可解释人工智能在农业食品化学分析与质量控制中的应用与展望：解锁食品预测模型的“黑箱”

《Journal of Food Composition and Analysis》：Unlocking the “black box” of food prediction models: Applications and perspectives of explainable artificial intelligence in agri-food chemical analysis and quality control

　　

本综述阐述了用于食品数据的可解释人工智能（Explainable Artificial Intelligence，XAI）框架，如SHAP、LIME和Grad-CAM。本研究综述了XAI在食品溯源、掺假、风味和安全方面的应用。研究人员总结了XAI应用范式以及不同数据类型下XAI的解释。关键挑战包括特征共线性、缺失交互效应和动态追踪。未来方向强调因果人工智能、先验知识嵌入和时间序列可解释性。

随着农业食品供应链全球化，人工智能（artificial intelligence，AI）和机器学习（machine learning，ML）技术被广泛应用于食品代谢组学、波谱分析和计算机视觉领域，为“从农场到餐桌”全链条的掺假检测、质量分级和地理溯源提供了强大工具。然而，高精度复杂模型如卷积神经网络（convolutional neural network，CNN）、XGBoost、TabPFN等通常被视为“黑箱”，其内部决策逻辑不透明，研究者难以判断预测结果源自具有生物学意义的特征还是虚假统计关联，因而无法直观评估预测可靠性，削弱了模型在食品工业中的可信度。在溯源和掺假中，这种不透明性可能导致无法提供可靠证据；监管机构难以信任不可解释的预测结果；食品化学家也难以从模型中提取可解释的机制性见解或优先候选标记物。因此，引入可解释人工智能（explainable artificial intelligence，XAI）揭示模型决策依据与特征贡献，成为食品科学与AI交叉研究的重要前沿。现存XAI综述多针对一般领域或农业种植，缺乏针对农业食品化学分析中结构化数据（如代谢组学、波谱和传感数据）的系统研究。为此，研究人员围绕2021–2026年核心文献，系统阐述了XAI在农业食品化学分析与质量控制中的理论框架、应用场景与验证机制。

该综述首先系统梳理了XAI的理论体系，将可解释方法分为固有可解释模型（如线性模型、决策树）和事后可解释方法（如局部可解释模型无关解释（Local Interpretable Model-agnostic Explanations，LIME）、沙普利加性解释（Shapley Additive exPlanations，SHAP）和梯度加权类激活映射（Gradient-weighted Class Activation Mapping，Grad-CAM）），并讨论了各自的数学原理、优缺点。随后，研究人员按应用场景归纳XAI在食品领域的进展：地理溯源与掺假检测中，XAI识别出稳定同位素、元素、特征波数和图像区域等关键判别特征；风味化学与感官评价中，XAI优先排序了关键风味化合物和感官相关特征；食品安全风险评估中，XAI识别出高风险化学污染物、微生物污染关联指标及文本预警信号。此外，研究比较了不同数据类型（化学成分、光谱、图像、传感器）的解释难度与适配方法。该综述指出，XAI在量化特征贡献、识别特征波数和优先候选生物标志物方面具有关键作用，为构建透明、可信的食品预测模型提供了概念和操作参考。

在关键技术方法上，研究人员采用遵循PRISMA（Preferred Reporting Items for Systematic Reviews and Meta-Analysis，系统综述与荟萃分析优先报告条目）指南的结构化文献检索策略，在Web of Science核心合集数据库中使用布尔检索式，初始获得4886条记录，经去重和两轮筛选（标题/摘要筛选与全文筛选）后纳入符合标准的研究。在筛选过程中，纳入标准要求研究数据来源于分析型农业食品数据（如光谱、高光谱/多光谱成像、色谱-质谱、电子鼻/电子舌、近红外传感器等），并需将XAI解释结果与食品化学机制或感官属性相关联。综述重点分析了SHAP、LIME、Grad-CAM等事后解释方法以及线性模型、决策树等固有可解释模型的原理与应用。需要说明的是，该综述并未涉及具体样本队列。

