面向耐药菌快速诊断的人工智能驱动多模态无标记检测技术

张慧鹏; 毛林冲; 夏萌; 束璐茜; 胡显智; 张炎

doi:10.7536/PC20260511

化学进展 ›› :0- DOI: 10.7536/PC20260511

综述与评论

扫码查看或转发全文

面向耐药菌快速诊断的人工智能驱动多模态无标记检测技术

作者信息 +

Research Progress in Artificial Intelligence-Driven Multimodal Label-Free Detection Technologies for Rapid Diagnosis of Antimicrobial-Resistant Bacteria

Author information +

文章历史 +

摘要

在抗菌素耐药性已成为全球性公共卫生危机前提下传统细菌检测与药敏分析存在周期长、流程烦琐、难以满足临床快速诊断需求等问题。各类新兴检测技术近年来不断涌现，其中微流控平台因其微尺度流体操控能力在细菌的高通量富集与精密操控方面展现出独特优势。在低浓度、复杂基质场景下单一模态传感在信息维度方面受限易出现稳定性差、误判率高等问题。多模态无标记检测通过融合光学、光谱、电学等传感机制，能够全面获取细菌的形貌、光谱特征与电生理信息，显著提升检测鲁棒性的同时带来的多源异构数据的激增成为新的挑战。人工智能凭借特征挖掘与多模态数据融合能力可高效完成信号去噪、特征提取、菌株分类与耐药性预测成为推动细菌检测向智能化、自动化、高通量发展的核心技术。本文系统综述了无标记多模态细菌检测技术的最新研究进展，介绍了微流控技术在样本富集与检测集成化中的应用，并深入探讨了人工智能在多模态数据处理中的核心作用。总结了当前多模态智能检测系统在数据融合、模型泛化、器件集成等方面面临的挑战，并对小型化、可解释、临床转化型智能微流控等检测平台的发展方向进行展望，旨在为快速精准的细菌智能诊断技术研究提供参考。

Abstract

Antimicrobial resistance (AMR) is a critical global health crisis. Traditional bacterial detection and antimicrobial susceptibility testing (AST) often fail to meet rapid clinical demands due to long turnaround times and cumbersome procedures. While microfluidic platforms offer unique advantages in high-throughput enrichment and precise bacterial manipulation, single-modal sensing remains limited by its informational dimension, leading to poor stability and high misjudgment rates in complex matrices. To address this, multimodal label-free detection integrates optical, spectroscopic, and electrical mechanisms to capture comprehensive morphological, spectral, and

electrophysiological data, significantly enhancing robustness. However, the resulting surge in multi-source heterogeneous data presents new processing challenges. Artificial intelligence (AI) has emerged as a core solution, enabling efficient signal denoising, feature extraction, strain classification, and resistance prediction through advanced data fusion. This paper reviews recent progress in multimodal label-free bacterial detection and microfluidic integration, discusses AI’s pivotal role in data processing, and addresses current challenges in model generalization and device integration. Finally, we outline future directions for miniaturized, interpretable, and clinically translatable intelligent microfluidic platforms.

关键词

多模态传感 / 无标记检测 / 人工智能 / 细菌鉴定 / 耐药性分析 / 微流控技术

Key words

Multimodal sensing / label-free detection / artificial intelligence / bacterial identification / antimicrobial resistance analysis / microfluidics

引用本文

引用格式 ▾

张慧鹏, 毛林冲, 夏萌, 束璐茜, 胡显智, 张炎. 面向耐药菌快速诊断的人工智能驱动多模态无标记检测技术[J]. 化学进展, , (): 0 DOI:10.7536/PC20260511

Huipeng Zhang, Linchong Mao, Meng Xia, Luxi Shu, Xianzhi Hu, Yan Zhang. Research Progress in Artificial Intelligence-Driven Multimodal Label-Free Detection Technologies for Rapid Diagnosis of Antimicrobial-Resistant Bacteria[J]. Progress in Chemistry 0 DOI:10.7536/PC20260511

登录浏览全文

4963

注册一个新账户忘记密码

引言

抗菌素耐药性已逐渐发展为全球范围内严峻的公共卫生问题。仅在2019年AMR相关感染便造成约127万例死亡^[1]。实现临床抗菌治疗的前提是在感染发生后能够尽早鉴定致病菌并解析其耐药特征。作为诊断金标准的传统微生物培养联合表型药物敏感性试验的检测周期过长会延误关键的治疗时机^[2]。分子诊断技术应用仍受到昂贵仪器设备以及复杂操作流程的限制，基层医疗机构或床旁检测场景的推广仍面临挑战^[3,4]。

诸如微流控等技术在微尺度环境中对流体进行精确调控，逐步将样品处理、细菌富集与检测流程整合于芯片平台^[5,6]。光学成像、拉曼光谱分析与电阻抗测量等方法在细菌检测领域被引入微流控等平台^[7]。然而，导致识别准确性降低并增加误判风险的原因是单一模态的传感技术仅能在成分复杂的临床样本中获取有限的生物学信息维度。因此近年来研究重点逐渐转向多模态协同检测策略^[8-11]。其中将多源传感模块与微流控芯片集成是实现集成化、自动化快速检测的主流方案，有望提升检测体系的稳定性并增强检测结果的可靠性与准确性^[12,13]。

多模态在拓展细菌检测所获取信息维度的同时，产生高维度且异构的数据，对传统信号处理方法提出新的挑战^[14]。以机器学习和深度学习为代表的人工智能算法逐渐被引入相关研究领域，有望使系统具备捕捉细菌早期生理变化的能力^[15-17]。

与以往侧重于单一传感技术或人工智能辅助诊断的综述不同，本综述聚焦多模态无标记传感与人工智能数据分析相结合的细菌检测体系，如图 1所示，阐述了微纳集成与自动化检测在实现集成化、自动化检测中的核心作用，介绍了包括微流控在内的细菌操控与富集系统设计策略、集成于芯片的多模态无标记传感方法以及人工智能在多模态数据处理、细菌自动识别与快速耐药性分析中的应用，最后分析了该类多模态智能诊断系统当前面临的挑战与未来发展方向，旨在为快速精准的细菌智能诊断技术研究提供参考。本文认为，未来耐药菌快速诊断技术的发展重点将转向“复杂样本前处理—多模态无标记表征—人工智能融合分析—临床决策支持”的系统集成。

1. 细菌样本前处理与富集技术

在临床实际应用中，血液、尿液或痰液等样本基质成分复杂，且致病菌浓度通常极低^[18]。为解决传统的样本前处理方法存在样本损耗大、操作烦琐、自动化程度低等缺陷的问题，以微流控为代表的技术不断发展，凭借精密的流体控制技术可在微尺度下完成复杂样本的前处理与目标细菌的高效富集从而为下游的多模态无标记传感提供高质量的分析物^[19,20]。

1.1 被动式与主动式微流控细菌富集技术

目前，细菌富集技术可分为传统方法与微流控方法两大类，其中微流控方法凭借其集成化、高通量的优势成为研究热点^[21]。惯性微流控的创新逐渐发展为基于复杂通道几何结构和多尺度流场调控的高效分离（表 1）。

由此可见，惯性微流控的创新体现在通道形态变化，以及流场调控机制、复杂样本适应性以及与下游检测模块集成能力的提升。

诸多被动式微流控相关研究也证实惯性微流控可高效完成微粒分离与样本混匀工作。Nam等人^[29]采用被动式流体芯片，使得大肠杆菌4.1µm微珠的分离率分别为87%和91%，混合测量结果表明，该芯片的混合效率超过94%。Wu等人^[30]基于柔性惯性力诱导迁移的微流控细胞分离方法，在高浓度（10⁸/mL）的大肠杆菌与人红细胞混合样品中成功实现了分离，并在高达18µL/min的流速下保持稳定分离，同时实现了至少300倍的细菌富集。Esan等人^[31]利用被动式惯性微流控技术从碎肉和肉拭子悬浮液中分离细菌细胞，在最佳流速和迪安数条件下实现了连续分离，其中细菌细胞的平均回收率分别为肉类拭子悬浮80%、碎牛肉悬浮液70%，并成功去除了约50%的杂质。Norouzy等人^[28]利用三层并行集成的被动式惯性微流控离心平台，实现了沙门氏菌悬浮液中微粒的高效分离与溶液同步交换，5μm与10μm杂质微粒选择性迁移至内、外出口处，显示出分别高达99.7% 和90.3%的分离效率，溶液交换效率为96.69%，样本处理流速可达16.8mL/min。Lee等人^[32]利用搭载序列沟槽井结构的被动式沉降分离微流控平台，实现了从全血样本中高效分离细菌，红细胞清除率超过99.99%，大肠杆菌回收率最高接近78%，可将后续抗菌敏感性检测流程最多缩短42.18小时。

主动式微流控依靠外部物理场对细菌施加特定的力实现更高精度的富集和捕获。在电场驱动方面，电场驱动微流控已由传统DEP和cDEP逐步发展至三维介电泳及多参数电动力学表型分析，能够用于细菌富集以及表征细胞膜状态和表面性质。Thomas等人^[33]利用cDEP主动式微流控技术（图 2）成功实现从全血中富集大肠杆菌并模拟感染流程，CytoChip D在大样本处理上具备优势但回收率不足，CytoChip B即使在低于100CFU/mL的浓度下仍保持超过98%的高回收率。

