表面增强拉曼光谱与迁移学习实现手术区域的精确重建

拉曼光谱是一种基于相干光非弹性背散射的光子学模态，是术中传感领域的宝贵工具，具有非电离潜力，并能提供高度特异的分子指纹状光谱特征，可用于动态手术区域中病理组织的诊断。尽管拉曼光谱在强度上存在不足，但利用金属纳米结构放大拉曼信号的表面增强拉曼光谱（SERS）可以达到与传统光子学模态相媲美的检测灵敏度。在本研究中，我们概述了一个机器人拉曼系统，该系统能够可靠地定位嵌入健康组织中的肿瘤的位置和边界，此处以选择性注入金纳米星区域的组织模拟体模进行建模。此外，由于收集到的生物SERS或拉曼数据相对匮乏，我们采用迁移学习，在金纳米星与对照琼脂糖的分类中实现了100%的验证准确率，从而为基于拉曼的深度学习训练流程提供了概念验证。我们在10.2分钟内重建了一个30x60mm的手术区域，达到了98.2%的准确率，并保留了体模中特征之间的相对测量关系。我们还获得了84.3%的交并比分数，即真实边界与预测重建之间重叠的程度。最后，我们还证明了拉曼系统和分类算法并非基于样本颜色进行判别，而是基于SERS试剂的存在。这项研究为智能拉曼系统在术中肿瘤学空间的转化应用迈出了关键一步。