研究结果方面，在地理溯源与掺假检测场景中，研究广泛采用色谱-质谱、稳定同位素比质谱（Isotope Ratio Mass Spectrometry，IRMS）、电感耦合等离子体质谱（Inductively Coupled Plasma Mass Spectrometry，ICP-MS）等技术获取化学成分，结合XGBoost、随机森林（random forest，RF）、TabPFN等模型，海参、海带、中华绒螯蟹、滩羊、贻贝、马苏里拉奶酪、金银花等产品的溯源准确率达到87%–100%。SHAP/LIME识别出海参中Se含量，海带中δ¹⁵N和δ¹⁸O稳定同位素及N、C、O含量，中华绒螯蟹雄肌δ²H和雌肝胰腺δ¹⁵N、δ¹³C，滩羊蛋白标记物W5PF65、W5PQE5、W5Q501，马苏里拉奶酪中特征微生物群落，金银花中异绿原酸等关键代谢物；龙井茶溯源中，SHAP识别出2196 cm^?1为关键特征波数。在掺假检测方面，近红外（near infrared，NIR）高光谱结合偏最小二乘回归（partial least squares regression，PLSR）或XGBoost模型预测牛肉中淋巴肉掺假含量，SHAP显示948 nm（O-H键，水）和1088.5 nm（C-H键，脂肪/蛋白质）等波长主导预测；甜薯淀粉掺假中，1881.52 nm和1898.05 nm等波长区分木薯/玉米淀粉掺假，888.53 nm区分马铃薯淀粉掺假；拉曼光谱结合多尺度深度卷积神经网络（MSDCNN）预测牛油果油中7种掺假油，Grad-CAM显示1000–1100 cm^?1和1230–1680 cm^?1光谱区域起主导作用；扫描仪数字图像结合XGBoost检测香蕉粉掺假，SHAP识别出H19、S64等颜色直方图通道；红辣椒粉掺假检测中，DenseNet169结合Grad-CAM和LIME识别出掺假颗粒分布区域、异常颜色聚集和纹理差异；智能手机图像结合集成堆叠模型检测砖粉掺假，SHAP和LIME识别凸包面积、平均饱和度和LAB色彩空间A通道。这些研究表明XAI能够为溯源和掺假检测提供可解释的特征标记。

在风味化学与感官质量评价场景中，研究利用分子结构特征结合图神经网络（graph neural network，GNN）和RF构建气味/味觉分类模型，准确率超过0.82，集成梯度（integrated gradients，IG）、SHAP和RF特征重要性识别出果香与酯键相关、花香与酯类化合物相关、玫瑰香与苯乙醇相关、甜香与羟基和芳环结构相关，以及表征甜味和苦味的5个关键分子特征。电子鼻传感器数据结合TabNet分类模型对精油识别准确率达98.8%，TabNet注意力机制显示MQ136和MQ3传感器对区分7种精油影响显著；全细胞生物传感器阵列结合RF预测杏仁劣变，准确率为100%，SHAP显示pspA和rpoS启动子对应传感器最为重要。气相色谱-嗅闻（gas chromatography-olfactometry，GC-O）结合XGBoost/RF对低盐酱油挥发性物质分类准确率超过90%，定量模型R²高于0.85；乳品基质香气化合物分配系数（K_mg）预测模型R²高达0.99，SHAP显示logP、比重和分子量是主要控制性质。感官评价方面，白酒化学组成结合XGBoost分级准确率87.31%，SHAP显示酒精含量、挥发性酸度和密度影响品质；脆鲮鱼脆度光谱数据结合DB-CNN分级准确率95.74%，Grad-CAM++揭示VNIR和SWIR多个关键波长；金头鲷新鲜度CNN模型准确率100%，Grad-CAM和LIME显示瞳孔和鳃丝区域是模型关注的关键；九种梨品种分类准确率90.39%，LIME和特征可视化显示模型依赖颜色分布和形态特征；黑茶萎凋质量评估图像-光谱融合准确率95.6%，Grad-CAM显示图像分支关注叶片叶脉和边缘，光谱分支在955–1100 nm和1600 nm以上波段激活；菠菜新鲜度和病害分类准确率98.36%，Grad-CAM确认模型关注叶片衰老和病斑区域；白酒固态发酵阶段判断多层感知机（multilayer perceptron，MLP）模型准确率99.48%，SHAP显示CO₂浓度、pH、温度和湿度的动态特征和非线性交互是主要影响特征。这些结果说明XAI可以为风味与感官评价提供可验证的关键特征优先级。