Wang等人^[34]利用3DiDEP主动式微流控平台并采用细胞分析技术，建立了LPS电动力学特性与外膜通透性之间的联系且提供了一种基于LPS糖型快速分离和筛选细菌的策略。在声场驱动方面，声流控技术在提高分离效率的同时增强了对复杂血液样本的适应性，逐渐发展为可调驻波和倾斜角表面声波平台，Lee等人^[35]利用taSSAW声流控平台将大肠杆菌与血小板高效分离，分离超过96%，回收率超过81%。在磁场驱动方面，磁场驱动富集逐步发展为磁泳分离及惯性—磁场协同平台，兼顾目标特异性与处理通量。Jóskowiak等人^[36]构建了噬菌体受体结合蛋白功能化磁性纳米颗粒微流控富集装置，并利用永久磁铁在捕获腔中浓缩菌—磁颗粒复合物。该装置可在30min内从十倍稀释全血中回收10²~10⁷CFU/mL范围内的大肠杆菌且平均回收率约66%，对金黄色葡萄球菌的非特异性捕获率仅为12%。Zhang等人^[37]利用惯性免疫磁协同微流控主动式平台实现了从人支气管肺泡灌洗液中高效分离大肠杆菌，大肠杆菌菌落浓度提升44.92%且分离效率达86.09%，2mL样本仅需5分钟即可完成处理。在光场驱动微流控方面，光电镊和粒子辅助光电镊的发展降低了光热损伤并扩大有效操控范围。He等人^[38]构建了基于大规模有序微透镜阵列的柔性可拉伸片上光镊平台，通过光子纳米射流效应形成多达1000个并行光学捕获位点实现了外泌体、细菌和哺乳动物细胞等不同尺度生物颗粒的高通量捕获、分选与精密操控。该平台还可用于实时调控致病菌与巨噬细胞之间的相互作用。Wang等人^[39]利用结合粒子诱导电泳的粒子辅助光电镊主动式微操控平台，实现了微粒与细胞的低损伤间接操控，操控范围较传统光电镊拓展2~3倍，为细菌的高精度单菌分选与富集提供了低损伤的新型技术路径。

综上，被动式微流控依赖通道几何结构和流体惯性效应完成连续、高通量的细菌分离与样本除杂，适合大体积复杂样本的初步处理；主动式微流控则通过电场、声场、磁场或光场等外部物理场增强细菌操控的选择性和精确性，更适用于低菌负荷样本的靶向富集、单菌操控及电学或光学表型分析。总体来看，微流控细菌富集技术逐渐发展为多结构协同、多物理场耦合以及与下游检测模块集成的综合平台。然而不同富集方法在处理通量、选择性、复杂基质适应性、细菌活性保持和检测兼容性方面仍存在明显差异，因此有必要进一步比较其性能特点及其对后续光谱、图像和电学检测结果的影响。

1.2 不同微流控富集方法的性能比较及下游检测兼容性

不同方法的被动式和主动式微流控在通量、选择性、细菌活性保持和复杂基质适应性方面各有优劣（图 3）。具有连续、无标记和高通量特点的惯性微流控、确定性侧向位移和声流控适用于血液、尿液及食品匀浆等大体积样本的初次除杂，但对低菌负荷或复杂基质的选择性较低；介电泳根据细菌介电性质、表面电荷和膜状态实现选择性富集低浓度样本及电学表型分析，但易受样本电导率和焦耳热影响^[40]；特异性较高免疫磁或适配体磁富集适合捕获复杂样本中的已知目标菌但需要标记和孵育且磁珠残留可能干扰后续检测^[41]；光场及光电耦合具有较高空间精度但技术处理通量有限，适用于单菌成像和单细胞光谱分析^[42]。

样本纯度、缓冲体系、残留杂质及细菌生理状态是除回收率和富集倍数外同样会影响下游检测的因素（图 4）。拉曼、SERS及红外信号受到血红蛋白、蛋白质、脂质和磁性颗粒干扰可能降低图像识别及单菌计数准确性^[20]；阻抗、电容和场效应晶体管信号则会受到缓冲液离子强度、pH、电导率以及电极污染影响，细菌膜完整性、表面电荷及代谢活性可能会因高场强、焦耳热、剪切力和局部温升而改变^[6]。因此，微流控富集方法应根据样本类型、目标菌浓度、处理通量、活性保持及下游检测兼容性进行选择。

未来，将粗分离、选择性富集、洗涤与缓冲液置换以及光学、光谱或电学等检测集成于同一平台，是降低基质干扰并实现细菌及耐药性快速诊断的重要方向^[43-47]。

2. 无标记多模态细菌检测技术

为避免概念混用，本文将“多模态无标记检测”界定为：针对同一样本或目标，在同一平台或关联流程中获取两种及以上物理来源不同的检测信号，并通过互补验证或信息融合完成细菌识别、定量或状态分析。“无标记”是指在检测读出不依赖荧光染料、酶标签、放射性标记、拉曼报告分子或其他外源信号探针的情况下，利用细菌自身的光谱、形态、电学或代谢响应进行分析。若磁珠、适配体、抗体或其他功能化材料仅用于样本前处理、捕获和富集，而最终检测信号仍来源于目标自身，则标注为“标记辅助富集的无标记读出”；若上述识别元件与荧光探针、拉曼报告分子、酶促显色体系或其他外源信号材料共同参与信号产生，则归为标记型检测。对于未直接标记目标、但依赖酚红、酶传感元件或其他外源试剂间接反映细菌代谢变化的体系，则标注为“无目标标记的间接检测”。

需要说明的是，多功能集成、多靶标检测和数字特征融合并不等同于多模态检测。多功能集成强调富集、分离、检测或灭菌等多个功能模块的组合；多靶标检测强调同时检测多个目标，即使仅采用一种读出方式，也不属于多模态检测；由单一原始信号提取振幅、频率、纹理或动力学参数的研究属于单模态多特征分析，只有不同信息通道经联合建模形成互补判别时，才归为数字多模态分析。基于此，本文首先将相关研究划分为物理信号多模态检测、多功能集成、多靶标检测和数字特征融合四类，并进一步依据检测信号是否依赖外源标记，将其标注为严格无标记、标记辅助富集、无目标标记的间接检测或标记型检测。

2.1 基于SERS的信号增强、数字化解析与多模态融合

在无标记细菌检测中，单一光谱信号主要从物理信号增强和数字化光谱解析两个维度去改善极低浓度下的检测性能。物理信号增强通过构建等离激元热点、限制细菌空间分布或提高细菌与增强基底的接触概率来增强光谱信号；后者利用基线校正、归一化、特征提取和机器学习分类降低背景干扰并提取有效判别信息。近年来，研究者将微纳结构增强、声场辅助富集和微流控样本操控与SERS检测相结合，并进一步引入数字化分析和机器学习方法，构建集目标富集、光谱增强与智能解析于一体的检测体系，进一步提升检测能力。

在信号增强与物理集成的研究中，Su等人^[13]将SERS与酶级联反应结合，通过酶催化放大提高低浓度细菌的检测信号，实现了10CFU/mL的检测限。该平台还利用45.2%的光热转换效率实现细菌灭活，但光热灭菌属于多功能集成，而非独立的光谱检测模态。Wen等人^[48]利用倒金字塔微腔阵列构建局域电磁增强区域（图 5），并通过微腔分区限制细菌的空间分布，从而提高细菌与SERS热点的接触概率。该平台的检测相对标准偏差仅为5.6%，表明微腔结构不仅能够增强局部光谱信号，还可通过标准化检测区域改善光谱重现性和数字化定量能力。Safir等人^[49]声学生物打印与SERS结合，通过声场将低丰度细菌定向富集至SERS活性区域，提高细菌与增强热点的空间匹配程度；随后利用机器学习对光谱进行特征提取和分类，在极低丰度条件下仍获得不低于90%的识别准确率。Huo等人^[50]开发多模态微流控平台实现双通道超灵敏细菌检测（LOD14-18CFU/mL），由于该体系依赖磁富集和静默区拉曼报告探针，且两个通道均以SERS作为读出信号，因此更适合表述为标记型双通道SERS检测，而非严格意义上的无标记多模态检测。

总体而言，微纳结构和外场富集主要解决低丰度细菌SERS信号弱及重复性不足的问题，而光谱预处理、特征提取和机器学习则用于降低背景干扰并解析菌种或表型特征。在此基础上，将SERS与光学成像、电学传感等互补模态进一步集成，有望拓展信息维度并提高复杂样本检测的鲁棒性。

2.2 电学传感与光学成像的跨模态集成

诸如微流控平台成为实现光电跨模态集成的理想载体是凭借其透明、可集成的特性。然而电学传感易受溶液电导率及离子强度等环境因素影响从而难以提供细菌的空间分布与形态信息，光学成像技术能够直观表征微通道内细菌的位置、形态及聚集状态但对细菌内部电生理特征的反映能力有限。

