摘要 近紅外（Near-infrared， NIR）光譜主要反映了含氫基團的振動信息，可用于獲取由疾病引起的生物樣品中蛋白質、脂質等成分的含量和結構變化信息。近年來，近紅外光譜技術由于其快速、無損和非侵入性等優(yōu)勢，在疾病診斷領域發(fā)揮了重要作用。在癌癥檢測方面，惡性腫瘤細胞與正常細胞的化學結構和成分存在明顯差異，并且癌癥引起的異常代謝功能會導致生物組織和體液成分發(fā)生變化，從而影響光譜吸收，這使得近紅外光譜有望成為探測生物體內癌變信息的有效工具。然而，近紅外光譜的譜峰重疊嚴重，因此通常需要借助化學計量學方法對光譜進行解析，以有效提取癌癥診斷信息。本文總結了近年來近紅外光譜技術應用于癌癥檢測的研究進展，包括使用光譜預處理方法用于獲取高分辨率光譜信號和建立模型方法用于癌癥診斷，以及近紅外高光譜成像結合深度學習方法的醫(yī)學診療應用趨勢。通過對光譜進行解析，可以探測生物體系中分子的定量信息和結構變化，特別是利用近紅外光譜對水的敏感性，分析了水在癌變過程中的含量和結構變化及其在癌癥檢測中的作用機理。

關鍵詞 近紅外光譜；癌癥診斷；化學計量學；定量分析；結構分析；評述

近紅外（Near-infrared， NIR）光譜主要反映含氫基團（X—H）的振動信息，可獲得由疾病引起的生物組織或者體液中蛋白質和脂質等的組成和結構的變化信息，因此，通過光譜變化可以獲取潛在的診斷信息[1-3]。相比于其它光譜技術，如紅外光譜、拉曼光譜和激光誘導擊穿光譜，近紅外光具有更強的組織穿透能力，并且對樣品無損，因此在無創(chuàng)檢測中表現(xiàn)出更大的應用潛力。此外，近紅外光譜對水的吸收強度適中，更適合檢測含水量高的生物樣本[4]，能夠反映癌變樣本中溶劑水分子和生物分子水合作用的變化。憑借其組織穿透性強、非侵入性、操作簡便和檢測快速等優(yōu)點，近紅外光譜技術早在1977 年就被證明在疾病診療方面具有應用潛力[5-6]。目前，近紅外光譜已被用于研究一系列不同的疾病，如通過檢測近紅外光在人體內的漫反射光譜，建立多變量模型進行分析，預測人體內的血糖濃度，實現(xiàn)糖尿病的無創(chuàng)監(jiān)測[7]。通過檢測血清的近紅外光譜，建立光譜與血清中含氮量之間的定量關系模型，準確測定尿素濃度，從而有助于診斷腎功能疾病[8]。

惡性腫瘤細胞與正常細胞的化學結構和成分含量都存在明顯差異，異常的代謝功能會使生物組織和體液成分發(fā)生變化。近紅外光譜技術可識別癌細胞生長和擴散時釋放的化學物質，通過探測生物樣品中水分子、蛋白質和脂質等物質的含量和結構的變化，利用多波長數(shù)據(jù)與腫瘤生長之間的關系建立多元校正模型，對癌癥類型和分期進行判別[9-10]。然而，生物樣品的近紅外光譜主要由水的寬吸收峰和生物分子的弱響應信號組成，正常樣品和癌癥樣品的光譜形狀相似，難以從原始光譜中直接獲取水和生物分子的變化信息。因此，需要借助于化學計量學方法提高光譜分辨率或對光譜進行解析[11-13]，區(qū)分不同物質的光譜特征，有效提取癌癥引起的數(shù)量、結構以及分子間相互作用變化信息，從而有效獲取癌癥的診斷信息。

本文總結了近年來近紅外光譜技術應用于癌癥檢測的研究進展，包括化學計量學方法及其在定量和結構分析中的應用。首先，通過對光譜進行預處理，獲取高分辨光譜信號，進而獲取癌癥相關信息，再利用合適的建模方法對癌癥進行判別，并介紹了深度學習方法在近紅外高光譜成像中的應用。然后，從光譜中解析出癌癥引起的生物分子含量和結構變化信息，以及從水的光譜變化中反映出生物樣品的狀態(tài)信息和相互作用，從而探測癌癥的診斷信息。最后，對該研究領域未來的發(fā)展趨勢進行了展望。

