通过代谢组学和深度学习引导的无标记SERS对人类唾液样本的比较分析分辨良性和恶性甲状腺结节

甲状腺结节是一种非常常见的病症。在人群中的总体患病率估计约为65-68%，其中一小部分（少于5%）是恶性（癌性）。因此，区分良性甲状腺结节与恶性甲状腺结节非常重要。在本研究中，招募了相同数量的良性和恶性甲状腺结节参与者（N = 10/组）。从每个参与者收集唾液样本，并获得SERS光谱，然后使用代谢组学方法进行验证。又招募了相同数量的患者（N = 40/组）以构建诊断模型。使用多种评估指标评估了多种机器学习（ML）算法的性能。最后，使用盲测数据（良性和恶性甲状腺结节各N = 10/组）测试了最佳模型的可靠性。结果表明，SERS代谢特征与通过MS分析识别的代谢物之间存在一致趋势。Multi-ResNet算法表现最佳，在样本区分中达到95%的准确率。此外，盲测数据集的总体准确率为83%。总之，深度学习引导的SERS技术在通过人类唾液样本准确区分良性和恶性甲状腺结节方面具有巨大潜力，这有助于在临床环境中实现恶性甲状腺结节的非侵入性诊断.