研究者为克服上述局限，实现电学传感与光学成像的跨模态耦合，可以在透明微流道底部集成微电极阵列。光学模块在检测过程中用于定位细菌并提取形态学特征，电学模块则同步采集对应区域的阻抗信号，从而实现空间信息与电生理信息的同步获取。该跨模态集成策略通过多源信息的相互验证，能够在单一平台上同时获取细菌的外部形态与内在生理特征，有望降低单一模态带来的误判风险。例如，Dervisevic等人^[51]将光流控系统与电化学传感器相结合用于哺乳动物细胞培养体系中大肠杆菌污染的检测，该装置实现了对低至0.2×10⁶CFU/mL水平细菌污染的检测，为复杂生物体系中的早期污染检测提供了一种高灵敏、多模态分析策略。Qiang等人^[52]利用微流控芯片集成EIS与光学成像，通过透明微电极实现信息同步获取。这种在血细胞分析中应用的利用光学表征形态与位置以及电学获取电生理信号的集成架构，为细菌检测提供了技术参考，弥补了单一模态局限，同时提升了复杂样本检测的鲁棒性，并为人工智能分析提供了多维特征基础。针对细菌生物膜的高韧性监测需求，Islayem等人^[53]开发了一种集成电极的模块化微流控平台，如图 6展示的，通过耦合电化学阻抗谱与光学显微镜实现了在模拟生理剪切力条件下对铜绿假单胞菌生长、迁移及耐药响应的实时、无标记协同监测。

光学-电学跨模态集成体系提升检测全面性与鲁棒性的同时为后续人工智能驱动多模态数据融合、特征提取提供了丰富可靠的数据源。

2.3 微流控多模态平台在复杂样本中的应用及跨靶标可迁移性

前述SERS信号增强与数字化解析策略以及光学—电学跨模态集成方法，为微流控多模态平台处理复杂样本和拓展检测对象提供了技术基础。需要说明的是，本节所列研究可分为两类：一类直接面向细菌、细菌生物膜或耐药相关表型检测，可用于评价该类平台在耐药菌快速诊断中的应用潜力；另一类以病毒、炎症标志物等非细菌目标为检测对象，主要用于说明微流控操控、多信号读取和人工智能数据融合方法具有一定的跨靶标可迁移性，而不能作为耐药菌鉴定或抗菌药物敏感性判断的直接证据。因此，以下内容将分别讨论其对耐药菌诊断的直接相关性及其在平台设计和数据分析方面的方法学参考价值，表 2汇总。

Li等人^[54]构建多模态微流控检测平台在结合铕螯合物纳米粒子与映射算法情况下实现高灵敏、可扩展的生物标志物与病毒检测。Yu等人^[55]构建了双功能SERS微滴传感器对甲型流感病毒和SARS-CoV-2进行同时识别与定量体现了微流控光学平台在跨病原体检测中的可扩展性。Xiong等人^[56]开发自动化微流控平台实现了超灵敏CRP检测（LOD0.77pg/mL，R²=0.994）并具备快速、准确、可扩展的生物标志物分析潜力，证明微流控与光学传感技术也正在扩展至炎症标志物等非病原体目标的无创检测领域。

在从单一细菌检测向多病原体及生物标志物联合检测拓展的过程中，多模态检测平台展现出一定的临床转化潜力^[57,58]。同时在复杂样本中，多模态平台在纳米材料工程与微流控等技术的发展逐步完善下，其小型化、自动化与高通量的应用能力有望被提高^[59-61]。然而无论采用何种检测平台，传统信号处理方法难以充分挖掘多模态检测技术产生的高维度、多来源的异构数据。因此人工智能的引入成为提升检测性能、推动技术实际应用的核心方向，相关内容将在下一章详细阐述。

3. 人工智能驱动的多模态细菌检测与数据融合

在多模态细菌检测体系中中，无论是基于微流控平台还是传统检测装置对其高维异构数据的解析均高度依赖人工智能算法。人工智能在模式识别与复杂数据处理方面，在生物检测与医学诊断领域随着计算能力的提升及大规模数据的积累展现出一定优势^[62]。传统方法在细菌检测中存在检测周期长、信息利用不足及对复杂样本适应性有限的问题^[63-66]。人工智能能够从高维数据中提取潜在特征尤其在光谱信号解析与图像识别等方面表现出优越性能，实现对细菌的快速识别与精准分类^[67,68]。微流控等检测平台在多模态的发展下可同时获取的检测信息呈现高维度与复杂耦合的特征^[69,70]。人工智能有望提升微流控等平台的细菌检测灵敏度、准确性以及自动化水平并成为实现多模态数据融合与智能分析的关键工具^{[14,71 -74]}。

目前，人工智能在多模态细菌检测中的应用逐步拓展至自适应信号校正、跨仪器标准化、多模态特征融合、未知类别拒识以及耐药表型分析等环节。在信号处理阶段，机器学习可用于优化基线校正参数、抑制复杂基质噪声并修正不同仪器和检测平台之间的数据偏移；在特征表示阶段，利用一维卷积网络、自编码器或Transformer提取拉曼和SERS光谱中的峰位、峰强及谱形特征，利用卷积神经网络提取显微图像中的细菌形态、尺寸和纹理信息，并通过多层感知机、时序模型或频域网络表征电化学阻抗的幅值、相位及动态变化^[75]。各模态通过时间、空间或语义对齐实现数据级、特征级或决策级融合；注意力机制可根据不同模态的信号质量和任务相关性动态分配权重，而模态丢弃、迁移学习和领域自适应则有助于缓解模态缺失、仪器漂移及跨平台分布差异。融合后的特征用于菌种与菌株鉴定、浓度定量、未知类别识别、敏感/耐药分类及MIC估计。基于上述流程，本节依次讨论信号预处理与跨平台标准化、特征提取与数字多模态表征，以及多模态融合在菌种鉴定、耐药表型分类和MIC预测中的应用。

3.1 信号预处理与跨平台标准化

在多模态细菌检测过程中，不同检测信号易受到环境噪声、仪器漂移及复杂样本基质的影响，从而导致信噪比较低、基线波动明显以及跨平台重复性较差等问题^[76-79]。细菌识别与分类的准确性由于多模态信号之间在尺度、分布及响应机制上的差异进一步增加了数据解析难度。在人工智能分析前对原始信号进行系统性的预处理与标准化是实现高可靠检测的关键步骤^[80-82]。

在信号预处理方面，人工智能和化学计量学方法已被广泛用于提升原始检测信号的质量。评价相关方法时，不仅应关注下游识别准确率，还应综合考察基线拟合误差、相对于传统方法的改进幅度、计算时间、跨仪器一致性以及定量误差等指标。

针对传统airPLS采用固定参数时易出现基线不平滑、宽峰区域拟合误差较大及复杂光谱适应性不足的问题，Cui等人^[83]提出优化型OP-airPLS，并进一步构建PCA-RF模型，该研究采用包含3类峰形和4类基线形态的6000条模拟光谱进行评价。与默认参数airPLS相比，OP-airPLS的平均性能改进率达到96±2%，典型情况下可使基线拟合平均绝对误差降低1~2个数量级；其中最高改进情况下，MAE由0.103降至5.55×10⁻⁴。PCA-RF在去除异常值后仍获得90±10%的平均改进率，并将单条光谱处理时间由OP-airPLS的约80s缩短至0.038s，表明机器学习可在保持基线校正精度的同时显著提高处理效率。该方法的创新之处在于将airPLS参数选择由经验设定转变为光谱形态驱动的自动预测，但其在真实光谱中的性能仍受信噪比以及实验光谱与训练数据形态相似度影响。除单一仪器内的基线校正外，不同拉曼设备在响应函数、光谱分辨率、峰位及强度方面的差异也会造成数据分布偏移。Wang等人^[84]提出基于惩罚函数回归的跨仪器光谱转换框架SpectraFRM，将目标仪器采集的光谱非线性映射为标准仪器对应的伪光谱，并对峰位、峰强和基线差异进行可解释校正。该研究以20种分析物和4台拉曼仪器为对象，采用留一法训练与测试。与原始光谱相比，转换后光谱与标准光谱之间的平均误差降低约11%，经特征提取后，跨仪器分析物识别准确率提高约10%；CNN对转换并提取特征后的光谱平均识别准确率接近98%。其创新性在于不依赖特定仪器参数或预设线性校正关系，而是通过函数回归描述不同仪器之间的非线性响应差异，为跨设备光谱数据库共享和模型迁移提供了标准化路径。在复杂生物基质中，预处理还需兼顾生物噪声抑制、定量精度和模型可解释性。Zaki等人^[85]构建了由光谱预处理、深度学习定量和可解释分析组成的SERS生物量化框架，并以水和尿液基质中的682条SERS光谱作为验证数据。该研究首先利用去噪自编码器从含有多种神经递质和尿液背景的光谱中恢复目标特征，再比较CNN、视觉Transformer、PLSR、随机森林、SVM及XGBoost等模型的定量性能。最佳的三参数逻辑输出层CNN在去噪光谱上的血清素定量MAE为0.15μM，平均百分比误差为4.67%，优于原始光谱及Savitzky-Golay处理结果。进一步提出的CRIME方法从模型预测中识别出6类决策情境，其中3类与血清素特征相关，从而揭示模型是依据目标峰还是潜在干扰物完成预测。该研究虽然并非直接针对细菌检测，但其“去噪—定量—解释”一体化流程为复杂基质中细菌SERS信号的预处理和模型可信度评价提供了方法学参考。图 7展示SERS深度学习框架开发流程。

上述研究表明，人工智能驱动的信号预处理已不再局限于简单去噪，而是逐步覆盖自适应基线校正、跨仪器标准化、生物噪声分离及模型解释等环节。相应方法的评价标准也应根据任务进行区分：基线校正可采用MAE、性能改进率和单条光谱处理时间，跨平台标准化可采用转换误差、跨仪器识别准确率及独立验证方式，生物定量则应报告MAE、平均百分比误差、数据划分方式和模型可解释性结果。