1 診斷信息的提取與識別方法

1.1 光譜信號分辨率的提高

相比于紅外或拉曼等分子光譜，近紅外光譜的譜峰通常存在較嚴重的重疊現(xiàn)象。因此，在信號提取過程中，須選取合適的機器學習方法解析重疊譜峰。生物體系中的成分復雜多樣，并且生物組織或者體液樣品含大量水，其近紅外光譜主要由水的寬吸收峰組成，掩蓋了其它生物分子的變化信息，導致難以從原始光譜中直接獲取正常樣品和癌變樣品的差異信號。因此，需要借助化學計量學方法對光譜進行預處理[14]，提高光譜的分辨率，放大病變樣品的光譜特征，從而有效提取癌癥診斷信息，建立癌癥的判別模型（圖1）。常用的增強光譜分辨率的方法包括求導、小波變換（Wavelet transform， WT）、多元曲線分辨和正交信號校正（Orthogonal signal correction， OSC）等。在眾多預處理方法中，研究者需要綜合考慮多種因素，如數(shù)據(jù)的噪聲水平、變量的冗余性以及模型的復雜性等，以選擇最合適的分析工具和算法用于提取有效的光譜信號。

求導是一種常見的提高光譜分辨率的方法，同時還可用于校正光譜基線，有效消除背景干擾。Savitzky-Golay（S-G）求導[15]是處理近紅外光譜數(shù)據(jù)的常用方法，利用移動窗口多項式對光譜進行擬合，提高信噪比。Ehlen 等[16]在利用近紅外光譜檢測結直腸癌的研究中，使用S-G 方法對光譜求二階導數(shù)，放大了可區(qū)分結直腸癌和正常組織的主要光譜區(qū)域，在水的吸收波段表現(xiàn)出了明顯的差異。Hurskainen等[17]通過對純水、巖藻糖溶液和脯氨酸溶液的近紅外光譜進行導數(shù)處理，獲取了巖藻糖和脯氨酸的特征吸收峰，并將這兩種化合物作為口腔癌生物標志物，與口腔癌患者唾液的導數(shù)光譜進行比對，在1530～1650 nm之間顯示出了與兩種生物標志物水溶液相似的光譜特征，由此可以對癌癥患者和健康人樣本進行區(qū)分。

WT作為一種近似求導方法[18]已被廣泛用于信號處理，是增強信號分辨率的有效手段[19-21]。該方法通過信號和濾波器的卷積計算導數(shù)，通過選擇不同的濾波器可以獲得任意階導數(shù)，通過調整尺度參數(shù)可以達到信號平滑的效果。Chen等[22]在利用結腸組織的近紅外光譜對結腸癌進行診斷的研究中，采用連續(xù)小波變換有效提高了光譜信號分辨率，并從高分辨信號中選取了40個重要的特征波長變量，建立了判別模型，實現(xiàn)了結腸癌患者的準確識別。由此可知，通過WT 得到的不同頻率下的光譜特征可以呈現(xiàn)原始光譜中所隱含的與癌癥相關的關鍵信息。最近， Han等[23]發(fā)展了小波包變換技術，獲取了超高分辨光譜信號，用于分析含水樣本中相互作用的變化信息，在提取具有不同分辨率信號過程中獲取了不同分子基團的結構信息。該方法有望用于復雜生物樣品體系分析，提取癌變引起的不同生物分子的光譜變化特征信息，實現(xiàn)精準的癌癥篩查和診斷。

為了剔除光譜中與癌癥診斷不相關的信息，提高有效信號的分辨率，張卓勇研究組[24]使用正交信號校正OSC 對原始光譜中噪聲信息進行扣除，盡可能保留了光譜中的有效信息。與多元散射校正（Multiplicative scatter correction， MSC）等其它預處理結果相比，OSC 方法增強了診斷模型的預測能力，區(qū)分了癌變、增生和正常的子宮內膜組織切片。在此基礎上，該研究組發(fā)展了加強正交信號校正（EOSC）方法[25]，與傳統(tǒng)方法相比， EOSC可以更好地去除背景基線漂移，很好地保留了光譜信號峰，有效避免了在信號校正時出現(xiàn)過擬合現(xiàn)象。Liu等[26]采用主成分分析（Principal component analysis， PCA）方法同樣實現(xiàn)了噪聲和無關信息扣除，提高了有效信號的分辨率，并同時實現(xiàn)了數(shù)據(jù)降維。在該研究中，前兩個主成分的載荷光譜呈現(xiàn)了樣品之間的顯著差異，從中選擇6 個波長作為最佳波長用于建立分類模型，實現(xiàn)了胃癌和正常胃組織的區(qū)分。以上方法在晶型信號分辨解析和濾噪時，同時提取了與癌癥信息相關的有效光譜信號，提高了光譜分辨率。

