基于激光诱导击穿光谱结合深度学习的肺部肿瘤诊断方法研究.pdfVIP

第45卷，第10期光谱学与光谱分析Vol.45,No.10,pp2730-2736

2025年10月SpectroscopyandSpectralAnalysisOctober,2025

基于激光诱导击穿光谱结合深度学习的肺部肿瘤诊断方法研究

孙浩然1，赵春园，林晓梅²，高

高勋”，方健1*

1.吉林交通职业技术学院人工智能与交通装备产业技术研究院，吉林长春130015

2.长春工业大学电气与电子工程学院，吉林长春130012

3.长春理工大学理学院，吉林长春130022

摘要肺癌作为世界范围内发病率和死亡率最高的恶性肿瘤，其诊断结果直接影响患者的治疗方案及术

后复发几率，传统诊断方式往往依靠医生主观判断，且过程复杂，检测周期较长，因此急需一种能提供客观

量化指标且快速检测的肺部肿瘤诊断方法。本文的目的是首次评估激光诱导击穿光谱技术(LIBS)结合深度

学习网络模型作为快速和原位诊断肺部病变组织的潜力。基于癌变组织中元素成分定量变化，通过LIBS对

45名患者提供的肺部肿瘤及正常组织进行快速检测，从而获取病变及正常组织间的元素差异信息，在此基

础上通过多变量分析法选取了Ca、Na、K等6种元素共12条特征谱线作为模型输入量进行分析，针对肿瘤

及正常组织光谱数据存在复杂预处理和特征提取困难的问题，设计了1种以ResNet18为主干网络的深度学

习光谱特征处理体系，同时设计了3种机器学习模型，结合随机森林特征提取方法，建立了二次递进式的机

器学习光谱特征处理体系进行比对。结果表明，深度学习网络模型识别能力明显高于其他3种机器学习模

型，其精确度、灵敏度、特异度分别达到了99.6%、100%、99.3%，分别有140组肿瘤组织，139组正常组

织光谱数据识别正确，模型F-Measure、Recall以及Kappa系数分别达到了99.6%、99.7%以及99.3%，说

明模型在保证识别精度的同时，对不同种类光谱数据的识别能力较为均衡，具有良好的泛化性与鲁棒性。以

上研究表明，针对肿瘤及正常组织中高维且抽象的光谱特征信息，与传统化学计量方法相比，深度学习网络

模型中卷积与池化区域能够更高效地挖掘非线性特征，从而将肿瘤及正常组织内部中相似信息和差异信息

快速找出。通过LIBS与深度学习结合的检测方式能够在肺癌诊断场景中提供病变组织的客观量化信息，可

以作为一种快速、精确和鲁棒性的肺部肿瘤诊断方法。

关键词激光诱导击穿光谱；肺部肿瘤快速诊断；深度学习

中图分类号：0433.4文献标识码：AD0l:10.3964/j.issn.1000-0593(2025)10-2730-07

要的致病因素，研究表明约有85%～90%肺癌患者属于吸

引言烟者或有吸烟史，且随吸烟量增加、吸烟年龄提前、烟龄增

长等因素，肺癌概率逐渐增大2}。此外职业环境接触、空气

肺癌作为全球范围内最常见的癌症类型之一，其发病率污染、饮食营养等都可成为肺癌发病诱因[3-6]。

和死亡率一直高居不下。据国家癌症中心报告显示，2022传统肺癌检查方法中，病理学检查被视为诊断的“金标

年中国肺癌确诊人数达到1060600例，死亡人数达到准”，包括常规病理组织切片、免疫组织化学和图像分析等

733300例，分别占全国癌症确诊人数、癌症死亡总人数的技术[7-101。然而这些检查流程繁琐，耗时较长，尤其在手术

22%和28.5%，同时位列癌症发病率及患癌致死率首位，远中的快速组织切片病理分析场景中，医生需要在短时间内完

高于第二位结直肠癌确诊人数（517100例）及肝癌死亡人数成诊断。此外，目前常规检查缺乏客观量化指标，诊断结果

（316500例），且明显呈上升、年轻化趋势。吸烟是肺癌最主主要