3.2 特征提取与数字多模态表征

如何从高维复杂光谱数据中提取具有判别能力的特征是在完成信号预处理后成为影响模型性能的关键步骤^[86-89]。现有研究主要从传统降维方法、特征选择方法以及深度学习自动特征提取三个方面探索^{[87,90 -93]}。特征提取方法在复杂临床样本检测中由于样本来源复杂且检测信号具有多模态特征不仅需要实现降维与去噪，还需要兼顾不同信号之间的融合与信息保留。因此，提升细菌识别性能的重要方向逐渐变为传统方法与人工智能模型的结合^[94-98]。特征提取与降维的性能直接影响后续分类模型的准确性与稳定性。

针对微型化检测设备信噪比较低、生物样本异质性较强以及硬件集成受限等问题，Li等人^[99]提出了一种基于数字多模态光谱与深度学习特征融合的识别框架突破了传统多模态检测对多种物理仪器的依赖，在不增加硬件成本的前提下通过数学解耦手段将原始生物光谱拆解为相互独立的拉曼指纹信息与荧光背景信号，实现了从单一信号源中提取化学组分与电子能级的双重模态特征。在特征处理阶段利用深度神经网络分别提取两种数字模态的深层信息结合集成学习策略在特征层与决策层进行双重融合。这种数字多模态策略在复杂临床样本的识别中达到了91.9%的准确率。Cao等人^[100]针对现有细菌SERS光谱分类深度学习模型基于封闭集范式、无法有效处理训练集外未知菌种的应用局限，提出了一种Transformer架构开放集细菌识别模型。实验结果表明该模型在已知菌种分类与未知物种拒识两项任务中均表现优异，性能优于传统开放集识别方法。该工作显著提升了真实医疗与卫生保健场景下细菌识别的鲁棒性以及验证了SERS技术与Transformer模型结合的临床应用潜力。

Teng等人^[101]针对临床细菌鉴定的检测需求，将拉曼光谱与激光诱导击穿光谱两种光谱诊断技术相结合，提出了特征选择融合前和特征选择融合后两种特征级融合策略并搭配优化后的支持向量机分类器，实现致病细菌的快速精准分类（图 8）。实验结果表明该方案筛选出10条核心特征线作为分类器输入时，正确分类率可达95.67%，涵盖参数调优、模型训练与测试的全流程分析时间可缩短至1~2分钟，单样本分析耗时仅约0.2秒；其中AFSF方法在融合特征数量较少时表现更优，BFSF方法在全量特征条件下可实现更高的分类准确率。两种融合策略为临床多模态光谱细菌检测提供了高效的特征处理方案。

上述研究表明，当前人工智能驱动的特征提取逐步发展为数字模态解耦、深层特征自动学习、开放集未知菌识别及多源光谱特征融合。其研究重点朝向降低硬件依赖、增强未知样本识别能力并缩短临床分析时间。然而，现有研究仍多集中于菌种或菌株鉴定，特征表示能否进一步反映药物作用后的细菌生理变化仍需在快速药敏分析中验证。

3.3 多模态融合在菌种鉴定、耐药表型分类与MIC预测中的应用

在评价人工智能辅助细菌诊断时，应区分菌种或菌株鉴定、耐药标志物识别、表型药敏检测、敏感/耐药分类及最低抑菌浓度（MIC）预测等不同任务。耐药标志物检测可提示潜在耐药机制，但受基因表达及基因型—表型不一致影响，不能完全替代表型药敏试验。表型AST需将细菌暴露于特定抗菌药物，通过比较用药组与对照组在生长、形态、代谢、光谱或电学响应上的差异完成判断。其中，敏感/耐药分类属于类别型终点，而MIC预测则需基于药物浓度梯度或与标准MIC建立定量关系。因此，本节将菌种鉴定、耐药标志物识别、S/R分类和MIC预测分别评价，避免将病原体识别性能等同于耐药性诊断性能。

分类与定量分析是完成特征提取与降维后实现细菌检测与识别的最后一步。为实现不同细菌种类的精准分类与对目标生物标志物或菌体浓度进行定量预测，该阶段通过对提取的特征信息进行建模从而满足实际检测中的定性与定量双重需求^[14]。在复杂样本和相似菌株识别场景中需要通过多模态数据融合提高模型的判别能力和鲁棒性。表 3总结了人工智能驱动多模态细菌检测中的主要数据融合策略、适用场景及关键挑战。

多模态融合在菌种或菌株鉴定方面主要用于提高相似菌株和复杂基质条件下的判别能力。单一的光谱数据在复杂的细菌检测场景中往往难以区分特征高度相似的菌株且缺乏生物学先验知识的引导会进一步限制模型的泛化性能。而Xu等人^[102]提出了一种名为BactoRamanBioNet的新型多模态神经网络架构（图 9）在细菌种类的鉴定中达到了98.2%的分类准确率与98.0%的F1值，显著优于ResNet-1D等纯数据驱动的深度学习模型以及SVM、随机森林等传统分类器。该研究证明将光谱特征与生物学知识或多模态信息进行融合，有助于提升模型对相似菌株的判别能力和复杂样本条件下的稳定性。

Su等人^[10]开发的多模态深度学习模型RaSizeNet显著优于单模态模型（SERSNet,82.23%）和传统多模态模型（MultiNet,92.81%），在九种代表性细菌的大规模数据集上实现了96.22%的平均准确率。该模型稳定的性能在不同浓度、流速及介质条件下均被展现深度学习模型有望克服单一模态信号在复杂样品中易受干扰、信息有限的局限。表型药敏检测与菌种鉴定不同的是需要分析抗菌药物暴露前后细菌生长、形态、代谢或电学特征的动态变化。为实现敏感/耐药分类，现有研究通常通过比较含药组与无药对照组的响应差异并为后续人工智能模型提取药物响应特征提供数据基础。Gopalakrishnan等人^[103]构建了一种基于碳丝网印刷电极的电化学微流控快速药敏检测装置，在3h孵育后即可检测低至84±6cells/mm²的固定细菌，检测限约为525个固定细菌，对应初始浓度约2×10⁴CFU/mL。研究以大肠杆菌和枯草芽孢杆菌为模型菌，评价了氨苄西林和四环素的抑菌作用，所得耐药结果与CLSI判定标准及纸片扩散法结果一致，并在大肠杆菌加标尿液样本中完成验证。尽管该研究尚未引入人工智能或多模态数据融合，但其建立的微流控阻抗药物响应检测流程为后续利用机器学习分析动态电学特征和开展快速表型AST提供了平台基础。在人工智能辅助MIC估计方面，Zagajewski等人^[104]构建了深度抗菌药物敏感性表型分析平台，通过DAPI和Nile Red双通道荧光成像分别表征大肠杆菌的核区和细胞膜形态，并利用Mask R-CNN和DenseNet121完成单细胞分割及敏感/耐药表型分类。在固定药物浓度条件下，该方法可区分具有不同环丙沙星敏感性的临床分离株；进一步通过在0.001-16mg/L的环丙沙星浓度梯度下分析敏感与耐药细胞比例，建立剂量—反应曲线，并以曲线拐点估计MIC。对于MIC为0.008mg/L和0.5mg/L的代表性分离株，预测拐点分别为0.011±0.001mg/L和0.49±0.18mg/L，药物孵育时间仅为30min。该研究表明，深度学习可将短时单细胞形态响应转化为MIC相关信息，但其依赖荧光染色，尚未集成微流控，且临床菌株和抗菌药物验证范围有限。

需要注意的是表 4所列研究的性能指标不宜直接横向比较，不同研究在检测对象、样本规模、数据单位、检测平台、数据划分方式及验证策略等方面存在明显差异。例如，部分研究以单条光谱或单幅图像作为数据单位，另一些研究则以独立菌株、临床样本或受试者为单位；不同研究还可能采用随机训练—测试划分、交叉验证、跨仪器验证或外部独立队列验证。因此，准确率、F1值、决定系数及定量误差等指标主要反映模型在各自实验条件下的内部性能且不能脱离具体数据集和验证设计进行直接横向比较。

表 4.