1.2 診斷模型的建立

近紅外光譜數(shù)據(jù)預處理后，采用化學計量學方法建立光譜數(shù)據(jù)與化學成分之間的數(shù)學模型，建立的模型可以從復雜的光譜數(shù)據(jù)中提取與化學成分相關的信息。構建合適的模型并對近紅外光譜進行分析，可以有效提高光譜的精準度和準確度，提取有效數(shù)據(jù)，提高癌癥診斷的準確性。

主成分聚類分析是常見的無監(jiān)督模式識別方法，常用于考察樣本之間的分類效果。Yi等[27]采用傅里葉變換近紅外光譜對胃癌組織樣品進行篩查，采用PCA提取一組正交主成分，從前兩個主成分的得分圖中可以觀察到正常樣品和癌癥樣品數(shù)據(jù)清晰聚類，并且發(fā)現(xiàn)癌癥樣本之間存在相對較大的差異，可能是由于癌癥的分期不同所致。然后，根據(jù)光譜的相似性或差異性，利用層次聚類分析（Hierarchical clusteranalysis， HCA）將樣本進行簇類劃分，判別癌癥組織，并獲得了100% 的靈敏度，表明近紅外光譜可作為胃癌早期篩查的高靈敏度工具。Jang 等[28]在近紅外光譜檢測膽汁的研究中，為了考察所有樣品的近紅外光譜特征差異，對光譜進行了PCA，并觀察了得分的分布情況，發(fā)現(xiàn)PC1即可區(qū)分膽囊癌與其它膽囊疾?。懡Y石和膽息肉），因此可用于基于膽汁液的膽囊疾病快速篩查，特別是早期膽囊癌的識別。

為了對生物樣本的癌變情況進行準確判別，通常先將PCA 聚類作為初步方法觀察樣品之間的分離度，然后建立診斷模型。Chen等[29]在利用近紅外光譜區(qū)分正常組織和惡性結腸直腸組織的研究中，發(fā)現(xiàn)兩類樣品之間的PCA得分分離不清晰，異常樣本和正常樣本之間存在重疊，說明數(shù)據(jù)結構或關系可能是復雜和非線性的；隨后采用連續(xù)投影算法（Successive projection algorithm， SPA）篩選出3個共線性最小的特征波長，并建立線性判別模型鑒別出癌變組織。Zufry等[30]在利用近紅外光譜鑒別甲狀腺結節(jié)惡性腫瘤的研究中，使用前兩個主成分有效區(qū)分了甲狀腺良性結節(jié)和惡性腫瘤，然后利用線性判別分析（Linear discriminant analysis， LDA）對7個主成分建立了高準確的分類模型，但仍需進一步考察模型的靈敏度、特異性等評價指標，避免模型發(fā)生過擬合現(xiàn)象。

為了建立多分類的診斷模型， Zhu 等[31]比較了包括偏最小二乘、隨機森林和支持向量機（Supportvectormachine， SVM）等在內的5種機器學習模型，對肺癌、宮頸癌、鼻咽癌和健康對照血清樣本進行區(qū)分。結果表明，所有方法都可對癌癥與健康對照組進行顯著區(qū)分，但是，相比于其它分類模型， SVM可高精度地實現(xiàn)四元分類，即同時區(qū)分3 種不同類型的癌癥以及健康人群，其原因可能是該方法適于分析高維數(shù)據(jù)。Yim等[32]在分析膀胱切片的近紅外光譜時，使用PCA方法提取數(shù)據(jù)的最大方差，然后結合K近鄰算法（K-Nearest neighbor， KNN）、SVM、隨機梯度下降、梯度提升和神經網絡的結果，構建了機器學習組合（或“堆積”）模型，有效區(qū)分了不同等級和不同分期的膀胱癌組織。

