摘要目的 应用傅里叶变换红外光谱(FTIR)对胰腺癌患者血清进行分析,探究与胰腺癌相关的特征性光谱参数,并评价其潜在的临床诊断价值.方法 选取 2022 年 8 月～2023 年 7 月在上海健康医学院附属崇明医院收治的 100 例胰腺癌患者和同期 92 例健康志愿者的血清样本,这些样本进行了FTIR分析和主成分分析(PCA)来评估两个队列之间的光谱差异.利用机器学习技术:支持向量机(SVM)、k-近邻(kNN)和线性判别分析(LDA)作为分类方法,进一步评估血清光谱在区分胰腺癌患者和健康个体方面的诊断潜力.采用受试者工作特征(ROC)曲线评估不同阈值下的诊断效果.结果 与健康组相比,胰腺癌患者血清中 1 090～1 070 cm-1(1 076.537±15.183 cm-1 vs 1 081.061±4.043 cm-1),1 420～1 380 cm-1(1 399.958±1.508 cm-1 vs 1 400.500±1.782 cm-1),2 990～2 950 cm-1(2 940.167±15.287 cm-1 vs 2 945.124±7.498 cm-1)和3 500～3 000 cm-1(3 293.155±3.096 cm-1 vs 3 294.893±2.582 cm-1)范围内的峰值位置出现蓝移,差异具有统计学意义(t=2.265～4.236,均P<0.05),表明蛋白质、脂质和核酸的结构发生改变.在1 700～1 600 cm-1(0.918±0.012 cm-1 vs 0.858±0.021 cm-1)和3 500～3 000 cm-1(0.766±0.096 cm-1 vs 0.804±0.090 cm-1)的光谱范围内,胰腺癌患者组和健康组之间的吸光度差异具有统计学意义(t=-24.031,2.830,均P<0.05),表明蛋白质浓度发生变化.PCA结果显示,PC2 轴明显分离,可区分胰腺癌患者的血清样本.利用机器学习模型区分胰腺癌患者与健康对照组的血清光谱,LDA分类方法的敏感度、特异度和准确度分别为 93.2%,97.3%,95.8%.根据ROC分析,确定的曲线下面积(AUC)为 0.982.结论 血清光谱采用FTIR,结合PCA和机器学习模型,为胰腺癌的检测提供了一种直接、微创和可靠的诊断方法.