4. 挑战与展望

复杂样本前处理、微流控富集、多模态信号获取、智能数据融合及临床判读等多个环节共同构成了人工智能驱动的多模态无标记细菌检测体系。微流控器件、多模态检测原理、人工智能模型及临床转化等多层次挑战是制约发展的关键因素^[105]。

在微流控样本处理与器件工程方面，微流控芯片通道运行的稳定性被血液、痰液及食品匀浆中大量血细胞、蛋白质、脂质、黏液和组织碎片影响而降低^[106]。复杂流体黏度、离子强度和颗粒组成的变化会改变惯性力、介电泳力和声辐射力的作用条件，使实验室环境下优化的分离参数难以直接适用于真实临床样本。多层芯片封装、微通道批间一致性、泵阀管路连接及一次性卡匣设计限制了小型化和规模化制造。未来应重点发展抗污染表面、多级富集与缓冲液置换结构、并联高通量通道、低功耗驱动方式及标准化模块化芯片。

其次，多模态检测原理之间的差异也对硬件协同和信号可靠性提出挑战^[107]。SERS容易受到等离激元热点分布不均、增强基底批间差异和复杂样本背景峰的影响^[108]；光学成像的对比度、分辨率和对细菌生理状态的表征能力有限^[109]；电化学阻抗易受到溶液离子强度、pH、温度、电极污染及非特异性吸附影响^[110]。金属SERS基底、透明微流控材料和微电极阵列在器件结构与检测条件上可能相互制约，多模块集成还可能引起光学遮挡、电磁干扰、局部温升和信号串扰。因此，未来多模态检测平台可以通过构建共定位检测区域、引入内部参考信号、开展原位校准并统一不同模态的性能评价标准，从而提高跨模态数据的一致性和可比性。

再次，数据对齐和融合的挑战在于多模态检测平台产生的光谱、图像和电学数据在尺度、分布特征及物理响应机制方面存在明显差异。不同模态信号在时间和空间维度上可能不同步以及冗余信息、噪声和缺失模态还可能降低模型性能。人工智能模型本身也面临训练样本数量有限、不同仪器和芯片间数据分布漂移、模型泛化能力不足及决策过程缺乏可解释性等问题^[111]。未来应通过迁移学习、领域自适应、联邦学习和自监督学习缓解小样本及跨平台差异问题。注意力机制和Transformer等模型仍需结合可解释性分析明确各模态特征对菌种鉴定、耐药性预测和浓度定量的实际贡献从而避免模型仅依赖仪器噪声或样本来源差异完成分类。

从临床转化角度看，现有多模态微流控检测系统多数仍停留在实验室原理验证阶段且尚未形成成熟技术体系。未来平台应同时关注样本的结果时间、复杂基质适应性、假阳性率、细菌活性保持、操作便捷性及单次检测成本。具有临床转化潜力的系统应进一步发展为集“大体积样本预处理—高选择性细菌富集—多模态无标记表征—人工智能融合判读—临床决策支持”于一体的闭环式智能诊断平台。通过微流控器件、多模态传感原理与人工智能算法的协同优化有望实现耐药菌的快速识别、药敏分析和精准抗感染治疗^[15,106,112]。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Collaborators A R. Lancet, 2022, 399(10325):629.

[2]	Papamentzelopoulou M, Vrioni G, Pitiriga V. Antibiotics, 2025, 14(12): 1257.

[3]	Rolando J C, Melkonian A V, Walt D R. Annu. Rev. Anal. Chem., 2024, 17: 459.

[4]	Chakraborty S. Sens. Diagn., 2024, 3(4): 536.

[5]	Hou Y, Liu Z, Huang H N, Lou C M, Sun Z W, Liu X Y, Pang J B, Ge S G, Wang Z N, Zhou W J, Liu H. Adv. Funct. Mater., 2025, 35: 2411484.

[6]	Zhang K X, Qin S S, Wu S X, Liang Y, Li J H. Chem. Sci., 2020, 11(25): 6352.

[7]	Zhang J, Ma C L, Du Y P, Huang J B, Xue L. Front. Chem., 2025, 13: 1536928.

[8]	Boehm K M, Khosravi P, Vanguri R, Gao J J, Shah S P. Nat. Rev. Cancer, 2022, 22(2): 114.

[9]	Krones F, Marikkar U, Parsons G, Szmul A, Mahdi A. Inf. Fusion, 2025, 114: 102690.

[10]	Su G W, Yang W R, Liu G Z, Yang X L, Zhang J S, Wu B Y, Dang L P, Wei H Y, Wang Z Z. J. Hazard. Mater., 2026, 505: 141491.

[11]	Hussain M, He X, Wang C, Wang Y C, Wang J J, Chen M Y, Kang H Q, Yang N, Ni X Y, Li J Q, Zhou X P, Liu B. Biomicrofluidics, 2024, 18(3): 031505.

[12]	Wang S Y, Guan X T, Sun S Q. Sensors, 2025, 25(6): 1936.

[13]	Su G W, Liu G Z, Zhang J, Wang H Y, Wei H Y, Wang Z Z. Spectrochim. Acta Part A Mol. Biomol. Spectrosc., 2026, 345: 126809.

[14]	Park J, Kim Y W, Jeon H-J. Biosensors, 2024, 14:613.

[15]	Zhang D, Lv X F, Jiang H, Fan Y L, Liu K X, Wang H, Deng Y L. Sensors, 2025, 25(18): 5791.

[16]	Li F, Zhu M, Li Z M, Shen N T, Peng H, Li B, He J B. Talanta, 2024, 269: 125446.

[17]	Thomsen B L, Christensen J B, Rodenko O, Usenov I, Grønnemose R B, Andersen T E, Lassen M. Sci. Rep., 2022, 12: 16436.

[18]	Kalyan S, Torabi C, Khoo H, Sung H W, Choi S E, Wang W Z, Treutler B, Kim D, Hur S C. Micromachines, 2021, 12(3): 257.

[19]	Zhou X X, Pan X N, Liu J R, Wang H, Shen H X, Xu J F, Li M. Microchem. J., 2025, 216: 114691.

[20]	Li Y, Xu J, Yi X, Li X, Luo Y, Glidle A, Summersgill P, Allen S, Ryan T, Liu X. Nat. Commun., 2025, 17:283.

[21]	Potenza L, Kozon L, Drewniak L, Kaminski T S. Anal. Chem., 2024, 96(40): 15931.

[22]	Zhang T L, Cain A K, Semenec L, Pereira J V, Hosokawa Y, Yalikun Y, Li M. Sens. Actuators B Chem., 2023, 390: 133918.

[23]	Herrmann N, Neubauer P, Birkholz M. Biomicrofluidics, 2019, 13(6): 061501.

[24]	Rodriguez-Mateos P, Ngamsom B, Dyer C E, Iles A, Pamme N. Electrophoresis, 2021, 42(21-22): 2246.

[25]	Jiang D, Ni C, Tang W L, Huang D, Xiang N. Biomicrofluidics, 2021, 15(4): 041501.

[26]	Narayana Iyengar S, Kumar T, Mårtensson G, Russom A. Electrophoresis, 2021, 42(23): 2538.

[27]	Paiè P, Bragheri F, Di Carlo D, Osellame R. Microsyst. Nanoeng., 2017, 3: 17027.

[28]	Norouzy N, Zabihihesari A, Rezai P Y. Biomicrofluidics, 2024, 18(5): 054107.

[29]	Nam Y H, Lee S, Lee S K, Kim J H, Park J H. Sens. Actuators B Chem., 2024, 404: 135202.

[30]	Wu Z G, Willing B, Bjerketorp J, Jansson J K, Hjort K. Lab a Chip, 2009, 9(9): 1193.

[31]	Esan A, Vanholsbeeck F, Swift S, McGoverin C M. Biomicrofluidics, 2023, 17(4): 044104.

[32]	Lee C, Lee G Y, Joo H, Kim H, Kang J, Kim T H, Ha J, Kwon S, Choi J. Lab a Chip, 2025, 25(24): 6650.

[33]	Thomas D E, Kinskie K S, Brown K M, Flanagan L A, Davalos R V, Hyler A R. Micromachines, 2025, 16(2): 236.

[34]	Wang Q R, Kim H, Halvorsen T M, Chen S J, Hayes C S, Buie C R. Front. Bioeng. Biotechnol., 2023, 11: 991784.

[35]	Lee S H, Cha B, Yi H G, Kim J, Jeon J S, Park J. Sens. Actuators B Chem., 2024, 417: 136161.

[36]	Jóskowiak A, Nogueira C L, Costa S P, Cunha A P, Freitas P P, Carvalho C M. Microchim. Acta, 2023, 190(9): 356.

[37]	Zhang Y T, Cui Y H, Wu X, Liang G M, Chen H Y, Yang R Z, Li T, Song Y Z, Chen X L, Wei Z W. Anal. Chem., 2026, 98(13): 10141.

[38]	He Z Y, Xiong J Y, Shi Y, Pan T, Chen S B, Zhang X, Chen Y Z, Wang X X, Li B J, Xin H B. Light Sci. Appl., 2026, 15: 102.

[39]	Wang A, Liang S, Ni C, Jia Y, Wu K, Niu W, Huang S, Peng K, Wang C, Guo Y. Adv. Sci., 2025, 12:2501032.

[40]	Yang L J. Anal. Lett., 2012, 45(2-3): 187.

[41]	Jain K K. Expert Rev. Mol. Diagn., 2003, 3(2): 153.

[42]	Hu S, Ye J Y, Zhao Y, Zhu C L. Eur. Phys. J. Plus, 2022, 137(9): 1024.

[43]	Abubakar M U, Abdullahi S H, Xiong M Q, He B S. Microchim. Acta, 2025, 192(12): 808.

[44]	Shi H H, Wang Y Y, Zhang Z, Yu S, Huang X W, Pan D J, Wang Z X, Huang Q A, Zhu Z. Trac Trends Anal. Chem., 2023, 158: 116850.

[45]	Cai H, Wang D X, Zhao Y Q, Yang C H. Biosensors, 2026, 16(2): 104.

[46]	Zhang J, Fu Y T, Fong C Y, Hua H J, Li W, Khoo B L. Lab a Chip, 2025, 25(14): 3348.

[47]	Zhuo H S, He C H, Yang C F, Jiang X, Li F, Yang X L, Yang H, Yong T Y, Liu Z Y, Ma Y, Nie L, Liao G L, Shi T L. Commun. Eng., 2025, 4: 86.

[48]	Wen P, Yang F, Zhao H X, Xu Y, Li S B, Chen L. Anal. Chem., 2024, 96(4): 1454.