1.3 深度學習方法

傳統(tǒng)的化學計量學方法在光譜分析過程中通常步驟繁瑣，需要進行大量的光譜預處理操作。深度學習是近年迅速發(fā)展起來的一類機器學習方法，主要依賴于人工神經網絡模擬人腦處理數(shù)據(jù)的方式，通過學習大量數(shù)據(jù)的內在規(guī)律，實現(xiàn)端到端的高精度光譜分析，進而達到識別復雜模式的目的[33-35]。Shang等[36]基于一維卷積神經網絡（1D-convolutional neural network， 1D-CNN）建立了判別模型，提出了近紅外光譜與深度學習相結合的乳腺癌原位檢測和分類方法，能夠快速識別不同癌變位置甚至不同階段的乳腺組織，并且模型的準確度、靈敏度和特異性等均明顯優(yōu)于KNN和Fisher等傳統(tǒng)的判別分析模型算法，為原位非侵入性癌癥的自動診斷提供了一種前景良好的新方法。Zhang 等[37]使用近紅外光譜結合反向傳播人工神經網絡檢測BRAF V600 基因突變型和野生型結直腸癌，通過分析不同光譜波段對模型結果的影響，表明判別模型的建立主要基于纈氨酸和谷氨酸之間的光譜差異，該研究結果將近紅外光譜應用拓展到人類癌癥基因突變輔助診斷。

深度學習方法在處理大批量數(shù)據(jù)方面具有優(yōu)越性，在醫(yī)學圖像分析中，尤其是多維的高光譜成像（Hyperspectral imaging， HSI）數(shù)據(jù)分析中，具有獨特優(yōu)勢[38-39]，如圖2所示。Muniz等[40]在利用傅里葉變換紅外HSI區(qū)分健康、炎癥性和腫瘤性結腸組織過程中，設計了全連接神經網絡（Fully connected neuralnetwork， FCNN）模型，對圖像上每個像素的病理狀態(tài)進行判別，結果的準確度明顯高于SVM等傳統(tǒng)機器學習方法。為了克服數(shù)據(jù)量大以及深度網絡計算成本高的問題， Liu等[41]設計了淺層殘差網絡（Shallowresidual network， SR-Net），并用于胃癌等級分類，通過直接下采樣、非對稱濾波器和全局平均池化對常規(guī)的殘差網絡進行改進，減少了參數(shù)和浮點運算，簡化了分類過程，同時實現(xiàn)了較高的分類準確率。Ortega 等[42]利用可見-近紅外高光譜成像技術分析了乳腺癌組織的病理學切片，使用2D-CNN 對正常和腫瘤細胞進行自動識別，由于高光譜波長點的增多提供了豐富的化學組成信息，使得判別準確度優(yōu)于RGB 圖像的識別結果，表明高光譜技術結合深度學習為數(shù)字化病理圖像自動檢測乳腺癌細胞提供了有力的工具。

分割是一種對圖像進行像素級別分類的有效方法，對于檢測腫瘤邊界具有重要意義。臨床上，如果專業(yè)醫(yī)生人為標記每個像素的類別，將耗費其大量的時間和精力，并且分割質量受醫(yī)生的專業(yè)水平影響。為了提高醫(yī)學影像的分割質量，縮短分割時間，已有大量研究將深度學習用于醫(yī)學影像的高精度分割。Ma 等[43]開發(fā)了自適應深度學習方法檢測頭頸癌，通過高光譜圖像訓練自動編碼器網絡，提取深度信息。該算法根據(jù)錯誤分類的像素自適應地調整其權重，提高癌組織和良性組織的識別能力，從而提高檢測性能。動物模型實驗結果表明，該自適應學習方法在腫瘤邊界檢測方面具有很高的準確性，特別是對于邊緣模糊和不規(guī)則的腫瘤。Trajanovski等[44]首次使用深度學習語義分割解析用于腫瘤檢測的可見-近紅外高光譜數(shù)據(jù)，結果表明，基于U-Net神經網絡算法對光譜圖像進行分割，其預測性能明顯優(yōu)于傳統(tǒng)的機器學習和像素級別（Pixel-wise）方法，并且近紅外光譜波段對于腫瘤檢測至關重要。因此，近紅外HSI技術結合深度學習方法在癌癥等疾病的診斷和病變區(qū)域分割方面具有應用潛力，有望成為實時手術的輔助工具。

