RA是一种系统性自身免疫性疾病，具有多种临床表现，包括对称性关节疼痛、肿胀和关节侵蚀。如不及时治疗可导致关节破坏和功能受限，严重时会造成终身残疾甚至死亡。研究显示早期诊断是改善患者预后的关键。因此，建立了一种快速、精准的可以用于疾病快速诊断的方法，对实现疾病的早期诊断及改善患者预后具有重要临床意义。

本研究基于增强拉曼光谱结合机器学习模型实现无侵入性、快速、准确的区分RA以及健康对照组。实验中收集了90份血清样本，每组各50例。利用机器学习算法建立了RA诊断模型。

本研究建立了基于AgNCs的SERS衬底，获取了RA组合健康对照组血清样本在500—2000cm-1范围内的拉曼光谱（图1-4）。结果显示RA组与HC组的光谱曲线波形相似，主要区别在于曲线波动的幅度。RA组和HC血清样本的平均RS光谱比较显示两组血清拉曼光谱的特征峰主要不同在1002cm-1、1155cm-1、1209cm-1、1330cm-1、1444cm-1、1517cm-1、1586cm-1、1637cm-1，分别代表是苯丙氨酸、类胡萝卜素、色氨酸、磷酸盐类、胆固醇、β-胡萝卜素、羟脯氨酸、酰胺 I ，表1-2列出了这些主要拉曼特征峰所对应的生物标记物。同时利用机器学习算法建立了了RA诊断模型。随后本研究利用SVM、KNN、CNN、SNMNet和AlexNet五个模型结合差异波峰建立了RA诊断模型，对比了五种模型（SVM、KNN、CNN、SNMNet和AlexNet）的分类性能，具体指标包括准确度、敏感性、特异性和AUC。结果显示SNMNet在敏感性、特异性、精确度以及准确度方面均达到了最佳分类效果，具体数值分别为85.00%、88.78%、80.38%，AUC为0.89。

本研究创新性建立一种基于银纳米立方的SERS技术，同时基于五种ML算法建立的RA诊断模型，其中SNMNet模型表现最优，敏感性、特异性、精确度以及准确度方面均达到了最佳分类效果，具体数值分别为85.00%、88.78%、80.38%，AUC为0.89，通过该模型实现了对RA的快速、低成本诊断。表明SERS可能是研究风湿性疾病有前途的工具。