[49]	Safir F, Vu N, Tadesse L F, Firouzi K, Banaei N, Jeffrey S S, Saleh A A E, Khuri-Yakub B P T, Dionne J A. Nano Lett., 2023, 23(6): 2065.

[50]	Huo B Y, Xia L, Hu Y L, Li G K. Biosens. Bioelectron., 2024, 255: 116227.

[51]	Dervisevic E, Dervisevic M, Ang B, Carthew J, Tuck K L, Voelcker N H, Cadarso V J. Sens. Actuators B Chem., 2022, 359: 131522.

[52]	Qiang Y H, Dieujuste D, Liu J, Alvarez O, Du E. Biomed. Microdevices, 2023, 25(3): 23.

[53]	Islayem D, Arya S, Yasmeen N, Hallfors N, Ngoc H, Alkhatib S, Mela I, Anwar S, Truong V K, Pappa A M. Adv. Mater. Interfaces, 2025, 12(20): e00303.

[54]	Li W, Wang X R, Zhu M Z, Huang X, Umutoni P H, Chen T H, Lu J, Chen S C, Tan G M, Yan B P, Khoo B L. Talanta, 2025, 293: 128100.

[55]	Yu X D, University C A, Park S, University C A, Joung Y, University C A, Lu M D, University C A, Qi J, University C A, Choo J, University C A. Anal. Chem., 2025, 97(15): 8476.

[56]	Xiong S Y, Dong P T, Wang C X, Li X, Xiao D B, Wu X Z,. ACS Sens., 2026, 11(3): 2751.

[57]	Hu C M, University X N, Guan M, University X N, Mi F, University X N, Zhang S, University X N, Geng P F, University X N. ACS Sens., 2026, 11(3): 1794.

[58]	Jiang H, Zhang S H, Li B, Wu L. Foods, 2025, 14(8): 1393.

[59]	Tang X M, Jiang H, Wen R M, Xue D N, Zeng W, Han Y, Wu L. Trends Food Sci. Technol., 2024, 152: 104672.

[60]	Liu J Q, Huang X W, Zhang X N, Feng Y R, Yuan Z C, Gao S J, Li Z H, El-Mesery H S, Shi J Y, Zou X B. Anal. Methods, 2025, 17(16): 3083.

[61]	Wang C Y, Weng G J, Li J J, Zhu J, Zhao J W. Anal. Chim. Acta, 2024, 1296: 342291.

[62]	Bongurala A R, Save D, Virmani A, Kashyap R. Mayo Clinic Proc. Digit. Heal., 2024, 2(3): 342.

[63]	Taha B A, Ahmed N M, Talreja R K, Haider A J, Al Mashhadany Y, Al-Jubouri Q, Huddin A B, Mokhtar M H H, Rustagi S, Kaushik A, Chaudhary V, Arsad N. ACS Synth. Biol., 2024, 13(6): 1600.

[64]	Habibur M, Ara S A, Moshiur M, Hasan M M, Chandra D, Shahana M, Al A. Microb. Bioactives, 2024, 7:1-18.

[65]	Banicod R J S, Tabassum N, Jo D M, Javaid A, Kim Y M, Khan F. Biosensors, 2025, 15(10): 690.

[66]	Rahman M H, Sikder R, Tripathi M, Zahan M, Ye T, Gnimpieba Z E, Jasthi B K, Dalton A B, Gadhamshetty V. Chemosensors, 2024, 12(7): 140.

[67]	Khan H, Jan Z, Ullah I, Alwabli A, Alharbi F, Habib S, Islam M, Shin B J, Lee M Y, Koo J. Nanotechnol. Rev., 2024, 13: 20240056.

[68]	Baddal B, Taner F, Uzun Ozsahin D. Diagnostics, 2024, 14(5): 484.

[69]	Han Q Z, Wang H M, Wang J. Adv. Funct. Mater., 2024, 34(39): 2403122.

[70]	Lian S, Li X Q, Lv X F. ACS Appl. Mater. Interfaces, 2025, 17(7): 10193.

[71]	Kulkarni M B, Ayachit N H, Aminabhavi T M. Biosensors, 2022, 12(7): 543.

[72]	Das C, Mondal A, Bose A, Das B. Microfluid. Nanofluid., 2026, 30: 8.

[73]	Alhalaili B, Popescu I N, Rusanescu C O, Vidu R. Sustainability, 2022, 14(19): 12844.

[74]	Noor J, Chaudhry A, Batool S. Cureus, 2023, 15(5): e39634.

[75]	Liu Y C, Gao Y S, Niu R, Zhang Z Y, Lu G W, Hu H F, Liu T G, Cheng Z Z. Anal. Chim. Acta, 2024, 1332: 343376.

[76]	Yan C S. IScience, 2025, 28(7): 112759.

[77]	Mokari A, Guo S X, Bocklitz T. Molecules, 2023, 28(19): 6886.

[78]	Dayananda B, Owen S, Kolobaric A, Chapman J, Cozzolino D. Crit. Rev. Anal. Chem., 2024, 54(8): 2745.

[79]	Shin S K, Lee S J, Park J H. Sensors, 2025, 25(16): 5045.

[80]	Vulchi R T, Morgunov V, Junjuri R, Bocklitz T. Molecules, 2024, 29(19): 4748.

[81]	Hatim H A, Alyasseri Z A A, Jamil N. Artif. Intell. Rev., 2025, 58(10): 313.

[82]	Flanagan A R, Dalal D, Glavin F G. Chem. Rev., 2025, 125(13): 6130.

[83]	Cui J H, Chen X Y, Zhao Y P. Anal. Chem., 2025, 97(30): 16211.

[84]	Wang T, Yang Y J, Lu H R, Cui J H, Chen X Y, Ma P, Zhong W X, Zhao Y P. Analyst, 2025, 150(3): 460.

[85]	Zaki J K, Tomasik J, McCune J A, Bahn S, Lió P, Scherman O A. ACS Sens., 2025, 10(9): 6597.

[86]	Qi Y P, Hu D, Jiang Y C, Wu Z P, Zheng M, Chen E X, Liang Y, Sadi M A, Zhang K, Chen Y P. Adv. Opt. Mater., 2023, 11(14): 2203104.

[87]	Luo R H, Popp J, Bocklitz T. Analytica, 2022, 3(3): 287.

[88]	Beeram R, Vepa K R, Soma V R. Biosensors, 2023, 13(3): 328.

[89]	dos Santos D P, Sena M M, Almeida M R, Mazali I O, Olivieri A C, Villa J E L. Anal. Bioanal. Chem., 2023, 415(18): 3945.

[90]	Rebiai A, Hemmami H, Zeghoud S, Ben Seghir B, Kouadri I, Eddine L S, Elboughdiri N, Ghareba S, Ghernaout D, Abbas N. Comb. Chem. High Throughput Screen., 2022, 25(6): 945.

[91]	Kharbach M, Alaoui Mansouri M, Taabouz M, Yu H W. Foods, 2023, 12(14): 2753.

[92]	Zappi A, Marassi V, Giordani S, Kassouf N, Roda B, Zattoni A, Reschiglian P, Melucci D. Chemosensors, 2023, 11(1): 45.

[93]	Boateng D. Microchem. J., 2025, 209: 112692.

[94]	Wasilewski T, Kamysz W, Gębicki J. Biosensors, 2024, 14(7): 356.

[95]	Subburaj S, Liu C H, Xu T L. Chem. Commun., 2025, 61(94): 18464.

[96]	Oh M, Kim E, Lee J, Jeong I, Kim E, Paek J, Lee T, Kim D, An S H, Kim S, Lim J A, Park J U. Adv. Sens. Res., 2025, 4(7): e00028.

[97]	Ebrahimi F, Kumari A, Dellinger K. Adv. Sens. Res., 2025, 4(2): 2400155.

[98]	Qureshi R, Irfan M, Ali H, Khan A, Nittala A S, Ali S, Shah A, Gondal T M, Sadak F, Shah Z, Hadi M U, Khan S, Al-Tashi Q, Wu J, Bermak A, Alam T. IEEE Access, 2023, 11: 61600.

[99]	Li Q B, Chen S F. Appl. Spectrosc., 2025, 79(6): 883.

[100]

Cao H Y, Cheng J, Ma X, Liu S, Guo J H, Li D G. Biosens. Bioelectron., 2025, 276: 117245.

[101]

Teng G E, Wang Q Q, Cui X T, Wei K, Xiangli W T, Chen G Y. J. Raman Spectrosc., 2021, 52(4): 805.

[102]

Xu Y X, Song J Z, Zhang Z, Feng L, Yang Y L, Liang Y S, Guo Y. Sensors, 2026, 26(6): 1828.

[103]

Gopalakrishnan S, Mall D, Pushpavanam S, Karmakar R. Sci. Rep., 2025, 15: 5133.

[104]

Zagajewski A, Turner P, Feehily C, El Sayyed H, Andersson M, Barrett L, Oakley S, Stracy M, Crook D, Nellåker C, Stoesser N, Kapanidis A N. Commun. Biol., 2023, 6: 1164.

[105]

Zong Y S, Mac Aodha O, Hospedales T M. IEEE Trans. Pattern Anal. Mach. Intell., 2025, 47(7): 5299.

[106]

Hangloo S, Arora B. Neurocomputing, 2025, 649: 130827.

[107]

Pathak S, Bazazordeh S, Çamlıca B, Delcorte A, Tzouvadaki I. Front. Bioeng. Biotechnol., 2026, 13: 1715719.