2 定量分析和結構分析

2.1 生物分子變化

由于近紅外光譜主要反映含氫基團的振動信息，因此蛋白質、脂質、核酸和葡萄糖等重要生物分子的含量和結構信息均可以體現(xiàn)在近紅外光譜上。癌細胞由于核酸發(fā)生突變，表達的生物分子與正常細胞不同，例如，與正常細胞或組織相比，腫瘤通常具有較高的水/脂質之比[31，45-46]。因此，癌變組織或患者體液的近紅外光譜在峰形、峰強度和峰波數(shù)位置方面可能存在較大差別。圖3 為細胞密度均為1000 cell/mL的正常肺上皮細胞和兩種肺癌細胞的培養(yǎng)液近紅外光譜。圖3A的原始光譜主要由水的吸收峰組成，很難區(qū)分正常細胞與癌細胞。采用連續(xù)小波變換（Symmlet 小波基，消失矩為4，尺度系數(shù)為30）對光譜進行處理，提高了光譜的分辨率，得到圖3B。三種細胞培養(yǎng)液在4400 cm–1 附近的光譜強度存在差異，該波段主要包含了蛋白質酰胺基團的吸收信息[10，47]。兩種癌細胞的光譜強度均低于正常細胞，這是由于癌細胞的強代謝能力使得培養(yǎng)液中蛋白質的消耗較多，含量降低，反映在光譜上為強度降低。因此，通過從近紅外光譜中提取生物分子的變化信息，可以反映生物體系的癌變情況。對文獻中報道的癌癥相關近紅外光譜變化信息進行的總結見表1。

Hirosawa等[47]對雌性大鼠的乳腺組織進行了原位近紅外光譜檢測，經過二階導數(shù)變換得到高分辨光譜，通過比較發(fā)現(xiàn)乳腺癌組織中的DNA和水的含量高于正常組織，而脂質含量低于后者，進一步，利用脂質譜帶的光譜強度變化定量評估了大鼠體內乳腺組織的惡化程度。Jang等[28]在采用膽汁近紅外光譜識別不同膽囊疾病的研究中，通過對比膽汁中磷脂和白蛋白等主要成分的純物質光譜，發(fā)現(xiàn)膽囊癌樣本的近紅外光譜在4050 cm?1 處的峰強度明顯高于其它類別樣本，該吸收峰來源于白蛋白的C—N—C酰胺振動，表明在膽囊癌患者的膽汁中蛋白質含量較高。Vermassen等[49]測量了患有良性和惡性腫瘤患者的前列腺組織的近紅外光譜，通過觀察導數(shù)光譜發(fā)現(xiàn)，在C—H 和O—H的振動吸收波段范圍內，良性和惡性組織之間的差異尤為明顯，這主要與蛋白質的糖基化比例相關。因此，通過從近紅外光譜中提取蛋白質、脂質和糖類等化合物的變化信息，將其作為生物標志物，可用于指示生命體的癌變情況。

2.2 水光譜變化

在過去很長一段時間內，水的吸收峰常作為近紅外光譜分析生物樣品中的干擾因素。然而，水具有復雜的氫鍵網絡結構，水分子之間的氫鍵作用容易受到分子周圍環(huán)境變化的影響[51]，所以水在不同體系中表現(xiàn)出來的功能也存在差異。由于近紅外光譜對水的變化信息敏感，疾病所引起的體液組成變化通常會影響到水的氫鍵結構，這導致水的光譜會隨疾病的發(fā)生而產生變化?；诖嗽?， Tsenkova研究組[4]提出了“水光譜組學”的概念，將水的光譜吸收模式作為一種生物指標，從而理解生命體系中水的作用，并實現(xiàn)對疾病或異常狀態(tài)的診斷。例如，利用隨溫度變化的水特征光譜研究朊病毒蛋白纖維化的過程機理[52]，通過水化層的結構信息實現(xiàn)對大豆花葉病潛伏期的診斷[53]等。Raypah等[54]分析了HeLa等3種細胞的光譜，發(fā)現(xiàn)水的不同氫鍵結構以及與蛋白質、碳水化合物的相互作用對于區(qū)分癌細胞和正常細胞具有重要價值。

癌細胞的代謝活動通常比正常細胞活躍[55]，腫瘤微環(huán)境具有pH值低、氧化應激強以及基質金屬蛋白酶活性高等特征[56]，這些情況都會改變水分子的含量、結構和功能，進而影響水的近紅外光譜[57-58]。Ali等[2]采用近紅外光譜研究了前列腺癌組織和正常前列腺組織中水含量的差異，結果表明，癌組織光譜中水的吸收峰降低，說明水含量比正常組織中的較少。同時，水的吸收峰向較長波長的位置移動，表明前列腺癌組織中的水分子氫鍵結構更加有序，這可能是水分子與細胞或組織中的生物大分子相互作用所致。類似地，在皮膚癌檢測的研究[50]中，研究者發(fā)現(xiàn)黑色素瘤皮膚中的水分含量低于健康皮膚。然而，在Chung 等[49]關于近紅外光譜檢測乳腺癌的研究中發(fā)現(xiàn)，乳腺癌組織中水分子含量更多，并且自由水的比例高于健康組織，由此證明了水分子具有作為一種非侵入性體內癌癥指標的潛力。

