通过物理引导的机器学习辅助光声相关谱分析，实现免费的快速骨骼生物标志物检测

《Ultrasonics》：Free rapid bone biomarkers assessment via physics-guided machine learning-assisted photoacoustic correlation spectra analysis

本研究提出结合光声关联谱（PCS）与物理指导机器学习（PI-PSO-SVR）的定量分析方法，用于解析骨组织中胶原蛋白、脂质、血红蛋白等代谢成分。通过数值模拟和实验验证，证实该方法能有效分离重叠的光吸收峰，实现骨代谢组分的精确定量检测，为非侵入性骨疾病诊断提供新途径。

　　

冯婷|刘佳怡|程东青|李婉婷|陶迪

复旦大学生物医学工程学院，中国上海200433

摘要

在医疗实践中，通过术中或非侵入性检查获取骨骼代谢信息仍然是一个挑战。光声（PA）光谱技术利用生物组织中分子的光学吸收特性差异来识别这些分子。然而，在分析骨骼组织时会出现困难，因为骨骼组织由复杂的有机和无机成分组成。骨骼组织中各种化学成分的光学吸收峰相互重叠，这会显著影响PA光谱解耦的准确性。在这项研究中，我们开发了一种解耦技术，将PA相关光谱（PCS）与物理指导的机器学习相结合，以定量分析骨骼组织的化学成分。通过数值模拟和对具有不同化学成分的骨骼模型的实验研究，评估了使用PCS和机器学习进行骨骼代谢分析的可行性。计算出的化学成分的定量参数与真实值非常吻合，从而能够表征骨骼成分的变化。这种非侵入性、无辐射的PA技术有望推动骨骼疾病的诊断和监测。

引言

骨质疏松症是最常见的骨骼代谢系统性疾病，其特征是骨密度降低和骨折风险增加。这种疾病主要影响中老年人群，尤其是绝经后的女性。虽然50岁以后的发病率急剧上升，但检测率仍然很低。检测率低主要是由于该疾病的发病机制和发展过程，其特点是骨骼代谢失衡，随后骨矿物质密度（BMD）下降。随着全球人口老龄化，骨质疏松症的影响预计将显著增加，从而带来沉重的经济负担[1]。

现有的骨质疏松症临床诊断技术依赖于双能X射线吸收测定法（DEXA）或超声波（US）来评估骨量。DEXA是诊断骨质疏松症的“金标准”[2]，[3]，而定量超声波（QUS）可以提供较低成本的骨矿物质含量评估[4]，[5]，[6]，[7]。然而，这些技术主要检测物理结构信息，如BMD，对骨骼代谢成分的变化提供的信息有限。骨骼健康取决于BMD和骨骼结构，以及包括胶原蛋白、脂质和血红蛋白在内的分子成分的代谢，这些都是骨骼健康的重要指标[8]，[9]。代谢变化伴随着物理和结构变化，例如骨髓中的胶原蛋白、脂质和血液融合。例如，不同人群的研究使用各种测量技术发现，骨髓脂肪水平升高与骨密度降低和椎体骨折发生率增加有关[9]，[10]，[11]。骨质疏松症导致的骨丢失是不可逆的，而小梁骨结构的破坏在晚期治疗中带来了重大挑战。在骨质疏松症的药物治疗方面，如双膦酸盐、激素疗法和雷尼替酸锶等选项需要长期投入，且效果不一[12]，[13]。因此，表征骨骼组织中的关键生物标志物对于早期发现骨质疏松症有益。

研究表明，光声（PA）技术可以用来获取骨骼代谢信息。然而，骨骼的多孔性质和复杂的化学成分以及各种化学成分强烈的光学吸收峰会导致“光谱重叠”，这显著影响PA光谱解耦的准确性[14]。先前的研究已经证明了使用PA检测方法评估生物体内的骨骼代谢信息的可行性。例如，Lashkari等人结合了超声波和PA技术来评估骨骼组织中的胶原蛋白和矿物质含量[15]。类似地，Gu等人使用光声傅里叶变换红外光谱测量皮质骨的矿物质含量，得到的骨谱与使用传统透射模式的纯光学检测方法得到的结果相当[16]。Steinberg等人使用PA检测进行体内骨质量评估，通过双波长PA分析成功量化了胫骨骨髓中的血液和脂肪比例[17]。同样，我们的团队和合作者利用热PA分析和PA功率谱方法检测骨质疏松症，通过定量分析骨骼微观结构和有机及无机成分的相对含量来评估骨质量[18]，[19]，[20]，[21]，[22]，[23]，[24]，[25]，[26]，[27]。Wood等人使用六种波长的非侵入性、无标记PA成像技术在白血病小鼠模型中局部评估股骨髓氧饱和度（SO₂）[28]。

