基于数字化植物标本的深度学习方法用于叶下珠属（Kirganelia）物种鉴定研究

《Ecological Informatics》：Deep learning for species identification in Kirganelia using digitized herbarium specimens

　　

摘要专业翻译 本研究首次将深度学习方法应用于叶下珠属（Kirganelia）植物标本的物种鉴定。研究人员基于314份经系统发育基因组学验证的植物标本，提取了12,946张叶片图像，涵盖30个Kirganelia物种，评估了三种卷积神经网络（CNN）架构（ResNet50、EfficientNetV2-S、MobileNetV3-L）在六种类别不平衡处理策略下的分类性能。研究采用图像、标本和物种三个层级的分层评估框架，并结合梯度加权类激活映射（Grad-CAM）可视化分析模型所依赖的形态学特征。结果表明，EfficientNetV2-S在总体准确率（0.9750±0.0013）、加权F1分数（0.9748±0.0014）和Cohen's κ（0.9735±0.0013）方面表现最优；MobileNetV3-L结合加权损失函数在少数类F1分数（0.8853±0.0524）和平衡准确率（0.9713±0.0031）方面取得最佳表现。在标本层级评估中，79.2%的充分采样物种被认定为良好识别，其余物种均为中度识别，无充分采样物种被认定为差识别。Grad-CAM分析显示模型的识别主要依赖于叶片形态特征而非标本背景信息。研究结论表明，CNN预测结果与系统发育基因组学所确定的物种边界具有一致性，该研究为分类学复杂植物类群的标本鉴定提供了具有生物学意义的深度学习评估框架。

论文解读

一、研究背景与意义

植物标本馆收藏为分类学、生物多样性研究和保护规划提供了不可或缺的参考材料，通过保存可验证的标本并记录物种在时间和空间上的分布，支撑着基础生物学研究的多个层面。然而，在分类学上复杂的植物类群中，准确的物种鉴定仍然面临巨大挑战，尤其是当诊断性状细微、不一致或隐藏在难以检视的微小繁殖结构中时。叶下珠属（Kirganelia Juss.）正是这样一个适合评估图像物种鉴定方法的理想体系。近年来的系统发育基因组学研究已厘清了该属内部的物种关系，建立了具有充分支持的属和物种边界。一项基于233份标本的系统发育基因组学修订研究，结合基因组规模证据与繁殖形态学，进一步细化了物种边界，为模型训练和评估提供了稳定的分类学框架和可靠的真值标签。

尽管已有如此稳健的分类学框架，Kirganelia属的物种鉴定依然困难，原因在于最具信息量的诊断性状是通常不足1毫米的微小繁殖结构，需要精细解剖且可能损坏标本。同时，该属许多物种的营养形态高度保守，可供可靠视觉鉴定的明显性状极少。这些特征使Kirganelia成为在分类学挑战性植物类群中评估图像物种鉴定的理想体系。植物标本馆数字化的持续推进，加上计算机视觉技术的进步，为基于深度学习的物种鉴定创造了新的机遇。卷积神经网络（CNN）在数字化标本分类中持续优于传统基于特征的方法，在某些应用中甚至可以达到与专家注释相当的性能。然而，标本馆数据集天然存在类别不平衡问题，稀有和地理分布受限的类群往往仅有少量标本代表，可能使CNN预测偏向常见物种并降低泛化性能。

本研究代表了深度学习在Kirganelia物种鉴定中的首次应用，该谱系的物种边界独立地受到系统发育基因组学和繁殖形态学证据的支持。研究并非提出新的深度学习架构，而是提出了一个具有生物学信息的评估框架，利用数字化植物标本评估深度学习性能，具体包括：评估在标本极度稀缺和物种代表不均衡条件下的不平衡感知训练策略；实施整合图像、标本和物种层级评估的分层评估框架，提供具有生物学意义的模型性能评估；将分类性能与物种间的系统发育关系和形态分化相关联。

二、主要技术方法

研究人员构建了一个包含314份Kirganelia标本、代表30个物种的数据集，标本主要来源于荷兰 Naturalis 生物多样性中心的 BioPortal 平台及其他参与标本馆。每份标本均包含在系统发育基因组学修订框架内，确保物种归属得到分子证据的验证。数据预处理包括图像尺寸标准化、基于颜色、强度、边缘和纹理信息的自动化叶片区域裁剪，以及人工去除不含目标材料的图像块，最终获得12,946张叶片图像。研究采用三种CNN架构（ResNet50、EfficientNetV2-S、MobileNetV3-L），评估六种类别不平衡处理策略，包括基线交叉熵损失、类别加权损失、焦点损失（Focal Loss）、焦点损失与类别加权组合、平衡采样以及全组合策略。超参数调优采用五折分层交叉验证和随机搜索，评估指标包括准确率、平衡准确率、宏F1、加权F1、少数类F1和Cohen's κ。标本层级和物种层级识别分析通过从图像文件名中解析标本登录号进行分组聚合，梯度加权类激活映射（Grad-CAM）用于可视化模型所依赖的图像区域。

三、研究结果

3.1 类别不平衡处理与训练时长的影响

不同架构对类别不平衡处理策略的反应存在显著差异。EfficientNetV2-S在不同策略下表现相对稳定，焦点损失改善了部分少数类的识别一致性，但总体平衡准确率和宏F1与基线相当。MobileNetV3-L在加权损失下取得最佳表现，展现出最强的少数类识别能力，同时保持较高的平衡准确率和整体分类性能。ResNet50在焦点损失与加权损失组合配置下呈现中等程度改善，但不同策略间的性能波动大于其他架构。基于整体分类性能、少数类识别、训练稳定性、宏F1、平衡准确率和Cohen's κ的综合评估，研究分别选择焦点损失用于EfficientNetV2-S、加权损失用于MobileNetV3-L、焦点加加权损失用于ResNet50。超过20个训练周期后的性能增益有限，因此后续实验采用20个周期。

