这项研究提出了一种将表面增强拉曼光谱（SERS）与专门的深度学习算法SFNet相结合的综合方法，为COVID-19的诊断和病毒载量定量提供了一种快速、准确且无需标记的替代方案。采用二氧化硅包覆的银纳米棒阵列作为SERS基底，通过一种可靠且有效的斜角沉积技术制备。在SERS基底上直接收集了来自120个阳性和120个阴性灭活临床人鼻咽拭子样本的4800个SERS光谱，无需任何标记。SFNet算法经过特别设计，以适应SERS数据固有的独特光谱特性，实现了98.5%的测试准确率和99.04%的盲测试准确率。此外，经过优化的SFNet算法揭示了估计SARS-CoV-2病毒载量的能力，准确预测了三个关键基因片段的循环阈值值（Ct值），均方根误差（RMSE）为1.627（盲测试为1.3）。该方法使用实际临床样本验证，并在<15分钟内完成，从而加强了其在现实世界中的点对点应用能力。这种快速而精确且无需标记的模式与传统的逆转录实时聚合酶链反应（RT-PCR）竞争有利，并标志着基于SERS的传感器算法的进步。

文章链接：Advancing SERS Diagnostics in COVID‐19 with Rapid, Accurate, and Label‐Free Viral Load Monitoring in Clinical Specimens via SFNet Enhancement - Yang - Advanced Materials Interfaces - Wiley Online Library