生物医学拉曼光谱的机器学习：从光谱采集到临床转化

# 面向生物医学拉曼光谱的机器学习：从光谱采集到临床转化
来源：https://arxiv.org/abs/2606.14169
作者：Bogdan Oancea (https://arxiv.org/search/cs?searchtype=author&query=Oancea,+B), Ana Maria Seciu\-Grama (https://arxiv.org/search/cs?searchtype=author&query=Seciu-Grama,+A+M), Nicoleta Siminea (https://arxiv.org/search/cs?searchtype=author&query=Siminea,+N), Laura Mihaela Stefan (https://arxiv.org/search/cs?searchtype=author&query=Stefan,+L+M), Alice Stoica (https://arxiv.org/search/cs?searchtype=author&query=Stoica,+A), Joel Sjoberg (https://arxiv.org/search/cs?searchtype=author&query=Sjoberg,+J), Marian Necula (https://arxiv.org/search/cs?searchtype=author&query=Necula,+M), Ana\-Maria Prelipcean (https://arxiv.org/search/cs?searchtype=author&query=Prelipcean,+A), Corneliu Ovidiu Vrancianu (https://arxiv.org/search/cs?searchtype=author&query=Vrancianu,+C+O), Eduard Milea (https://arxiv.org/search/cs?searchtype=author&query=Milea,+E), Andrei Păun (https://arxiv.org/search/cs?searchtype=author&query=P%C4%83un,+A), Ion Petre (https://arxiv.org/search/cs?searchtype=author&query=Petre,+I), Mihaela Păun (https://arxiv.org/search/cs?searchtype=author&query=P%C4%83un,+M)

查看 PDF (https://arxiv.org/pdf/2606.14169)

> 摘要：拉曼光谱提供了一种无标记、化学特异性的生物系统表征方法，已成为癌症诊断、分子亚型分型、微生物鉴定和术中决策支持的重要工具。然而，生物医学拉曼光谱具有高维度、噪声大、受荧光背景影响、采集变异性及生物异质性等特点，因此稳健的计算分析至关重要。本综述考察了机器学习在生物医学拉曼光谱全流程中的作用，涵盖预处理与信号校正、无监督结构发现、有监督诊断与分子分层、表征与迁移学习、可解释性、生物标志物发现，以及与影像、病理和分子谱分析的多模态融合。我们强调机器学习不仅用于诊断分类，还应服务于具有生物学可解释性和临床可操作性的分析。此外，我们讨论了临床转化的主要障碍，包括数据集规模有限、仪器间变异性、预处理不一致、外部验证不足、可重复性问题，以及软件、数据和元数据共享有限。我们认为，要取得进展，不仅需要方法学上的进步，还需要标准化、稳健验证、可解释性以及面向部署的分析框架。通过整合方法论、生物医学和转化视角，本综述概述了开发可靠且可临床部署的拉曼AI系统的关键方向。

## 提交历史

来自：Bogdan Oancea \[查看邮箱 (https://arxiv.org/show-email/4419fc7c/2606.14169)\] **\[v1\]** 2026年6月12日星期五 06:51:32 UTC（915 KB）