高光谱+AI赋能血液微观检测，Nature子刊研究开辟氧化应激无创筛查新路径

发表于《Communications Medicine》的一项联合研究，依托高光谱暗场显微成像技术结合人工智能算法，搭建起一套无标记、微量血液的红细胞氧化应激检测方案，为自闭症谱系障碍等氧化应激相关病症的无创筛查提供全新光学检测路径，也再次印证高光谱技术在生物细胞分子特征识别领域的应用价值。

一、氧化应激检测：传统方案存在多重局限

氧化应激是细胞内氧化与抗氧化平衡失衡形成的生理紊乱，红细胞膜富含多不饱和脂肪酸，极易受氧化损伤，是反映全身氧化水平的理想观测载体。这类损伤会改变细胞膜脂质组成、膜蛋白结构与离子转运酶活性，和神经发育异常、代谢类疾病存在明确关联。

过往检测氧化应激的方式存在明显短板：生化脂质组分析需要复杂前处理、检测周期长；荧光标记成像会改变细胞原生状态，不适合儿童微量采血场景；常规光谱设备仅能采集单波段数据，难以捕捉细胞膜细微结构变化。临床缺少兼顾微量采样、无标记、低成本、可批量分析的标准化检测流程。

二、高光谱成像：捕捉红细胞专属“光谱指纹”

本次研究采用高光谱暗场显微成像（HDFM），区别于普通光学相机仅记录RGB三色信息，该技术可采集400–1000nm可见光-近红外区间数百个连续波段，为每个红细胞像素生成三维光谱数据立方体，同步留存细胞空间形态与分子散射特征。

整套标准化实验流程仅需2μL EDTA抗凝全血，无需染色、荧光标记：

1. 样本制样后置于60倍油浸显微物镜下，筛选轮廓完整、无堆叠的红细胞观测区域；

2. 系统采集暗场散射光谱，借助光谱角匹配（SAM）算法拆分出8组特征光谱端元，对应细胞膜胆固醇、磷脂、血红蛋白、膜骨架蛋白等不同分子组分；

3. 统计8类光谱在细胞内的分布占比，量化细胞膜脂质、蛋白结构的细微改变。

研究团队先搭建体外氧化模型：使用1.5%过氧化氢处理健康人红细胞，模拟体内氧化损伤状态。检测结果显示，氧化刺激会显著改变多组光谱端元占比，同时气相色谱佐证细胞膜多不饱和脂肪酸总量下降、饱和脂肪酸占比上升，光谱变化与脂质组重塑形成稳定对应关系，证明高光谱信号可以客观反映膜氧化损伤程度。

三、临床队列验证：光谱特征匹配自闭症患儿生理改变

研究纳入58名 3–8 岁男性儿童，分为27名自闭症谱系障碍（ASD）患儿与31名发育正常（NT）对照组，两组年龄、BMI指标匹配，排除感染、癫痫、营养补充剂等干扰因素。

对比两组红细胞光谱数据后发现，ASD患儿与过氧化氢诱导氧化损伤的红细胞光谱变化趋势高度一致：

光谱1、2占比出现明显下降，光谱5、7、8占比同步上升；

患儿红细胞膜钠钾ATP酶活性大幅降低，且酶活性水平与多组光谱端元分布存在显著相关性，印证氧化应激破坏膜蛋白功能，同步改变细胞光学散射特征。

简单来说，自闭症患儿红细胞出现的膜结构改变，和体外人工诱导氧化损伤带来的光谱变化高度重合，说明高光谱能够捕捉到这类疾病伴随的全身性氧化应激特征。

四、AI赋能光谱数据，实现人群分层辅助判别

海量高光谱数据维度复杂、变量冗余，人工统计难以挖掘深层规律，研究引入人工神经网络（ANN）搭配TWIST变量筛选算法完成数据解析：

1. 算法自动筛除无效光谱变量，保留区分两组人群的核心特征；

2. 采用双向交叉训练验证：一组样本训练、另一组盲测，取双向结果均值降低偏差；

3. 模型在儿童队列中区分ASD与正常发育儿童，灵敏度、特异性表现稳定，曲线下面积AUC达到0.92。

无监督神经网络Auto-CM结合最小生成树可视化数据关联，图谱直观显示ASD样本和光谱5特征高度绑定，正常样本则与光谱4聚类，为后续简化检测指标提供参考方向。

五、技术落地价值：面向精准医疗的光学检测新方向

这项研究搭建的整套检测体系，为氧化应激相关疾病监测带来多重实用价值：

1. 采样友好：仅微量末梢血，无侵入性化学标记，适配儿童多次随访监测；

2. 检测快速可重复：标准化成像流程，样本采集5小时内完成检测，重复测量误差小；

3. 多场景延伸潜力：除神经发育障碍外，心血管、代谢类氧化应激相关疾病，均可依托红细胞光谱模型开展观测；

4. 适配智能化检测：光谱数据可批量导入AI模型，减少人工判读带来的主观偏差，适配基层批量筛查场景。

需要客观说明的是，该方案现阶段仅作为氧化应激状态评估的辅助手段，暂不能单独作为疾病确诊依据，仍需更大规模多中心临床队列完善验证体系。

产品推荐

FigSpecFS-23成像高光谱相机

l图像分辨率：1920*1920

l光谱范围：400-1000nm

l光谱分辨率(FWHM)：2.5nm

l光谱通道数：1200

免责声明

本内容为公开学术（文献链接：https://www.nature.com/articles/s43856-026-01581-y）整理编撰，仅用于行业技术探讨与科普学习，不作任何商业相关承诺，亦不能作为投资参考依据。文中所列各项实验数据与结论会受试验环境、样本个体区别、模型构建方案等多重变量干扰，若落地实际场景使用，相关效果需结合自身场景另行实测核验。