腫瘤細胞通過分泌較多的乳酸影響局部的酸堿度[59]，進而導致水分子之間的氫鍵結構發(fā)生變化。Li 等[60]使用細胞培養(yǎng)基和反膠束分別模擬細胞外和細胞內的液體環(huán)境，分析了環(huán)境pH 值發(fā)生改變時，細胞內外流體的光譜變化，結合連續(xù)小波變換和偏最小二乘回歸建立了定量分析模型，發(fā)現(xiàn)利用水的特征吸收可以準確測定細胞內外的pH值。通過變量選擇方法，選取了與水分子結構相關的重要波數(shù)變量，如圖4所示，這些波數(shù)與不同氫鍵的水分子結構相對應。其中，自由水分子的光譜強度與pH值呈較強的線性關系，相比于其它水結構具有更高的準確性和靈敏度。因此，具有不同氫鍵結構的水分子可作為生物體系的探針，通過測定pH值監(jiān)測實際生物樣品的癌變情況。該方法為理解和監(jiān)測細胞內外環(huán)境組成變化提供了新的視角。利用水的光譜變化可以探測腫瘤細胞與正常細胞之間的差異，這對于癌癥的非侵入性、高靈敏度檢測具有潛在的應用價值。

3 總結與展望

采用近紅外光譜技術對生物組織或者體液樣本中的化學組成進行分析已成為識別不同疾病狀態(tài)的重要手段，特別是在癌癥診斷中，相較于傳統(tǒng)診斷方法，近紅外光譜的無損、快速等優(yōu)勢使其具有巨大的應用潛力。結合化學計量學方法，能夠有效地提升近紅外光譜癌癥診斷模型的性能。通過深度學習方法挖掘高光譜成像數(shù)據(jù)，可有效展現(xiàn)病變組織的空間信息，不僅能判別生物體是否癌變，還能準確識別腫瘤區(qū)域的邊界。目前，近紅外光譜技術在癌癥診斷方面的研究多用于生物組織樣本，然而，相對于病理組織，血液和尿液等生物流體更易獲取，更能體現(xiàn)近紅外光譜非侵入性檢測的優(yōu)勢，因此，基于體液的癌癥檢測具有廣闊的應用前景。基于近紅外光譜對水的高靈敏度，利用水光譜變化提取癌癥相關的化學組成和分子之間相互作用的信息，為近紅外光譜在生物和生命體系分析中的應用提供了新的研究思路。隨著研究的不斷深入，癌癥相關的水光譜特征將進一步得到挖掘，為探索和理解化學和生物過程的作用與功能提供重要的信息來源。

References

[1] BE? K B， GRABSKA J， HUCK C W. Molecules， 2020， 25（12）： 2948.

[2] ALI J H， WANG W B， ZEVALLOS M， ALFANO R R. Technol. Cancer Res. Treat. ， 2004， 3（5）： 491-497.

[3] YU G. J. Biomed. Opt. ， 2012， 17（1）： 010901.

[4] TSENKOVA R. J. Near Infrared Spectrosc. ， 2009， 17（6）： 303-313.

[5] J?BSIS F F. Science， 1977， 198（4323）： 1264-1267.

[6] SAKUDO A. Clin. Chim. Acta， 2016， 455： 181-188.

[7] HAN T， LIU J， LIU R， CHEN W， YAO M， LIU X， GE Q， ZHANG Z， LI C， WANG Y， ZHAO P， SUN D， XU K. Appl.Spectrosc. ， 2022， 76（9）： 1100-1111.

[8] YANG Y， PAN T， ZHANG J. Am. J. Anal. Chem. ， 2019， 10（5）： 143-152.

[9] VITORINO R， BARROS A S， GUEDES S， CAIXETA D C， SABINO-SILVA R. Photodiagn. Photodyn. Ther. ， 2023， 42：103633.

[10] KONDEPATI V R， HEISE H M， BACKHAUS J. Anal. Bioanal. Chem. ， 2008， 390（1）： 125-139.

[11] WANG H， CHEN P， DAI J， LIU D， LI JING XU Y， CHU X. TrAC， Trends Anal. Chem. ， 2022， 153： 116648.

[12] BIAN X， ZHAO Z， LIU J， LIU P， SHI H， TAN X. Anal. Methods， 2023， 15（39）： 5190-5198.

