近期，中国科学院合肥物质科学研究院研究员杨良保、副研究员董荣录和中国科学院合肥肿瘤医院主任医师邓庆梅，在血液肿瘤标志物的高精度识别和定量分析研究方面取得新进展。团队创新性结合无标记表面增强拉曼光谱技术与注意力尺度融合网络深度学习模型，实现了对血清样本多种肿瘤标志物的高精度、无标记、定性及定量同步分析。相关研究成果发表于《分析化学》。

血清肿瘤标志物检测在癌症早期筛查中具有重要辅助价值。然而，由于血清样本成分复杂、有效信号微弱，传统检测与分析方法在准确率和定量能力上面临不小的挑战。针对这一难题，团队设计开发了基于注意力尺度融合网络的多任务深度学习架构。

该模型集成多尺度特征提取、注意力机制和任务交互模块，能够从复杂血清无标记表面增强拉曼光谱数据中高效区分和量化癌胚抗原、甲胎蛋白、糖类抗原19-9、糖类抗原125、神经元特异性烯醇化酶及鳞状细胞癌抗原这6种常见肿瘤标志物。

结果显示，注意力尺度融合网络模型在独立测试集上实现了100%的分类准确率，定量加权R2为0.9713，误差低至目标动态范围的1.7%。研究还通过光谱特征重要性分析，明确了关键拉曼信号区在肿瘤标志物定性与定量中的决定性作用。这不仅提升了人工智能模型的可解释性，也为临床医学判读提供了科学依据。

研究人员介绍，该研究成果为血清肿瘤标志物的高效、高精度检测提供了新思路，有望应用于癌症早筛、精准医疗等重要领域，为临床诊断和健康监测提供了新的解决方案。

相关论文信息：https://doi.org/10.1021/acs.analchem.5c03263

（原载于《中国科学报》 2025-09-01 第3版 综合）