相对于拉曼成像技术、机器学习和深度学习等方法在其他癌症诊断方面取得的众多研究进展，现有的拉曼光谱技术应用于胃癌诊断的方式有很大的局限性。怎样建立胃癌相关拉曼光谱数据库和评价体系，如何消除不同光谱仪导致的光谱差异，如何获得更高质量的拉曼光谱等都是需要攻克的难题。总的来说，基于拉曼光谱技术的胃癌诊断方法具有广阔的应用前景，其作为一种成熟的检测手段应用于临床诊断中指日可待。

文章链接：

https://www.frontiersin.org/articles/10.3389/fbioe.2022.856591/full?