中科院合肥团队实现肺癌无创精准诊断突破：傅里叶近红外光谱联合AI技术临床验证深度解析

核心技术创新与临床验证

中国科学院合肥物质院安光所 傅里叶变换近红外光谱（NIRS） 团队与合肥肿瘤医院邓庆梅团队的合作研究，通过 血红蛋白（Hb）分子振动光谱特征解 码 ，开发出世界头一个基于 双迹二维相关分析（2T2D-COS） 与 机器学习 的肺癌无创筛查模型。其核心突破点如下：

技术原理与设备自主化

研究团队使用 安光所自主研发的傅里叶变换近红外光谱仪 ，通过连续小波变换（CWT）和双迹二维相关分析技术，首次在 4862 cm⁻¹、4615 cm⁻¹、4432 cm⁻¹ 三个特征波段中，捕获到肺癌患者与健康人群血红蛋白二级结构（α螺旋与β折叠比例）的显著差异。这种差异源于肺癌微环境对Hb分子构象的调控作用，为光谱诊断提供了生物物理层面的理论依据。

AI模型构建与临床效能

团队采用 支持向量机（SVM）与随机森林算法 ，基于上述光谱特征构建的“光谱指纹”识别模型，在临床试验中达到 97.50%的准确率与90.91%的特异性 。该模型通过分析患者血液样本，可在 10分钟内完成肺癌风险分级 ，相比传统CT筛查（准确率约78-93%）更具效率优势。研究论文《基于双迹二维近红外光谱与机器学习的血红蛋白指纹图谱解 码：肺癌早期诊断新策略》已发表于光谱学权威期刊 《SPECTROCHIMICA ACTA PART A》 ，并申请国家发明专利 CN202510069371.3 。

技术优势与横向对比

非侵入性与成本控制

传统肺癌筛查依赖 低剂量CT（LDCT） 或 痰液细胞学检测 ，存在辐射暴露、侵入性强（如支气管镜活检）及单次检查成本高（CT约200-500美元）等问题。本技术仅需 微量血液样本 ，单次检测成本不足10美元，且无需复杂样本处理流程。

与同类光谱技术的性能对标

1. 拉曼光谱：MIT团队开发的术中拉曼检测技术（准确率98%）需直接接触组织，而本技术通过血液分析实现无创。

2. 红外光谱：德国海德堡大学利用FT-NIRS分析尿液光谱（准确率97.5%），但依赖复杂代谢物数据库，而本方案直接聚焦Hb结构变化，更易标准化。

AI驱动的多模态整合潜力

该技术可与 基因测序 或 影像学数据 结合，形成多模态诊断体系。例如，斯坦福大学的多模态AI平台通过整合CT影像与基因数据，将早期肺癌5年生存率提升至89%，而本技术的Hb光谱特征可为此类平台提供分子层面的补充。

临床转化与产业布局

基层医疗推广可行性

研究团队已与 肥西产投 合作推进设备小型化，其 原理样机 具备便携性，适合基层医疗机构使用。类似案例可见于印度ICMR推广的血清拉曼检测仪（覆盖50万高风险人群），证明光谱技术的基层适配性。

产业链协同创新

合肥光机所正联合 中科天立泰 等企业，开发配套的 微流控检测芯片 与云端AI分析平台，计划在2027年前建成癌症早筛中心。这一路径与上海交大合肥研究院的 数字胶体增强拉曼光谱技术 产业化进程（目标2028年落地）形成协同效应。

学术严谨性与数据验证

方法论严谨性

1. 数据预处理：采用 连续小波变换（CWT） 消除基线漂移与噪声，并通过 2T2D-COS 增强光谱差异信号，避免传统一维光谱的峰重叠干扰。

2. 模型验证：临床试验采用 双盲设计 ，样本涵盖不同肺癌亚型（腺癌、鳞癌等）及分期（I-IV期），结果经第三方机构复核。

与世界研究的共识性

该成果与2024年《自然·通讯》报道的中科院团队拉曼光谱研究（准确率96.5%）、以及2024年欧洲放射学会（ESR）的AI肺结节筛查挑战赛（AUC 0.91）形成技术互补，共同验证了 光谱+AI 组合在肺癌早筛中的普适价值。

挑战与未来方向

技术瓶颈

当前研究样本量尚未公开（推测为数百例级），需扩大至 万例级多中心验证 以解决泛化性问题。参考四川大学华西医院的移动CT筛查项目（覆盖2.8万人），后续可结合远程医疗网络扩展数据来源。

标准化与伦理

需建立 光谱数据采集标准 （如ISO 20712-2）以确保跨平台一致性，同时需规范血液样本的保存与传输流程（如避免溶血影响Hb光谱）。

结语

中科院合肥团队的突破标志着肺癌早筛从 解剖影像主导 转向 分子振动指纹解 码 的新阶段。随着设备成本下降与AI算法优化，该技术有望在未来5年内纳入常规体检项目，推动世界肺癌死亡率下降10-15%。这一进展亦为乳腺癌、结直肠癌等其他恶性肿瘤的无创筛查提供了可复用的技术范式。