综述：人工智能驱动的食品中微塑料检测：来源、健康风险、检测技术与新兴人工智能解决方案的综合评述

这篇综述系统评述了食品中微塑料(MPs)污染的全球现状，重点对比了光学检测、热分析等传统方法与傅里叶变换红外光谱(FTIR)、拉曼光谱等现代技术的优劣，创新性提出人工智能(AI)通过机器学习(ML)和深度学习(DL)在提升检测效率、准确性和规模化应用方面的突破性潜力，为构建食品安全监测体系提供了前沿视角。

　　

微塑料污染的全球挑战
环境中的塑料经降解形成小于5 mm的微塑料(MPs)，随着全球塑料产量预计在2060年突破21亿吨，其通过食物链进入人体的风险急剧上升。研究显示，MPs已存在于母乳、胎盘和血液中，主要聚合物成分为聚丙烯(PP,32%)、聚对苯二甲酸乙二醇酯(PET,25%)、聚苯乙烯(PS,22%)和聚乙烯(PE,21%)。

健康威胁的多维图谱
MPs通过食品包装、饮用水和海鲜等途径侵入人体，作为有毒物质载体可引发炎症、免疫反应和细胞损伤。聚丙烯导致窒息，聚碳酸酯(PC)引发心血管损伤，聚氯乙烯(PVC)具有致癌性。这些直径低至0.1μm的颗粒通过肠道吸收后，可迁移至淋巴系统和器官。

检测技术的革新之路
传统方法中，光学检测依赖肉眼观察>500μm颗粒，扫描电镜(SEM)虽能获得>0.5 nm分辨率图像但样本制备复杂。现代技术如FTIR通过分子振动光谱识别聚合物，拉曼光谱利用光子散射建立"化学指纹"，热裂解-气相色谱质谱(PY-GC-MS)则实现分子级定量。

人工智能的破局之力
AI技术通过卷积神经网络(CNN)处理显微图像，支持向量机(SVM)分析高光谱数据，随机森林(RF)算法解析FTIR光谱。案例显示，基于64,000个拉曼光谱数据的深度学习模型对PP/PE识别准确率达98%，便携式AI-FTIR系统可实现现场快速检测。

技术对比的范式转移
与传统方法相比，AI将检测时间从数小时缩短至分钟级，错误率降低80%。但面临高质量标注数据缺乏的挑战，如食品基质复杂性导致模型泛化能力受限。区块链技术与AI的结合，为供应链污染溯源提供了创新解决方案。

未来发展的关键路径
需要建立跨学科协作平台，开发适应纳米级MPs的量子计算算法，同时优化低成本传感器网络。正如研究者所言："AI不是替代而是增强传统检测的‘智能放大器’"，这种协同效应将重塑食品安全防御体系。