编辑推荐：
当前象牙鉴别技术昂贵且具破坏性，为解决此问题，研究人员开展利用拉曼光谱数据和深度神经网络（DNN）模型鉴别象牙的研究。结果显示该方法准确率高达 99.7%，还可在无大量训练数据下实现 92% 的准确率，有助于打击非法象牙贸易。
在广袤的地球上，大象曾是陆地的巨无霸，自由漫步在草原和森林。然而，象牙的珍贵却给它们带来了灭顶之灾。全球象牙贸易成为大象数量锐减的重要因素，现存的非洲草原象（Loxodonta africana）、非洲森林象（Loxodonta cyclotis）和亚洲象（Elephas maximus）都面临着严峻的生存挑战。虽然国际上禁止了对现存大象象牙的贸易，但随着全球气候变暖，西伯利亚永久冻土层加速融化，猛犸象象牙大量现世，其贸易日益猖獗，且与非法象牙贸易相互交织，执法部门难以区分象牙来源的合法性。
传统的象牙鉴别技术，如 DNA 分析和放射性碳测年，成本高昂且具有破坏性，不仅需要花费大量资金，还得破坏部分样本才能获取结果，整个流程耗时久，从样本采集到最终报告出炉，往往需要数周甚至数月，难以满足实际执法需求。在此背景下，研究人员迫切需要一种高效、准确且无损的象牙鉴别方法。
兰卡斯特大学（Lancaster University）的研究人员承担起了这项艰巨的任务。他们开展了利用拉曼光谱数据和深度神经网络（DNN）模型鉴别象牙的研究，通过从无机矿物的拉曼光谱数据预训练模型进行迁移学习（TL），将其应用于生物象牙样本的分类。
研究结果令人振奋。他们提出的方法在鉴别不同大象物种的象牙时，准确率高达 99.7%，远高于此前使用的主成分分析（PCA）结合线性判别分析（LDA）的 96.2%。即使不使用象牙数据进行微调，仅利用在无机矿物数据集（如 MLROD）上预训练的 DNN 模型，准确率也能达到 92%。这意味着在缺乏大量象牙样本训练数据的情况下，依然能够实现较为准确的鉴别。该研究成果发表在《Scientific Reports》上，为打击非法象牙贸易提供了有力的技术支持。
研究人员主要运用了以下关键技术方法：一是拉曼光谱技术，它通过测量激光与物质相互作用时散射光的能量变化，产生物质特定的光谱 “指纹”，从而分析象牙中的生化成分；二是深度神经网络（DNN），采用卷积神经网络（CNN）架构进行特征提取和分类，结合不同的聚类方法识别原型；三是迁移学习（TL），借助在大规模无机矿物光谱数据集上预训练的模型，减少训练时间和对大量象牙数据的依赖。
研究结果
- 数据：收集了来自亚洲象、非洲象、猛犸象等不同物种的 38 个象牙样本，共获得 822 个拉曼光谱数据。同时使用包含约 50 万个光谱的无机矿物数据集（MLROD）作为对比和预训练数据。
- 实验设置：在配备 32GB 内存和 NVIDIA GeForce RTX 3080 GPU 的笔记本电脑上进行实验。分别设置了 DL 基线、PCA/LDA 基线，并对数据进行了降维、归一化等预处理。
- 实验结果：与传统的 PCA/LDA 方法相比，该研究提出的方法准确性更高。在不同的实验设置下，如 IDEAL/k - means 和 xDNN/ADP 等方法，都能获得良好的性能表现。即使不进行微调，模型也能在鉴别未知象牙样本上发挥作用。
研究结论和讨论
这项研究首次证明了利用迁移学习从无机材料数据训练的模型可用于生物象牙样本分类，为象牙鉴别提供了高效准确的方法。该方法不仅能快速准确地区分不同物种的象牙，帮助执法部门及时发现非法象牙，还能在缺乏样本来源信息时，对未知象牙的来源进行可靠预测。同时，基于原型的模型和可视化技术，让研究人员能够深入分析决策过程，了解不同大象物种象牙的生化差异。这一成果对打击非法象牙贸易、保护野生大象种群具有重要意义，也为其他生物样本的鉴别和相关领域的研究开辟了新的思路，有望在未来得到更广泛的应用和拓展。
