Forskare vid Florida Atlantic University har kombinerat Raman-spektroskopi med maskininlärning för att snabbt identifiera hudcancer utan biopsi. Tekniken använder ett mobilt system med 785 nm laser och handhållen sond för att samla in nästan 1 000 spektrala mätningar från över 50 kliniska prover, inklusive basalcellscancer (BCC), skivepitelcancer (SCC) och normal hud.

Maskininlärningsalgoritmer som K-nearest neighbours och support vector machine nådde cirka 84 % korrekt klassificering. Support vector machine levererade 78,7 % känslighet och 88,6 % specificitet, medan ett grunt neuralt nätverk uppnådde 80,8 % noggrannhet och högst ROC-AUC på 0,91. Analysen visade starkare proteinsignaler i cancervävnad och högre lipidsignaler i normal vävnad.

Forskarna betonar att resultaten är preliminära men pekar mot en framtid där en snabb, icke-invasiv mätning kan stödja kliniska beslut och minska onödiga biopsier. Nästa steg är större studier, förbättrade modeller och djupare neurala nätverk för att höja diagnostisk precision och göra tekniken praktisk för klinisk användning.