在全球范围内，癌症始终是严重威胁人类健康的重大挑战，而头颈癌（Head and Neck Cancer，HNC）作为全球第七大常见癌症类型，每年新发病例约 65 万，死亡人数约 33 万。HNC 起源于头颈部黏膜表面的鳞状细胞，涵盖口腔、咽、喉、鼻腔和鼻窦等部位的恶性肿瘤。早期诊断对于改善 HNC 患者的预后和生存率至关重要，然而，其初始症状隐匿，头颈部解剖结构复杂，使得临床检查和活检困难重重，许多患者确诊时已处于晚期。传统诊断方法，如组织活检和影像学检查，虽有一定效果，但存在侵入性强、费用高、耗时长等缺点。因此，开发一种无创、可靠且快速的即时检测（Point-of-Care，POC）诊断方法迫在眉睫。
在这样的背景下，来自德国耶拿弗里德里希・席勒大学物理化学研究所（Institute of Physical Chemistry，IPC）、耶拿莱布尼茨光子技术研究所等机构的研究人员，开展了一项极具创新性的研究。他们利用表面增强拉曼光谱（Surface-Enhanced Raman Spectroscopy，SERS）技术结合机器学习（Machine Learning，ML）算法，以耳垢为样本，旨在实现 HNC 的快速筛查诊断。该研究成果发表于《npj Biosensing》杂志。
研究人员在这项研究中运用了多种关键技术方法。样本方面，选取了德国耶拿大学医院 6 名健康志愿者和 7 名 HNC 患者的耳垢样本。样本预处理时，先将耳垢解冻，加入磷酸盐缓冲液（PBS），经过超声处理和离心，获取上清液用于后续检测。检测采用银涂层硅纳米柱 SERS 芯片，通过特定的孵育和干燥过程，利用表面张力使纳米柱倾斜，增强拉曼信号。光谱采集使用 WITec alpha300 R 共聚焦拉曼显微镜和 785nm 激光，在 600 - 2200 cm−1指纹区域收集光谱。光谱分析利用 Origin Pro 2022 软件进行基线校正、平滑和面积归一化处理。机器学习分析时，先对光谱数据进行裁剪和归一化，再运用主成分分析（Principal Component Analysis，PCA）、t 分布随机邻域嵌入（t-SNE）和均匀流形近似与投影（UMAP）等降维算法处理数据，最后采用 PCA 结合线性判别分析（Linear Discriminant Analysis，LDA）构建分类模型，并通过留两人交叉验证评估模型性能 。
研究结果主要包含以下两方面：
- 耳垢 SERS 分析：对 13 例耳垢样本（6 例健康对照，7 例 HNC 患者）进行 SERS 检测，发现健康样本和 HNC 样本的 SERS 光谱存在显著差异。在 1440 cm−1和 1208 cm−1处的主要谱带，分别对应蛋白质 / 脂质的CH2/CH3弯曲和 C - C 拉伸振动模式，其相对强度在两组样本间变化明显。此外，1004 cm−1、1131 cm−1和 1682 cm−1等特征峰在 HNC 患者样本中强度降低，这表明 HNC 患者耳垢中蛋白质浓度相对脂质较低，可能反映了癌症相关的代谢重编程。
- 机器学习处理：运用 PCA、t-SNE 和 UMAP 等算法对光谱数据进行降维分析，结果显示 PCA 算法在后续分析中更具可解释性，因此被选用。进一步采用 PCA-LDA 构建分类模型，经交叉验证发现，当使用 10 - 15 个主成分时，模型性能最佳，此时灵敏度达 80%，特异性约 87%，平衡准确率为 85%，受试者工作特征曲线下面积（ROC AUC）约 90%。最终基于 10 个主成分训练的 PCA-LDA 模型对患者的预测结果显示，所有患者均被正确预测，但结合个体多次测量可能会进一步提高预测准确性。
在研究结论和讨论部分，该研究表明，基于 SERS 和 PCA-LDA 的耳垢分析有望成为 HNC 的有效 POC 诊断工具。与常用的唾液检测相比，耳垢受外部因素影响小，稳定性高，且采集无创、便捷。不过，当前研究存在一定局限性，如患者队列同质性较高，主要为 50 岁以上男性 HNC 患者，限制了对人口统计学和临床因素影响的研究。未来研究需扩大样本规模，纳入更多不同年龄、性别和肿瘤特征的患者，优化分析模型，进一步探究基于耳垢的 POC 诊断在 HNC 临床应用中的潜力。同时，还需规范样本采集、预处理和 SERS 分析流程，开发适用于临床的便携式、低成本 SERS 仪器，推动该技术从概念验证研究走向临床实践。总之，这项研究为 HNC 的早期诊断开辟了新方向，具有重要的临床意义和应用前景。
生物通微信公众号