[108]

Liu A C, Gao C Y, Xue J, Xie Y J, Miao X Y, Chen T X, Wu A G, Lin J. J. Mater. Chem. B, 2026, 14(10): 3071.

[109]

Tawade P, Mastrangeli M. ChemBioChem, 2024, 25(3): e202300560.

[110]

Pour S R S, Calabria D, Emamiamin A, Lazzarini E, Pace A, Guardigli M, Zangheri M, Mirasoli M. Chemosensors, 2023, 11(10): 546.

[111]

Liu C S, Fan H L, Kim M, Zhou T, Yang P Y, Zhao L D, Wang Y R, Che Z Y, Liu C W, Li B B, Zhu Y Z. Adv. Sci., 2026, 13(30): e22900.

[112]

Alden Jenish S, Karthik R, Suganthi K. Comput. Sci. Rev., 2026, 59: 100821.

[1]	Collaborators A R. Lancet, 2022, 399(10325):629.
[2]	Papamentzelopoulou M, Vrioni G, Pitiriga V. Antibiotics, 2025, 14(12): 1257.
[3]	Rolando J C, Melkonian A V, Walt D R. Annu. Rev. Anal. Chem., 2024, 17: 459.
[4]	Chakraborty S. Sens. Diagn., 2024, 3(4): 536.
[5]	Hou Y, Liu Z, Huang H N, Lou C M, Sun Z W, Liu X Y, Pang J B, Ge S G, Wang Z N, Zhou W J, Liu H. Adv. Funct. Mater., 2025, 35: 2411484.
[6]	Zhang K X, Qin S S, Wu S X, Liang Y, Li J H. Chem. Sci., 2020, 11(25): 6352.
[7]	Zhang J, Ma C L, Du Y P, Huang J B, Xue L. Front. Chem., 2025, 13: 1536928.
[8]	Boehm K M, Khosravi P, Vanguri R, Gao J J, Shah S P. Nat. Rev. Cancer, 2022, 22(2): 114.
[9]	Krones F, Marikkar U, Parsons G, Szmul A, Mahdi A. Inf. Fusion, 2025, 114: 102690.
[10]	Su G W, Yang W R, Liu G Z, Yang X L, Zhang J S, Wu B Y, Dang L P, Wei H Y, Wang Z Z. J. Hazard. Mater., 2026, 505: 141491.
[11]	Hussain M, He X, Wang C, Wang Y C, Wang J J, Chen M Y, Kang H Q, Yang N, Ni X Y, Li J Q, Zhou X P, Liu B. Biomicrofluidics, 2024, 18(3): 031505.
[12]	Wang S Y, Guan X T, Sun S Q. Sensors, 2025, 25(6): 1936.
[13]	Su G W, Liu G Z, Zhang J, Wang H Y, Wei H Y, Wang Z Z. Spectrochim. Acta Part A Mol. Biomol. Spectrosc., 2026, 345: 126809.
[14]	Park J, Kim Y W, Jeon H-J. Biosensors, 2024, 14:613.
[15]	Zhang D, Lv X F, Jiang H, Fan Y L, Liu K X, Wang H, Deng Y L. Sensors, 2025, 25(18): 5791.
[16]	Li F, Zhu M, Li Z M, Shen N T, Peng H, Li B, He J B. Talanta, 2024, 269: 125446.
[17]	Thomsen B L, Christensen J B, Rodenko O, Usenov I, Grønnemose R B, Andersen T E, Lassen M. Sci. Rep., 2022, 12: 16436.
[18]	Kalyan S, Torabi C, Khoo H, Sung H W, Choi S E, Wang W Z, Treutler B, Kim D, Hur S C. Micromachines, 2021, 12(3): 257.
[19]	Zhou X X, Pan X N, Liu J R, Wang H, Shen H X, Xu J F, Li M. Microchem. J., 2025, 216: 114691.
[20]	Li Y, Xu J, Yi X, Li X, Luo Y, Glidle A, Summersgill P, Allen S, Ryan T, Liu X. Nat. Commun., 2025, 17:283.
[21]	Potenza L, Kozon L, Drewniak L, Kaminski T S. Anal. Chem., 2024, 96(40): 15931.
[22]	Zhang T L, Cain A K, Semenec L, Pereira J V, Hosokawa Y, Yalikun Y, Li M. Sens. Actuators B Chem., 2023, 390: 133918.
[23]	Herrmann N, Neubauer P, Birkholz M. Biomicrofluidics, 2019, 13(6): 061501.
[24]	Rodriguez-Mateos P, Ngamsom B, Dyer C E, Iles A, Pamme N. Electrophoresis, 2021, 42(21-22): 2246.
[25]	Jiang D, Ni C, Tang W L, Huang D, Xiang N. Biomicrofluidics, 2021, 15(4): 041501.
[26]	Narayana Iyengar S, Kumar T, Mårtensson G, Russom A. Electrophoresis, 2021, 42(23): 2538.
[27]	Paiè P, Bragheri F, Di Carlo D, Osellame R. Microsyst. Nanoeng., 2017, 3: 17027.
[28]	Norouzy N, Zabihihesari A, Rezai P Y. Biomicrofluidics, 2024, 18(5): 054107.
[29]	Nam Y H, Lee S, Lee S K, Kim J H, Park J H. Sens. Actuators B Chem., 2024, 404: 135202.
[30]	Wu Z G, Willing B, Bjerketorp J, Jansson J K, Hjort K. Lab a Chip, 2009, 9(9): 1193.
[31]	Esan A, Vanholsbeeck F, Swift S, McGoverin C M. Biomicrofluidics, 2023, 17(4): 044104.
[32]	Lee C, Lee G Y, Joo H, Kim H, Kang J, Kim T H, Ha J, Kwon S, Choi J. Lab a Chip, 2025, 25(24): 6650.
[33]	Thomas D E, Kinskie K S, Brown K M, Flanagan L A, Davalos R V, Hyler A R. Micromachines, 2025, 16(2): 236.
[34]	Wang Q R, Kim H, Halvorsen T M, Chen S J, Hayes C S, Buie C R. Front. Bioeng. Biotechnol., 2023, 11: 991784.
[35]	Lee S H, Cha B, Yi H G, Kim J, Jeon J S, Park J. Sens. Actuators B Chem., 2024, 417: 136161.
[36]	Jóskowiak A, Nogueira C L, Costa S P, Cunha A P, Freitas P P, Carvalho C M. Microchim. Acta, 2023, 190(9): 356.
[37]	Zhang Y T, Cui Y H, Wu X, Liang G M, Chen H Y, Yang R Z, Li T, Song Y Z, Chen X L, Wei Z W. Anal. Chem., 2026, 98(13): 10141.
[38]	He Z Y, Xiong J Y, Shi Y, Pan T, Chen S B, Zhang X, Chen Y Z, Wang X X, Li B J, Xin H B. Light Sci. Appl., 2026, 15: 102.
[39]	Wang A, Liang S, Ni C, Jia Y, Wu K, Niu W, Huang S, Peng K, Wang C, Guo Y. Adv. Sci., 2025, 12:2501032.
[40]	Yang L J. Anal. Lett., 2012, 45(2-3): 187.
[41]	Jain K K. Expert Rev. Mol. Diagn., 2003, 3(2): 153.
[42]	Hu S, Ye J Y, Zhao Y, Zhu C L. Eur. Phys. J. Plus, 2022, 137(9): 1024.
[43]	Abubakar M U, Abdullahi S H, Xiong M Q, He B S. Microchim. Acta, 2025, 192(12): 808.
[44]	Shi H H, Wang Y Y, Zhang Z, Yu S, Huang X W, Pan D J, Wang Z X, Huang Q A, Zhu Z. Trac Trends Anal. Chem., 2023, 158: 116850.
[45]	Cai H, Wang D X, Zhao Y Q, Yang C H. Biosensors, 2026, 16(2): 104.
[46]	Zhang J, Fu Y T, Fong C Y, Hua H J, Li W, Khoo B L. Lab a Chip, 2025, 25(14): 3348.
[47]	Zhuo H S, He C H, Yang C F, Jiang X, Li F, Yang X L, Yang H, Yong T Y, Liu Z Y, Ma Y, Nie L, Liao G L, Shi T L. Commun. Eng., 2025, 4: 86.
[48]	Wen P, Yang F, Zhao H X, Xu Y, Li S B, Chen L. Anal. Chem., 2024, 96(4): 1454.
[49]	Safir F, Vu N, Tadesse L F, Firouzi K, Banaei N, Jeffrey S S, Saleh A A E, Khuri-Yakub B P T, Dionne J A. Nano Lett., 2023, 23(6): 2065.
[50]	Huo B Y, Xia L, Hu Y L, Li G K. Biosens. Bioelectron., 2024, 255: 116227.
[51]	Dervisevic E, Dervisevic M, Ang B, Carthew J, Tuck K L, Voelcker N H, Cadarso V J. Sens. Actuators B Chem., 2022, 359: 131522.
[52]	Qiang Y H, Dieujuste D, Liu J, Alvarez O, Du E. Biomed. Microdevices, 2023, 25(3): 23.
[53]	Islayem D, Arya S, Yasmeen N, Hallfors N, Ngoc H, Alkhatib S, Mela I, Anwar S, Truong V K, Pappa A M. Adv. Mater. Interfaces, 2025, 12(20): e00303.
[54]	Li W, Wang X R, Zhu M Z, Huang X, Umutoni P H, Chen T H, Lu J, Chen S C, Tan G M, Yan B P, Khoo B L. Talanta, 2025, 293: 128100.
