激光诱导击穿光谱（LIBS）是一种适用于多种分析的高效技术。该技术涉及将高功率、短时间的激光脉冲聚焦在待测材料表面[1]。当激光功率超过击穿阈值时，会发生光学击穿，产生高度电离的气体（等离子体）。
等离子体冷却后，会释放出其组成粒子（原子、离子和分子）的特征发射峰。只要假设等离子体真实反映了样品的原始成分，就可以通过分析光谱特征来确定样品中含有的元素[2]、[3]。由于几乎不需要样品预处理、数据采集速度快以及对广泛元素具有高灵敏度，LIBS在生物医学研究中受到了越来越多的关注。它已被广泛用于分析生物材料，并被用来研究细菌以及骨骼、牙齿、头发和指甲等硬质和角质化组织，显示出其广泛的诊断潜力[4]、[5]。慢性肾病是一种肾脏功能逐渐下降的疾病，会逐渐降低肾脏清除代谢废物以及调节体液和电解质平衡的能力。有效的疾病管理依赖于早期和正确的CKD分期，这通常通过常规的实验室临床检查来确定[6]。
临床上，当出现肾脏损伤或肾功能下降的证据时，即可诊断出这种疾病。这种功能下降具体表现为肾小球滤过率（GFR）低于每1.73平方米60毫升/分钟，并持续三个月或更长时间[7]。根据流行病学研究，全球约有10%的人口患有CKD，目前已有超过8亿人被诊断出患有此病，且这一数字每年都在增长，预计到2040年该疾病将成为全球主要的死亡原因，因此迫切需要采用更好的诊断方法[8]。尽管CKD的确切原因尚不清楚，但糖尿病、高血压、心血管疾病、肾小球肾炎、老年和肥胖等几个因素被认为是主要的风险因素[9]、[10]、[11]、[12]。
头发、骨骼、牙齿和指甲等生物组织含有长期的生理和代谢标志物，分析这些基质中的微量和有毒金属含量可以通过元素分析提供有力的健康评估方法[13]。已知肾脏功能障碍和钙化组织的变化与高钙尿症、骨质疏松症和骨矿物质密度降低密切相关[14]。
肾脏通过调节血液中的钙、磷、铁等重要矿物质来维持矿物质平衡，这对钙化和角质化组织的结构完整性至关重要。异常的矿物质积累和元素失衡可能是由肾脏功能障碍引起的，这通常与激素失衡有关，进而影响头发和指甲等生物组织。
目前，流行病学和生物医学科学家已经定义了许多基于组织的生物标志物，这些标志物可以指示由慢性疾病引起的长期代谢和病理变化。与其他标准临床指标一样，指甲也有潜力作为元素生物标志物，因为它们能够捕获累积的生化数据，并反映与CKD相关的系统性矿物质失衡。指甲样本的优点在于采集无创、化学稳定性高，且可在室温下储存，这使它们非常适合大规模健康研究、疾病监测，特别是在资源有限的环境中。指甲的生化和元素复杂性提供了关于生理和病理过程的重要信息，因为其分层的角蛋白结构记录了指甲形成过程中的生物过程[15]。典型的诊断技术如原子吸收光谱（AAS）、电感耦合等离子体质谱/光学发射光谱（ICP-MS/OES）和傅里叶变换红外（FTIR）光谱是最常用的分析指甲元素组成和研究疾病相关变化的方法[16]、[17]、[18]、[19]。
尽管这些方法具有分析精度高，但通常需要大量的样品预处理、较高的操作成本和较长的分析时间。相比之下，LIBS提供了一种快速、经济实惠的替代方法，几乎不需要或完全不需要样品预处理，使其适用于实际疾病诊断[20]、[21]。
通常，直接比较健康指甲样本和CKD受影响指甲样本的LIBS光谱并不容易，因为光谱波动微妙且重叠。因此，可靠的区分需要先进的数据驱动分析，而不仅仅是定性的光谱检查。解决这些问题的关键在于结合机器学习。人工智能领域的最新进展，特别是所谓的集成学习和其他机器学习模型，大大提高了光谱方法在复杂生物医学分类任务中的诊断能力[22]、[23]、[24]、[25]、[26]、[27]。分析后，数据的全谱通过统计模型根据峰值强度的变化进行分类。
最近的研究探索了这种整合方法；例如，衰减全反射-傅里叶变换红外（ATR-FTIR）光谱与PCA和PLS-DA结合用于血清基CKD检测[28]，而尿表面增强拉曼光谱（SERS）与PCA-SVM结合用于研究常染色体显性多囊肾病（ADPKD）的进展，从而实现了交叉验证的准确性[29]。同样，一项关于肾脏组织的拉曼光谱与SVM/随机森林算法结合的临床前概念研究在小鼠模型中显示出了糖尿病肾病的早期识别的高准确性[30]，而类似的结合使用自定义双分支注意力网络（DBAN）也成功用于通过血清分析诊断糖尿病肾病[31]。这些有用的整合方法强调了将先进算法与光谱学结合的机会。然而，尽管有这些发展，将LIBS与集成学习结合用于CKD分类（特别是使用指甲生物标志物）的研究尚未系统地进行。当前的研究通过使用指甲和集成机器学习的无创LIBS诊断模型填补了这一空白。
本文提出了一种无创诊断系统，通过分析指甲的独特LIBS光谱模式来区分CKD患者和健康个体。为了捕捉疾病相关的细微光谱差异，采用了多变量统计学习方法，以确保分类结果基于数据、客观且可重复。指甲采集和储存的简便性使其成为实际应用和患者友好型诊断的理想选择。首先进行PCA提取特征，然后应用XGBoost集成学习分类器来有效识别收集到的指甲LIBS光谱之间的差异。所提出的框架通过使用支持向量机（SVM）模型进行交叉验证进行了系统性的基准测试，并通过独立的外部数据集进一步验证了其鲁棒性和泛化能力。指甲LIBS与集成算法的结合提供了一种新的无创CKD筛查方法。总体而言，本研究证明了将基于指甲的LIBS与集成学习结合的有效性，有助于开发无创、数据驱动的光谱诊断框架，符合对先进分析技术在生物医学和临床应用中日益增长的重视。