3.2 超参数与少数类性能

超参数与少数类F1之间大多呈现微弱或不一致的线性关系。在EfficientNetV2-S中，回归斜率在各超参数范围内普遍较浅。在MobileNetV3-L中，学习率与少数类F1呈最强负线性关系，而权重衰减和标签平滑呈现弱正相关。在ResNet50中，仅批大小和丢弃率呈现轻微正趋势。加权损失在MobileNetV3-L中取得最高少数类F1值，焦点损失在EfficientNetV2-S中产生更一致的少数类F1表现，ResNet50在不同训练设置下的变异性大于其他两种架构。少数类F1的改善通常未伴随宏F1、平衡准确率或Cohen's κ的大幅下降。

3.3 最终模型性能比较

最终评估揭示了整体分类性能与少数类识别之间的权衡。EfficientNetV2-S在准确率、加权F1和Cohen's κ方面取得最高值，但其少数类F1在交叉验证折间的变异性大于其他架构。MobileNetV3-L结合加权损失取得最高少数类F1（0.8853±0.0524）和平衡准确率（0.9713±0.0031），同时在其他评估指标上保持竞争性表现，且跨折性能变异性相对较低。ResNet50则表现出更大的变异性和在组合策略下较小的改进。

3.4 标本层级和物种层级识别性能

在30个Kirganelia物种中，24个物种由至少三份标本代表并纳入分类识别分析，6个物种仅有一或两份标本仅作描述性报告。在充分采样的24个物种中，19个物种（79.2%）被归类为良好识别（识别率≥0.80），其余5个物种（20.8%）为中度识别（识别率0.67–0.79）。所有中度识别物种的大部分标本均被正确识别。置信度分析显示，K. castica-big以高置信度标本为主，K. glauca完全由低置信度标本组成，K. fuscolurida和K. ciccoides呈现高、中置信度混合分布，K. reticulata则呈现中、低置信度组合。标本层级混淆分析表明，正确识别在所有中度识别物种中占主导地位，误识别事件数量有限且仅涉及少数替代物种，包括K. microcarpa及标记为sp4和sp6的物种。

3.5 CNN使用的形态学特征

对298张随机抽样的测试图像进行Grad-CAM定性评估显示，主要激活区域一致集中在叶片组织上。这种以叶片为主的激活模式在仅含叶片的裁剪图像和同时包含茎、小枝、花或果实的图像中均可观察到。当存在额外植物结构时，这些结构要么未被激活图覆盖，要么仅被弥散的叶片中心激活部分覆盖，未形成独立的激活热点。激活通常覆盖叶片的广泛区域而非局限于特定形态特征。在抽样图像中未观察到非生物图像特征上的主要激活，仅在Kirganelia sp4的若干错误分类图像中，激活偶尔延伸至装裱胶带或线。

四、讨论与结论

讨论部分指出，类别不平衡处理的有效性取决于底层CNN架构而非存在普遍适用的解决方案。MobileNetV3-L对加权损失的响应最为一致，通过优化过程中赋予少数类误分类样本更大重要性，鼓励模型将更多注意力分配给代表性不足的类群。EfficientNetV2-S即使在不进行不平衡校正的情况下也取得强整体性能，但基线训练下少数类指标变异性较大，焦点损失降低了这种变异性并产生更一致的少数类性能。ResNet50在组合多种不平衡校正策略时改进有限，表明组合多种方法不一定产生叠加效益。

研究揭示了最大化整体分类性能与改善少数类识别之间的持续权衡。在大型标本馆数字化或常规标本鉴定中，当大多数标本属于代表充分的类群时，最大化整体分类性能可能是合适的；而在生物多样性评估和分类学研究中，正确识别代表性不足的类群可能更为重要。研究提出了一种潜在的两阶段识别策略：先使用针对整体识别优化的通用分类器进行常规鉴定，保留高置信度预测用于馆藏评估，再将低置信度或模糊标本交由针对少数类识别优化的第二分类器评估。

分层评估框架通过从裁剪图像到标本再到物种的逐级聚合，更真实地反映了基于标本的物种鉴定过程。近80%的充分采样物种被认定为良好识别，且无充分采样物种被认定为差识别，表明叶片形态学单独即可为多数物种提供足够的分类学信息。少数中度识别类群可能代表营养分化有限的生物学实例，而非单纯的技术分类错误。Grad-CAM分析证实预测主要关联于叶片组织而非标本背景，排除了捷径学习的可能性。

研究结论指出，结合不平衡感知训练和分层评估框架，基于叶片的CNN物种识别可以在分类学挑战性类群中实现高性能。大多数Kirganelia物种在显著类别不平衡条件下仍被准确识别，但结果也揭示了最大化整体分类性能与改善少数类识别之间的权衡。Grad-CAM分析进一步表明模型预测主要关联于叶片组织而非标本背景。这些发现支持深度学习作为具有生物学信息的标本鉴定工具的潜力，同时强调了模型选择、类别特异性评估以及对代表性不足或不确定类群进行专家验证的重要性。该方法无法替代整合分类学，但可提供一种实用、非破坏性的手段来支持标本鉴定、确定专家审查优先事项，并促进数字化植物标本馆藏的更广泛利用。