肿瘤等疾病的高度异质性对早期识别和精准分型提出了更高要求。表面增强拉曼光谱（surface-enhanced Raman spectroscopy，SERS）技术利用等离激元纳米结构增强拉曼散射信号，实现从组织、细胞和体液样本中获取丰富的分子“指纹”信息，为疾病相关分子标志物的变化提供新检测途径。然而，复杂生物样本的拉曼光谱存在背景干扰、谱峰重叠及测量条件导致的波动差异。如何从中生物样本中提取稳定的疾病相关分子信息，并形成可靠的诊断依据，是推动SERS技术临床应用的重要挑战。
近日，复旦大学药学院李聪的联合研究团队在《Trends in Analytical Chemistry》杂志发表了题为《人工智能驱动的表面增强拉曼光谱医学诊断：从机器学习到基础模型》（Artificial intelligence-driven SERS in medical diagnosis: From machine learning to foundation models）的综述文章。文章围绕医学诊断中的实际需求，系统梳理了不同人工智能方法在SERS光谱分析中的作用，并从分析流程、模型能力和临床证据等方面讨论其应用价值。
人工智能已被用于SERS光谱预处理、特征提取、分类和定量分析等环节，但拉曼阵列基底的批次间差异、真实世界患者数量有限及外部验证不足，仍限制着该技术的推广。针对这些问题，该综述文章的特色主要体现在以下四个方面：
一 全流程分析框架的阐述。文章将光谱采集、质量控制、预处理、特征学习、诊断推断及可靠性等评价步骤进行串联（图1），比较了传统机器学习、深度学习、Transformer、生成式模型与光谱基础模型在各环节中发挥作用。通过联系SERS的测量特性、样本规模和应用需求，为不同任务下的模型选择提供依据。
图1 人工智能辅助SERS医学诊断的全流程分析框架与代表性模型。上部展示从光谱采集到临床应用的分析流程，下部列举代表性模型；模型排列不代表性能优劣。图片来源为原文Figure 1。
二 光谱基础模型的界定。文章从预训练数据多样性、任务无关的学习目标、多任务复用及独立条件下的迁移验证等方面，明确了光谱基础模型的评价要求。以深度光谱组分滤波（DSCF）等已有研究为例，讨论了预训练特征在不同分析任务中的复用潜力及适用边界，强调对迁移能力的判断需要跨仪器、跨基底和跨中心等独立验证。
三 患者级证据评价。文章强调以独立患者或样本作为临床评价单位，区分重复光谱数量与真实临床样本规模，系统讨论数据划分、预处理及数据增强可能造成的信息泄漏。通过梳理光谱分析可行性、患者级内部验证、独立外部测试和前瞻性评价等证据层次，将算法表现与临床可靠性联系起来，为审视已有研究及设计后续验证提供参考。
四 技术的临床转化路径。文章将数据标准化、模型验证、分子解释与设备部署纳入统一讨论，归纳出五个重点方向（图2）：标准化光谱数据库与评价基准、受物理和生物学约束的生成式数据增强、多模态与基底信息融合的跨中心建模、规范化光谱解释与分子验证，以及面向即时检测的模型与硬件协同设计。
文章最后指出，未来研究需要通过多中心和前瞻性测试，明确AI-SERS系统在真实临床场景中的适用范围。生成SERS光谱应接受物理、生化和独立真实样本验证，模型识别的关键谱峰也需结合化学或生物学实验加以解释。同时，应将轻量化算法与便携式检测设备协同优化，综合评估完整检测流程的耗时、资源消耗和预测可靠性，为可重复、可解释的SERS分子诊断提供支持。
图2 人工智能辅助SERS临床转化的五个重点方向。围绕数据资源、生成方法、跨中心泛化、分子解释及即时检测部署，概括未来研究路径。图片来源为原文Figure 9。
复旦大学药学院博士研究生魏子豪、赵钰阳为该工作的共同第一作者。复旦大学药学院李聪、生物医学工程学院余锦华及上海人工智能实验室王潚崧为该工作的共同通讯作者。该工作获得国家重点研发计划、国家自然科学基金、上海市科学技术委员会项目及上海市科技创新行动计划等资助。
原文链接：https://doi.org/10.1016/j.trac.2026.119190
