摘要

在过去的几十年里，人们开发了常规方法和分子检测技术来检测结核病。然而，这些技术在鉴定结核分枝杆菌（Mtb）方面存在局限性，例如周转时间长、检测灵敏度低等，甚至没有提到鉴别耐药Mtb菌株的困难，这些耐药菌株给结核病的治疗和预防带来了巨大挑战。因此，结核分枝杆菌感染的快速诊断技术对常规结核诊断有很高的需求。表面增强拉曼光谱（SERS）具有无标记、低成本和无创的特点，在细菌病原鉴定中具有广泛的应用前景。然而，在目前阶段，很少有研究使用手持式拉曼光谱仪来区分含或不含结核分枝杆菌的痰样本，从肺外结核分枝杆菌株中分离出肺结核分枝杆菌菌株，或分析具有不同抗生素耐药性特征的结核分枝杆菌。在本研究中，我们招募了一组有监督的机器学习算法来剖析通过手持式拉曼光谱仪生成的不同SERS光谱，重点是深度学习算法，通过该算法，成功区分了含或不含结核分枝杆菌菌株的痰样本（5倍交叉验证准确率=94.32%）。同时，从肺和肺外样本中分离出的结核分枝杆菌菌株得到了有效分离（5倍交叉验证准确率=99.86%）。此外，具有不同耐药特征的结核分枝杆菌菌株也被完全区分（5倍交叉验证准确率=99.59%）。综上所述，我们得出的结论是，在深度学习算法的帮助下，手持拉曼光谱仪在未来结核分枝杆菌感染的快速护理点诊断方面具有很高的应用潜力。