[13] XU Z， TALPUR Z H， YANG W， XIONG Y， WU T， ZHANG Y， SHEN X， DU Y. Talanta， 2022， 248： 123608.

[14] CHEN Pu， DAI Jia-Wei， LI Jing-Yan， XU Yu-Peng， LIU Dan， CHU Xiao-Li. Chem. Reagents （Beijing， China）， 2023， 45（6）：105-112.

陳瀑， 戴嘉偉， 李敬巖， 許育鵬， 劉丹， 褚小立. 化學試劑， 2023， 45（6）： 105-112.

[15] SAVITZKY A， GOLAY M J E. Anal. Chem. ， 1964， 36（8）： 1627-1639.

[16] EHLEN L， ZABARYLO U J， SPEICHINGER F， BOGOMOLOV A， BELIKOVA V， BIBIKOVA O， ARTYUSHENKO V，MINET O， BEYER K， KREIS M E， KAMPHUES C. J. Surg. Res. ， 2019， 242： 349-356.

[17] HURSKAINEN M O， SARIN J K， MYLLYMAA S， GONZáLEZ-ARRIAGADA W A， KULLAA A， LAPPALAINEN R.Appl. Sci. ， 2021， 11（20）： 9662.

[18] SHAO X， MA C. Chemom. Intell. Lab. Syst. ， 2003， 69（1-2）： 157-165.

[19] LEUNG A K， CHAU F， GAO J. Anal. Chem. ， 1998， 70（24）： 5222-5229.

[20] SHAO X G， LEUNG A K M， CHAU F T. Acc. Chem. Res. ， 2003， 36（4）： 276-283.

[21] XU X， HAN L， ZHENG Z， ZHAO R， LI L， SHAO X， LI G. Anal. Chem. ， 2023， 95（4）： 2221-2228.

[22] CHEN H， LIN Z， MO L， WU H， WU T， TAN C. Spectrochim. Acta， Part A， 2015， 151： 286-291.

[23] HAN L， SUN Y， WANG Y， FU H， DUAN C， WANG M， CAI W， SHAO X. Spectrochim. Acta， Part A， 2023， 289： 122233.

[24] ZHAI Wei， XIANG Yu-Hong， DAI Yin-Mei， ZHANG Jia-Jin， ZHANG Zhuo-Yong. Spectrosc. Spectral Anal. ， 2011， 31（4）：932-936.

翟瑋， 相玉紅， 代蔭梅， 張家進， 張卓勇. 光譜學與光譜分析， 2011， 31（4）： 932-936.

[25] ZHANG J， ZHANG Z， XIANG Y， DAI Y， HARRINGTON P B. Talanta， 2011， 83（5）： 1401-1409.

[26] LIU N， GUO Y， JIANG H， YI W. J. Biomed. Opt. ， 2020， 25（6）： 066005.

[27] YI W， CUI D， LI Z， WU L， SHEN A， HU J. Spectrochim. Acta. Part A， 2013， 101： 127-131.

[28] JANG E， VU T D， CHOI D， JUNG Y K， LEE K G， CHUNG H. Analyst， 2019， 144（24）： 7236-7241.

[29] CHEN H， LIN Z， MO L， WU T， TAN C. Biomed. Res. Int. ， 2015， 2015： 472197.

[30] ZUFRY H， MUNAWAR A A. Appl. Spectrosc. ， 2024， 78（6）： 627-632.

[31] ZHU J， YANG C， SONG S， WANG R， GU L， CHEN Z. Anal. Biochem. ， 2023， 669： 115120.

[32] YIM A， ALBERTO M， SHARMA V， GREEN A， MCLEAN A， DU PLESSIS J， WONG L M， WOOD B， ISCHIA J， RAMAN J， BOLTON D. BJU Int. ， 2024， 133（S4）： 44-52.

[33] LIU X， AN H， CAI W， SHAO X. TrAC， Trends Anal. Chem. ， 2024， 172： 117612.

[34] YAN T， DUAN L， CHEN X， GAO P， XU W. RSC Adv. ， 2020， 10（68）： 41936-41945.

[35] DONG F， BI Y， HAO J， LIU S， YI W， YU W， LV Y， CUI J， LI H， XIAN J， CHEN S， WANG S. Food Chem. ， 2024， 440：138040.

[36] SHANG H， SHANG L， WU J， XU Z， ZHOU S， WANG Z， WANG H， YIN J. Spectrochim. Acta， Part A， 2023， 287： 121990.