越来越多的研究利用机器学习的非线性计算优势来解决PA光谱解耦的挑战[29]，[30]，[31]，[32]。值得注意的是，PA光谱的一个关键挑战是高质量训练数据的稀缺，这影响了基于深度学习的分析方法的性能。除了这个数据相关的问题外，传统的PA光谱技术通常需要尽可能多的光学波长带来解析多种组织成分的信息。此外，用于骨骼组织评估的最佳有效光学波长带尚未完全确定。多波段测量不仅增加了硬件成本，还提高了计算复杂性，这对快速检测和分析以及微型化发展不利。

为了解决PA光谱解耦在骨骼评估中的挑战，本研究提出将PA相关光谱（PCS）与物理指导的机器学习相结合，以增强骨骼代谢的定量评估——具体针对骨骼组织中的关键代谢成分：胶原蛋白（骨骼基质的主要有机成分）、脂质、氧合血红蛋白（HbO₂）、脱氧血红蛋白（Hb）和水。通过数值模拟和实验，我们研究了这种方法的可行性。首先，利用基于PA光谱和皮尔逊相关系数的PCS识别与骨骼代谢变化高度相关的特征波长。为了获得骨骼组织中各种化学成分的定量结果，使用了物理信息引导的粒子群优化引导的支持向量回归（PI-PSO-SVR）模型。

部分内容摘录

PA光谱

从PA原理的角度来看，由于后续模拟中使用的骨骼组织切片较薄，可以忽略光衰减因素。因此，光声换能器接收到的信号幅度可以表示为以下公式[27]：$p\left(t，\lambda \right)\Gamma ?{\mu }_{}\left(\lambda \right)·F_0?e^{-\alpha ?ct}，$$\Gamma =\frac{\beta ?c^2}{C_{}}$，其中$\Gamma$表示Grüneisen参数，$\beta$表示体积膨胀系数，$c$表示组织内的声速，C表示比热容

快速数值模拟

在这项研究中，我们使用了基于CUDA加速的MATLAB k-Wave（CUDA 10.1）的快速模拟平台来模拟PA骨骼组织。数值模拟重点关注骨骼组织中的几种主要光吸收物质，包括胶原蛋白、脂质、氧合血红蛋白（HbO₂）、脱氧血红蛋白（Hb）和水。我们使用具有不同骨含量的骨骼标本进行PA模拟，以获得具有不同成分梯度的骨骼组织样本。

方法和材料

本研究中使用的实验装置是由FUJIFILM公司（Vevo F2 LAZR-X；FUJIFILM Visual Sonics Inc.，加拿大多伦多）制造的PA成像平台，如图7(a)所示。该系统包括一个成像室、一个由Nd:YAG激光器（Continuum Electro-Optics, Inc.，美国）泵浦的光学参量振荡器（OPO）激光系统和一个主控制台。该系统的全谱扫描模式可以捕获680–970?nm波长范围内的PA信号。

结论与讨论

PA光谱利用光吸收的差异来识别生物组织中的分子。然而，检测过程容易受到不同化学成分的光学吸收峰重叠的干扰，尤其是在同时含有有机和无机成分的骨骼组织中。为了准确确定骨骼组织中化学成分的相对含量，本研究探讨了将PCS与物理指导的机器学习相结合的可行性。

[33]。

CRediT作者贡献声明

冯婷：撰写——审稿与编辑，撰写——初稿，可视化，验证，监督，软件，资源，项目管理，方法论，研究，资金获取，正式分析，数据管理，概念化。刘佳怡：撰写——初稿，可视化，验证，软件，资源，方法论，正式分析，数据管理。程东青：数据管理。李婉婷：数据管理。陶迪：撰写——审稿与编辑，方法论，

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

本研究由国家自然科学基金（项目编号12374432）资助。