肝细胞癌作为导致癌症相关死亡的第四大主因，因其早期症状隐匿，常常难以被及时察觉。AFP常被用作肝细胞癌诊断的生物标志物，然而部分确诊患者的AFP检测结果呈阴性，依赖AFP作为单一生物标志物，在疾病早期容易面临诊断灵敏度低的问题。近年来，外泌体成为肝细胞癌诊断的有力工具，因为外泌体能够调节肝细胞癌的组织微环境，刺激癌细胞增殖。拉曼光谱法和LC-MS可全面分析外泌体信息，但其产生的海量数据，给传统数据分析方法带来挑战。

随着人工智能发展，特别是大型语言模型（LLMs）取得的重大突破，众多研究人员尝试利用LLMs辅助疾病诊断。LLMs能理解患者症状和病史，依据综合医学知识给出诊断建议。但是目前LLMs没有针对外泌体诊断进行设计，也不能用于处理更专业的光谱数据。

复旦大学孔继烈、陈惠团队设计出ChatExosome，这是一款以LLMs为核心的交互式外泌体检测AI智能体。团队首先开发了特征融合Transformer（FFT）这一深度学习模型，帮助LLMs处理外泌体的拉曼光谱。接着运用检索增强生成（RAG）系统，结合精选的外泌体文献库，保证LLMs在外泌体疾病诊断问答的可靠性。LLMs作为ChatExosome的核心，能够识别用户意图，调用合适插件解决问题。相关工作以“ChatExosome: an artificial intelligence (AI) Agent based on Deep Learning of Exosomes Spectroscopy for Hepatocellular Carcinoma (HCC) Diagnosis”为题发表在Analytical Chemistry上。

图1 ChatExosome概览

ChatExosome的主要功能包括与外泌体相关的光谱数据分析以及回答有关外泌体的问题。当用户输入信息时，LLMs将识别用户的意图并确定任务的类型。然后，它将采用适当的插件来解决任务并与LLMs进行交互。最后，在理解插件返回的消息后，LLMs将产生最终的回复。

ChatExosome包含两大关键部分：一是对肝细胞癌外泌体的拉曼指纹图谱的深度学习。FFT是基于光谱块的一维自注意力机制和降采样设计的深度学习模型，在该工作中分析细胞来源外泌体和165个临床样本外泌体的拉曼光谱时，准确率分别达到95.8％和94.1％；二是基于LLMs的交互式智能体，通过检索增强生成（RAG）方法强化外泌体相关知识。

图2 基于特征融合Transformer的拉曼光谱分类模型架构

图3 ChatExosome的使用示例

ChatExosome提升了对外泌体进行光谱诊断的准确性，增强了分类结果的可解释性，使医生能够充分利用最前沿的医学学术研究成果，让AI技术优化医疗决策过程。这种以LLMs为中心的检测方法代表了临床诊断的新范式转移。

参考文献：

ChatExosome: An Artificial Intelligence (AI) Agent Based on Deep Learning of Exosomes Spectroscopy for Hepatocellular Carcinoma (HCC) Diagnosis, Anal Chem. 2025 Mar 4;97(8):4643-4652. doi: 10.1021/acs.analchem.4c06677. Epub 2025 Feb 11.

原文链接：https://doi.org/10.1021/acs.analchem.4c06677

外泌体资讯网 Anal Chem | 复旦大学孔继烈/陈惠团队：ChatExosome——外泌体AI智能体助力肝细胞癌光谱检测