[55]	Yu X D, University C A, Park S, University C A, Joung Y, University C A, Lu M D, University C A, Qi J, University C A, Choo J, University C A. Anal. Chem., 2025, 97(15): 8476.
[56]	Xiong S Y, Dong P T, Wang C X, Li X, Xiao D B, Wu X Z,. ACS Sens., 2026, 11(3): 2751.
[57]	Hu C M, University X N, Guan M, University X N, Mi F, University X N, Zhang S, University X N, Geng P F, University X N. ACS Sens., 2026, 11(3): 1794.
[58]	Jiang H, Zhang S H, Li B, Wu L. Foods, 2025, 14(8): 1393.
[59]	Tang X M, Jiang H, Wen R M, Xue D N, Zeng W, Han Y, Wu L. Trends Food Sci. Technol., 2024, 152: 104672.
[60]	Liu J Q, Huang X W, Zhang X N, Feng Y R, Yuan Z C, Gao S J, Li Z H, El-Mesery H S, Shi J Y, Zou X B. Anal. Methods, 2025, 17(16): 3083.
[61]	Wang C Y, Weng G J, Li J J, Zhu J, Zhao J W. Anal. Chim. Acta, 2024, 1296: 342291.
[62]	Bongurala A R, Save D, Virmani A, Kashyap R. Mayo Clinic Proc. Digit. Heal., 2024, 2(3): 342.
[63]	Taha B A, Ahmed N M, Talreja R K, Haider A J, Al Mashhadany Y, Al-Jubouri Q, Huddin A B, Mokhtar M H H, Rustagi S, Kaushik A, Chaudhary V, Arsad N. ACS Synth. Biol., 2024, 13(6): 1600.
[64]	Habibur M, Ara S A, Moshiur M, Hasan M M, Chandra D, Shahana M, Al A. Microb. Bioactives, 2024, 7:1-18.
[65]	Banicod R J S, Tabassum N, Jo D M, Javaid A, Kim Y M, Khan F. Biosensors, 2025, 15(10): 690.
[66]	Rahman M H, Sikder R, Tripathi M, Zahan M, Ye T, Gnimpieba Z E, Jasthi B K, Dalton A B, Gadhamshetty V. Chemosensors, 2024, 12(7): 140.
[67]	Khan H, Jan Z, Ullah I, Alwabli A, Alharbi F, Habib S, Islam M, Shin B J, Lee M Y, Koo J. Nanotechnol. Rev., 2024, 13: 20240056.
[68]	Baddal B, Taner F, Uzun Ozsahin D. Diagnostics, 2024, 14(5): 484.
[69]	Han Q Z, Wang H M, Wang J. Adv. Funct. Mater., 2024, 34(39): 2403122.
[70]	Lian S, Li X Q, Lv X F. ACS Appl. Mater. Interfaces, 2025, 17(7): 10193.
[71]	Kulkarni M B, Ayachit N H, Aminabhavi T M. Biosensors, 2022, 12(7): 543.
[72]	Das C, Mondal A, Bose A, Das B. Microfluid. Nanofluid., 2026, 30: 8.
[73]	Alhalaili B, Popescu I N, Rusanescu C O, Vidu R. Sustainability, 2022, 14(19): 12844.
[74]	Noor J, Chaudhry A, Batool S. Cureus, 2023, 15(5): e39634.
[75]	Liu Y C, Gao Y S, Niu R, Zhang Z Y, Lu G W, Hu H F, Liu T G, Cheng Z Z. Anal. Chim. Acta, 2024, 1332: 343376.
[76]	Yan C S. IScience, 2025, 28(7): 112759.
[77]	Mokari A, Guo S X, Bocklitz T. Molecules, 2023, 28(19): 6886.
[78]	Dayananda B, Owen S, Kolobaric A, Chapman J, Cozzolino D. Crit. Rev. Anal. Chem., 2024, 54(8): 2745.
[79]	Shin S K, Lee S J, Park J H. Sensors, 2025, 25(16): 5045.
[80]	Vulchi R T, Morgunov V, Junjuri R, Bocklitz T. Molecules, 2024, 29(19): 4748.
[81]	Hatim H A, Alyasseri Z A A, Jamil N. Artif. Intell. Rev., 2025, 58(10): 313.
[82]	Flanagan A R, Dalal D, Glavin F G. Chem. Rev., 2025, 125(13): 6130.
[83]	Cui J H, Chen X Y, Zhao Y P. Anal. Chem., 2025, 97(30): 16211.
[84]	Wang T, Yang Y J, Lu H R, Cui J H, Chen X Y, Ma P, Zhong W X, Zhao Y P. Analyst, 2025, 150(3): 460.
[85]	Zaki J K, Tomasik J, McCune J A, Bahn S, Lió P, Scherman O A. ACS Sens., 2025, 10(9): 6597.
[86]	Qi Y P, Hu D, Jiang Y C, Wu Z P, Zheng M, Chen E X, Liang Y, Sadi M A, Zhang K, Chen Y P. Adv. Opt. Mater., 2023, 11(14): 2203104.
[87]	Luo R H, Popp J, Bocklitz T. Analytica, 2022, 3(3): 287.
[88]	Beeram R, Vepa K R, Soma V R. Biosensors, 2023, 13(3): 328.
[89]	dos Santos D P, Sena M M, Almeida M R, Mazali I O, Olivieri A C, Villa J E L. Anal. Bioanal. Chem., 2023, 415(18): 3945.
[90]	Rebiai A, Hemmami H, Zeghoud S, Ben Seghir B, Kouadri I, Eddine L S, Elboughdiri N, Ghareba S, Ghernaout D, Abbas N. Comb. Chem. High Throughput Screen., 2022, 25(6): 945.
[91]	Kharbach M, Alaoui Mansouri M, Taabouz M, Yu H W. Foods, 2023, 12(14): 2753.
[92]	Zappi A, Marassi V, Giordani S, Kassouf N, Roda B, Zattoni A, Reschiglian P, Melucci D. Chemosensors, 2023, 11(1): 45.
[93]	Boateng D. Microchem. J., 2025, 209: 112692.
[94]	Wasilewski T, Kamysz W, Gębicki J. Biosensors, 2024, 14(7): 356.
[95]	Subburaj S, Liu C H, Xu T L. Chem. Commun., 2025, 61(94): 18464.
[96]	Oh M, Kim E, Lee J, Jeong I, Kim E, Paek J, Lee T, Kim D, An S H, Kim S, Lim J A, Park J U. Adv. Sens. Res., 2025, 4(7): e00028.
[97]	Ebrahimi F, Kumari A, Dellinger K. Adv. Sens. Res., 2025, 4(2): 2400155.
[98]	Qureshi R, Irfan M, Ali H, Khan A, Nittala A S, Ali S, Shah A, Gondal T M, Sadak F, Shah Z, Hadi M U, Khan S, Al-Tashi Q, Wu J, Bermak A, Alam T. IEEE Access, 2023, 11: 61600.
[99]	Li Q B, Chen S F. Appl. Spectrosc., 2025, 79(6): 883.
[100]	Cao H Y, Cheng J, Ma X, Liu S, Guo J H, Li D G. Biosens. Bioelectron., 2025, 276: 117245.
[101]	Teng G E, Wang Q Q, Cui X T, Wei K, Xiangli W T, Chen G Y. J. Raman Spectrosc., 2021, 52(4): 805.
[102]	Xu Y X, Song J Z, Zhang Z, Feng L, Yang Y L, Liang Y S, Guo Y. Sensors, 2026, 26(6): 1828.
[103]	Gopalakrishnan S, Mall D, Pushpavanam S, Karmakar R. Sci. Rep., 2025, 15: 5133.
[104]	Zagajewski A, Turner P, Feehily C, El Sayyed H, Andersson M, Barrett L, Oakley S, Stracy M, Crook D, Nellåker C, Stoesser N, Kapanidis A N. Commun. Biol., 2023, 6: 1164.
[105]	Zong Y S, Mac Aodha O, Hospedales T M. IEEE Trans. Pattern Anal. Mach. Intell., 2025, 47(7): 5299.
[106]	Hangloo S, Arora B. Neurocomputing, 2025, 649: 130827.
[107]	Pathak S, Bazazordeh S, Çamlıca B, Delcorte A, Tzouvadaki I. Front. Bioeng. Biotechnol., 2026, 13: 1715719.
[108]	Liu A C, Gao C Y, Xue J, Xie Y J, Miao X Y, Chen T X, Wu A G, Lin J. J. Mater. Chem. B, 2026, 14(10): 3071.
[109]	Tawade P, Mastrangeli M. ChemBioChem, 2024, 25(3): e202300560.
[110]	Pour S R S, Calabria D, Emamiamin A, Lazzarini E, Pace A, Guardigli M, Zangheri M, Mirasoli M. Chemosensors, 2023, 11(10): 546.
[111]	Liu C S, Fan H L, Kim M, Zhou T, Yang P Y, Zhao L D, Wang Y R, Che Z Y, Liu C W, Li B B, Zhu Y Z. Adv. Sci., 2026, 13(30): e22900.
[112]	Alden Jenish S, Karthik R, Suganthi K. Comput. Sci. Rev., 2026, 59: 100821.