超越高精度：一个跨技术框架，用于验证复杂食品基质中由人工智能驱动的霉菌毒素筛查方法

《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：Beyond high accuracy: a cross-technology framework for validating AI driven mycotoxin screening in complex food matrices

　　•在霉菌毒素筛查中，人工智能的高准确性往往被方法误差所夸大。
•光学人工智能经常检测到间接的基质替代物，而非直接的霉菌毒素。
•证据鲁棒性框架（ERF）用于评估模型部署的成熟度。
•最小信息人工智能建模（MI-AIM）检查表标准化了报告过程。
•工业应用需要基于物理原理的XAI和多模态数字孪生技术。

**引言**
全球主要粮食的毒性安全不仅被视为农业问题，也是食品安全的基石。根据主要农业统计数据，全球超过一半的饮食热量摄入来自少数几种主食，主要是小麦、玉米、大米和块茎类作物（Miao等人，2025年）。因此，这些主食的安全性边际即使略有下降，也可能引发重大的公共卫生问题和下游供应链的经济脆弱性。集中式、大规模的食品供应链越来越容易受到产霉菌毒素的真菌（如曲霉菌和镰刀菌）的地理传播影响。这一趋势在很大程度上归因于气候变化导致的温度和湿度变化（Moretti等人，2019年）。由于谷物内部的生理和化学性质在可见腐败迹象出现之前就已受到真菌的影响，这些作物的收获后储存和运输过程中会遭受潜在的、不易察觉的污染。
传统的参考方法，包括高效液相色谱（HPLC）、液相色谱-串联质谱（LC-MS/MS）和酶联免疫吸附测定（ELISA），被公认为霉菌毒素定量分析的权威方法（Mustafa等人，2025年）。然而，这些方法受到破坏性取样、复杂样品处理以及无法满足现代粮食加工线高吞吐量需求的限制（Agriopoulou等人，2020年）。因此，人们正在积极研究非破坏性替代技术。近红外（NIR）光谱、高光谱成像（HSI）、拉曼光谱、表面增强拉曼光谱（SERS）和荧光成像等技术与化学计量或机器学习（ML）模型相结合（Wu等人，2026年）。我们观察到这一领域的方法论发生的关键转变：早期研究证明了使用NIR光谱估计单个小麦籽粒中脱氧雪腐镰刀菌烯醇（DON）含量的可行性。例如，Dowell等人（1999年）开发了一个预测模型，其决定系数（R2）为0.64，标准误差为44 mg/kg，成功地将NIRS确立为一种有效的快速筛查工具。然而，由于在主导基质背景下分辨微量代谢物以实现精确的绝对定量仍然具有挑战性，近期研究转向了二分类方法。在这种方法中，籽粒根据特定法律阈值（例如欧盟规定的未加工小麦中脱氧雪腐镰刀菌烯醇的最大限量为1.25 mg/kg）被分类为合格或不合格。尽管经常报告85-100%的分类准确率，但最近应用的架构（如卷积神经网络（CNN）和视觉变换器（ViT）的复杂性往往超过了其生物学验证的严谨性，从而引入了方法过度拟合的风险，这可能会掩盖这些光学系统的真实生化检测极限，同时并不否定其内在的算法潜力。
先前的综述通过全面梳理所使用的传感技术、算法和每项研究的准确性指标，提供了宝贵的贡献（Femenias等人，2022年；Fu等人，2024年；Guo等人，2025年；Kwadzokpui等人，2026年；Lin等人，2026年；Lv等人，2026年；Mishra等人，2021年；Mustafa等人，2025年；Soni等人，2022年）。然而，仍存在一个明显的 metodological 差距：虽然现有综述提供了传感平台和算法进展的全面文档，但相对较少的综述对这些报告的准确性背后的证据基础进行了系统性和问题驱动的评估。特别高的准确性（>95%）本身并不一定不可靠；主要的问题在于，这样的性能通常在没有足够证据证明其现实世界适用性、生化有效性或严格监管相关性的情况下被报告。
为了明确区分本文与以往以技术和算法为中心的文献，我们战略性地限制研究范围，以解答三个具体的研究问题：
1. 哪些反复出现的方法论瓶颈（生物替代物不匹配、数据泄漏和基质变化）导致了人为夸大的性能指标？
2. 如何系统地评估光学人工智能模型的证据鲁棒性，以确定它们是否真正适合工业应用？
3. 需要哪些标准化的报告实践来弥合实验室原型与符合监管要求的食品安全筛查之间的转化差距？
为直接回答这些问题，本文提出了两个主要的概念性贡献：证据鲁棒性框架（ERF）和最小信息人工智能建模（MI-AIM）报告标准。这些框架不是为了否定之前的算法进展，而是为了提供建设性和客观的重新评估。正如综合路线图（图1）所示，克服当前的黑盒瓶颈需要向基于物理原理的验证转变，最终发展出下一代赛博物理架构。通过使用ERF和MI-AIM，本文旨在确保未来的计算模型在物理鲁棒性、生物可解释性和监管一致性方面得到严格评估，从而将这些平台确立为可靠的、可用于工业的工具。

