“RamanCluster”：用AI解锁病原体细菌的无监督识别

拉曼光谱法作为一种强大的病原体细菌识别工具，因其快速、非破坏性的检测特性而备受关注。然而，传统的监督式人工智能算法受限于对大量标注数据集的依赖，这些数据集的建立不仅耗时耗力，而且成本高昂。针对这一挑战，中国科学院沈阳自动化研究所的研究人员提出了一种创新的无监督拉曼光谱识别框架——RamanCluster，该框架能够在无需任何标注数据的情况下，实现对病原体细菌的准确和稳健识别。

创新框架：RamanCluster

RamanCluster工作流程如下图所示，它由两个主要模块组成：表示学习模块和基于机器学习的聚类模块。框架的核心在于其独特的表示学习模块，基于原始的拉曼光谱数据，该模块通过对比学习路径和自训练路径提取出富含区分性的特征。这一创新架构不仅能够捕捉到拉曼光谱的局部细节，还能够整合类别信息，从而在无监督的条件下实现对病原体细菌的高精度识别。

图片来源：Talanta

另外一个模块为聚类模块，聚类模块的目标是基于表示学习模块提取的可分离表示，以无监督的方式聚类不同的病原体拉曼光谱并鉴定多种致病细菌的拉曼光谱。这个模块分为两个阶段：

第一阶段：使用t-SNE技术将压缩后的每个拉曼光谱表示映射到更低维的子空间中，以进一步强调重要的区分信息。

第二阶段：使用K-means算法迭代聚类t-SNE的输出，并获取每个聚类的中心点，然后根据最接近每个聚类中心点的细菌种类来匹配每个聚类。

实验验证：卓越性能

研究人员在Bacteria-4和Bacteria-6数据集上对RamanCluster进行了广泛的实验验证。结果显示，RamanCluster在ACC（准确率）、NMI（归一化互信息）和AMI（调整互信息）等关键指标上均取得了优异的成绩，分别达到了77%、75%、74.6%和74.1%、73%、72.6%。与其他最先进的方法相比，RamanCluster在处理复杂数据集时展现出了更高的准确性和鲁棒性。

临床意义：智能诊断新途径

RamanCluster的提出，为临床疾病诊断提供了一种新的、低成本且有效的方法。它不仅能够减少对大型标注数据集的依赖，还能够在早期检测疾病病原体，提高治疗效率。此外，RamanCluster的灵活性使其有望应用于其他复杂的临床医学诊断领域，推动个性化治疗的发展。

结论：未来展望

RamanCluster的成功开发，不仅展示了人工智能技术在医学诊断领域的应用潜力，也为未来病原体识别技术的发展指明了方向。随着技术的不断进步和应用的深入，我们有理由相信，RamanCluster将在智能医疗领域发挥越来越重要的作用，为全球公共卫生安全贡献力量。

原文链接：https://doi.org/10.1016/j.talanta.2024.126076