重庆大学黄映洲/刘瑶Science子刊 | 机器学习融合SERS光谱—B超双模态分析方法！

背景: 缺血性脑卒中发病率因人口老龄化持续上升，传统影像学检查（如CT、MRI）设备昂贵、操作专业，难以满足基层医疗机构对高危人群的频繁监测需求。单一模态检测难以有效关联全身性分子指纹（如体液SERS光谱）与局部器官影像（如颈动脉B超），导致临床风险分层存在瓶颈。研究目的: 本研究提出一种无创、双模态融合策略，通过机器学习整合尿液表面增强拉曼光谱（SERS）与颈动脉B超影像（CBI），旨在实现缺血性脑卒中的高精度分类，为基层长期监测提供新工具。结论: 在包含101名受试者的探索性队列中，该方法在独立测试集上达到92%的分类准确率和0.95的AUC，显著优于单一模态。同时，通过SERS与液相色谱-质谱联用技术，初步筛选出精氨酸、赖氨酸、次黄嘌呤和天冬氨酸作为潜在尿液生物标志物。该多维融合策略有效弥合了分子检测与临床表型间的信息鸿沟，为无创、高频风险分层提供了新思路。