**搜索策略和结构化证据综合范围**
本研究主要参考了2020年1月至2026年3月间发表的文献，并于2026年3月15日完成了最后一次数据库搜索。在Scopus、Web of Science和Google Scholar上进行了结构化搜索，采用了结合三个主要概念领域的布尔搜索策略：目标分析物、光学技术和计算方法。跨数据库使用的代表性搜索字符串为：（“mycotoxin*” OR...）

**直接分子捕获与间接基质替代物**
关于模型检测的是霉菌毒素分子的物理存在还是更广泛的基质变化，存在一种反复的解读分歧。在光学人工智能文献中，区分这两种不同的方法论范式至关重要。第一种范式侧重于检测真菌或组织变化，通常使用接种时间、可见霉菌或真菌种类作为参考指标（Da Concei??o等人，2021年；Guo、Zhang、Dong等人，2023年）。

**光学霉菌毒素筛查中的人工智能方法分类**
计算智能在光学霉菌毒素筛查中的应用历史上是基于经验的，经常将算法视为可互换的黑盒曲线拟合器。然而，正如最近关于食品安全和食品化学向现代人工智能（AI）范式转型的基础研究（Balta等人，2025年；Ekrami等人，2025年）所表明的，计算方法不能脱离其应用环境进行评估。

**五维度评估矩阵**
在第三节“分析和基础：解码复杂食品基质中的信号”和第四节“准确性的错觉：重新思考AI/化学计量建模”中确定的模式基础上，提出了证据鲁棒性框架（ERF），作为一种结构化的、定性的工具，用于重新评估这些文献中的报告性能。它不是为了替代传统的统计指标，而是为了明确方法论背景。

**从收获前预测到收获后分级的全面霉菌毒素风险管理路径**
认为全面的霉菌毒素风险管理路径包括多个决策点，从季节前气候风险预测到最终籽粒级别的分选，而不是依赖于任何单一技术作为独立解决方案。这一时空连续性在图5中概念化，它描绘了一条从宏观尺度收获前预测，经过中等尺度储存动态，到微观尺度工业边缘分选的综合路径。

**应对领域转变：环境压力、多毒素共污染和基于物理的增强**
除了之前讨论的从实验室到田间的验证差距外，还观察到储存和运输过程中的环境变量导致了额外的领域转变。Kwadzokpui等人（2026年）指出，文献中经常报告的极高准确率几乎完全来自受控的气候调节环境。当在真实的热带或亚热带储存设施中部署类似的传感平台时，结果则不同。

**理由和结构**
人们普遍认识到这一领域需要一个统一的报告框架。正如N. Liang等人（2022年）之前指出的，光谱数据采集和神经网络评估缺乏标准化报告，阻碍了跨研究间的可比性。随着深度学习架构的普及和类别不平衡问题的出现，这种标准化缺陷变得越来越紧迫。为此，提出了MI-AIM检查表。

**结论和未来展望**
尽管本综述的光学人工智能霉菌毒素传感文献反映了真正的技术成就，但将这些成就转化为可部署的食品安全工具所需的方法论基础设施却未能跟上发展步伐。为解决这一差距，本文提出了三项主要贡献：系统地识别文献中的反复出现的方法论漏洞，开发ERF，以及...

**伦理批准**
本文不包含任何由作者进行的人体参与者或动物研究。

**作者声明**
Zhen Guo ([e-mail])：概念化、方法论、写作–原始草稿、资金获取。
Linhui Feng ([e-mail])：可视化、数据管理。
Wendong Li ([e-mail])：形式分析、调查。
Kai Xing ([e-mail])：资源、项目管理。
Xingfeng Guo ([e-mail])：监督、资金获取。
Lele Cao ([e-mail])：验证、形式分析。
Fernando A. Auat-Cheein ([e-mail])：概念化。

**利益冲突声明**
作者未报告任何潜在的利益冲突。

**致谢**
本工作得到了中国国家自然科学基金（32602725）、山东省自然科学基金（ZR2026QC0328）、山东省关键研发计划（2022TZXD0033）和山东省农业产业技术体系（SDAIT-07-17）的支持。

Zhen Guo | Linhui Feng | Wendong Li | Kai Xing | Xingfeng Guo | Lele Cao | Fernando A. Auat-Cheein