[37] ZHANG X， YANG Y， WANG Y， FAN Q. Molecules， 2019， 24（12）： 2238.

[38] HE H， YAN S， LYU D， XU M， YE R， ZHENG P， LU X， WANG L， REN B. Anal. Chem. ， 2021， 93（8）： 3653-3665.

[39] KHAN U， PAHEDING S， ELKIN C P， DEVABHAKTUNI V K. IEEE Access， 2021， 9： 79534-79548.

[40] MUNIZ F B， BAFFA M F O， GARCIA S B， BACHMANN L， FELIPE J C. Comput. Methods Programs Biomed. ， 2023， 231：107388.

[41] LIU S， WANG Q， ZHANG G， DU J， HU B， ZHANG Z. Anal. Methods， 2020， 12（30）： 3844-3853.

[42] ORTEGA S， HALICEK M， FABELO H， GUERRA R， LOPEZ C， LEJAUNE M， GODTLIEBSEN F， CALLICO G M， FEI B.

Proc. SPIE-Int. Soc. Opt. Eng. ， 2020， 11320： 113200V.

[43] MA L， LU G， WANG D， QIN X， CHEN Z G， FEI B. Vis. Comput. Ind. Biomed. Art. ， 2019， 2（1）： 18.

[44] TRAJANOVSKI S， SHAN C， WEIJTMANS P J C， DE KONING S G B， RUERS T J M. IEEE Trans. Biomed. Eng. ， 2021，68（4）： 1330-1340.

[45] FANTINI S， SASSAROLI A. Ann. Biomed. Eng. ， 2012， 40（2）： 398-407.

[46] GROSENICK D， RINNEBERG H， CUBEDDU R， TARONI P. J. Biomed. Opt. ， 2016， 21（9）： 091311.

[47] HIROSAWA N， SAKAMOTO Y， KATAYAMA H， TONOOKA S， YANO K. Anal. Biochem. ， 2002， 305（2）： 156-165.

[48] CHUNG S H， CERUSSI A E， KLIFA C， BAEK H M， BIRGUL O， GULSEN G， MERRITT S I， HSIANG D， TROMBERG B J. Phys. Med. Biol. ， 2008， 53（23）： 6713-6727.

[49] VERMASSEN T， DE BRUYNE S， HIMPE J， LUMEN N， CALLEWAERT N， ROTTEY S， DELANGHE J. Int. J. Mol. Sci. ，2019， 20（7）： 1592.

[50] TRUONG B C， TUAN H D， NGUYEN H T. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. ， 2013： 33-36.

[51] KINOSHITA K， MIYAZAKI M， MORITA H， VASSILEVA M， TANG C， LI D， ISHIKAWA O， KUSUNOKI H， TSENKOVA R. Sci. Rep. ， 2012， 2： 856.

[52] TSENKOVA R N， IORDANOVA I K， TOYODA K， BROWN D R. Biochem. Biophys. Res. Commun. ， 2004， 325（3）： 1005-1012.

[53] JINENDRA B， TAMAKI K， KUROKI S， VASSILEVA M， YOSHIDA S， TSENKOVA R. Biochem. Biophys. Res. Commun. ，2010， 397（4）： 685-690.

[54] RAYPAH M E， MUNCAN J， SUDIK S， OMAR A F， MAIL M H， TSENKOVA R， SEENI A. Chemom. Intell. Lab. Syst. ，2022， 227： 104611.

[55] HEIDEN M G V， CANTLEY L C， THOMPSON C B. Science， 2009， 324（5930）： 1029-1033.

[56] LIU Y， ZHANG Q， XING B， LUO N， GAO R， YU K， HU X， BU Z， PENG J， REN X， ZHANG Z. Cancer Cell， 2022， 40（4）：424-437.e5.

[57] APOSTOLOVA P， PEARCE E L. Trends Immunol. ， 2022， 43（12）： 969-977.

[58] BARROSO E M， SMITS R W H， BAKKER S T C， HOVE I T， HARDILLO J A， WOLVIUS E B， BAATENBURG DE JONG R J， KOLJENOVI? S， PUPPELS G J. Anal. Chem. ， 2015， 87（4）： 2419-2426.

[59] HOSONUMA M， YOSHIMURA K. Front. Oncol. ， 2023， 13： 1175563.

[60] LI J， LIANG F， HAN L， YU X， LIU D， CAI W， SHAO X. Chemosensors， 2023， 11（8）： 425.

天津市教委科研計劃項目（No. 2022ZD053）資助。