《Journal of Food Composition and Analysis》：MDBTabNet: An enhanced tabnet with feature enhancement and biological consistency for intelligent abalone plumpness classification
编辑推荐：
研究人员构建了鲍鱼肥满度多源数据集（Abalone Plumpness Multi-source Dataset，APMD）。提出了具有特征增强与动态交互能力的增强型TabNet模型，命名为MDBTabNet。引入辅助湿重回归分支作为轻度正则化项，以提升模型预
研究人员构建了鲍鱼肥满度多源数据集（Abalone Plumpness Multi-source Dataset，APMD）。提出了具有特征增强与动态交互能力的增强型TabNet模型，命名为MDBTabNet。引入辅助湿重回归分支作为轻度正则化项，以提升模型预测的稳定性。
鲍鱼作为高价值经济贝类，其肥满度是品质评估与遗传育种中的关键表型性状，传统人工测定方法存在效率低、主观性强且对个体造成应激干扰等局限，因此亟需发展非侵入式、低成本、自动化的智能评估手段。然而，现有公开数据集并非针对肥满度评定设计，原始TabNet模型难以有效提取与肥满度密切相关的显式几何特征，其注意力机制对局部特征间的细粒度非线性交互关系建模不足，且纯数据驱动方法可能产出与生物学基本规律相悖的预测结果。针对上述问题，研究人员提出一种两阶段“分割-分类”分析策略，开展了以下研究：
在第一阶段，研究人员构建了鲍鱼肥满度多源数据集（APMD）。该数据集包含883幅覆盖背面、正面与生殖腺视图的高清图像，采用Segment Anything Model（SAM）进行实例分割以提取形态几何特征，并与养殖场实测生物学指标进行对齐融合，形成兼具形态学信息与生理指标的结构化数据集，为肥满度分类提供了多源融合的数据基础。在第二阶段，研究人员提出改进的MDBTabNet模型。该模型设计了特征增强模块，集成了形态特征增强（Morphological Feature Enhancement，MFE）与动态特征交互（Dynamic Feature Interaction，DFI）。MFE通过显式几何计算层将基础形态测量转化为圆度（circularity）与纵横比（aspect ratio）等高阶形状描述符，以增强关键几何信息的提取；DFI则通过多头自注意力机制与局部卷积操作并行建模特征间的全局依赖与局部邻域交互，提升模型对复杂非线性关系的表征能力。此外，研究人员引入具有生物一致性的辅助回归分支，从学习到的特征表示中预测鲍鱼湿重，以多任务学习目标嵌入领域知识。该辅助任务促使特征表示保持对生物物理测量的预测能力，提供一种轻度正则化效应，在不施加硬物理约束的前提下增强预测稳定性。实验采用分层5折交叉验证，并与逻辑回归、随机森林、XGBoost、支持向量机、多层感知机及原始TabNet等基线模型进行系统比较。
在技术方法层面，研究人员运用SAM模型对多视角鲍鱼图像进行自动实例分割，基于所得掩膜计算周长、面积、最大直径、曲率与边缘复杂度等形态几何特征，并与湿重、可食重等实测生物学指标融合，构建299条有效个体记录的APMD数据集。该数据集原始图像采集自养殖场，由Canon EOS 5D Mark IV相机拍摄，分辨率为4480×6720像素。所提出的MDBTabNet模型以16维形态测量特征及性别特征作为输入，MFE模块额外计算圆度与纵横比两个衍生特征，DFI模块采用多头自注意力与特征乘积交互的双分支结构，BC分支以湿重为回归目标施加辅助监督。实验采用分层5折交叉验证进行评估，评价指标包括准确率、精确率、F1分数与AUC。
研究结果部分，分割基准实验表明，SAM在整体Dice系数（0.8605）与IoU（0.7821）上优于U-Net（0.7704与0.7040），尤其对生殖腺视图的分割优势显著，尽管其参数规模与计算开销较大，但本研究在精度优先场景下选用SAM作为分割模型。分类实验结果显示，MDBTabNet取得了最高的准确率（0.7257）、F1分数（0.6702）与AUC（0.7842），其F1分数的交叉验证标准差（0.0350）为所有模型中最低，表明模型具有最佳的跨折预测稳定性，验证了MFE、DFI与BC三个模块的增量贡献。消融实验进一步表明，MFE是贡献最大的单一组件，显式形态特征表示（圆度与纵横比）能够捕捉原始面积和周长等数值无法线性恢复的形状规律；DFI主要提升阈值依赖型指标（准确率与F1）而非排序型指标（AUC）；BC分支作为轻度正则化机制，主要作用于AUC而非准确率，且各模块之间存在协同效应。可视化分析揭示了肥满度类别间圆度与纵横比分布存在差异但伴有重叠，且DFI模块捕获的特征交互模式与已知形态学规律一致，包括不同体区间的整体尺寸协同变化及同区域形状描述符间的关联。失败案例分析显示，模型错误主要集中在肉产量接近0.5判别阈值的边界样本，0.45–0.55区间贡献了全部错误的95.1%，且错误预测的置信度较高，表明仅凭当前形态特征集难以实现对边界样本的可靠判别。
在讨论部分，超参数敏感性分析表明MDBTabNet对dropout率、BC损失权重及标签平滑系数不敏感，而对学习率较为敏感，默认配置在学习率1×10?3、dropout 0.4、BC损失权重0.01、标签平滑系数0.05下取得准确率与F1之间的最佳平衡。研究结论指出，所提出的两阶段策略与MDBTabNet模型支持利用表型及常规生物学属性在鲍鱼养殖中进行可行的初步筛查，未来将在更大规模、更多样化的鲍鱼群体上验证研究结果，并探索整合额外生理或环境协变量以突破当前形态信息天花板，将该框架推广至其他高经济价值贝类以评估其泛化能力。