在食品安全风险评估场景中，化学污染物方面，基于水产养殖品多种抗生素残留化学组成数据构建XGBoost基因毒性风险预测模型，交叉验证准确率超过0.96，SHAP优先识别出恩诺沙星、磺胺甲噁唑和AOZ为高风险物质。微生物污染方面，逻辑回归（logistic regression，LR）、RF、梯度提升（gradient boosting，GB）和XGBoost模型用于猪肉中梭菌生长动态、香肠腐败强度和液态奶微生物异常检测，模型最高准确率/F1分别为0.89、0.92和0.923；SHAP揭示Carnobacterium与Clostridium生长呈负相关，采样时间和pH是香肠腐败关键驱动，Coxiella、Enterobacter、Morganella等属在奶异常检测中贡献显著。利用光谱和传感器数据结合前馈神经网络（feedforward neural network，FNN）、RF、TabPFN、CatBoost等算法，实现玉米中黄曲霉和AFB1检测（菌落计数R²=0.9595，AFB1含量R²=0.9867）、食源性致病菌快速识别（RF测试准确率98.91%）以及小麦粉中脱氧雪腐镰刀菌烯醇（deoxynivalenol，DON）定量预测和分级识别（定量R²=0.86，分级召回率0.91）。SHAP识别出与淀粉和脂质相关的NIR波长、响应醛酮胺的电子鼻传感器、与基质降解相关的拉曼位移，以及DON引起的多糖、脂质、蛋白质分子结构变化对应的996 cm^?1和1083 cm^?1波数。宏观监管方面，纽约州餐馆卫生检查等级预测中RoBERTa模型F1=0.96，欧盟RASFF数据库食品风险决策级别预测准确率97.9%，SHAP识别出“rodents”“temperature abuse”“unsanitary”等与病原菌增殖相关的文本预警指标。这些应用表明XAI能够为食品安全风险预测提供数据驱动的标记物和预警指标。

在不同数据类型采用的可解释方法与解释难点方面，化学成分数据（代谢组学、蛋白质组学、稳定同位素、矿物元素等）具有明确化学/生物学意义，解释难度低，常用SHAP和LIME；光谱数据（NIR、中红外、拉曼、高光谱）高维且共线性强，特征缺乏直观物理化学对应，解释难度高；图像数据可直观显示外部物理和内部结构特征，通过热图定位模型关注区域，但难以建立深层理化联系；传感器数据（电子鼻、电子舌、全细胞生物传感器阵列）通过传感器阵列响应模式间接反映挥发性物质、滋味物质和微生物代谢物，可识别关键传感器通道但受复杂基质交叉敏感影响。总体而言，SHAP因模型无关和全局特征归因能力应用最广，Grad-CAM主要用于图像和高光谱任务。

在讨论部分，研究人员指出当前XAI应用仍处于定性合理性检查阶段，解释本质是统计关联而非因果关系。现有验证策略包括扰动敏感性测试、专家评估、真值测试和跨方法一致性分析，但只能评估“输出是否可信”，不能回答“输出能否揭示因果”。为实现从相关到因果的突破，有研究提出语义互操作、知识图谱和因果AI三层技术协同。XAI输出可通过标准化报告模板与不确定性估计用于监管检查，也可通过波长子集或化学标记选择优化实验室工作流程，并支持行业质量控制阈值设定，但需要验证协议、人在回路解释框架和数据治理体系支撑。在结论与展望部分，研究人员总结认为，XAI已成为解决食品分析中“黑箱”问题的核心技术，在地理溯源与掺假检测、风味化学与感官质量评价、食品安全风险评估中成功应用，显示出推动食品化学分析范式转变的潜力——从简单模型预测转向生成可检验的假设并辅助科学发现。然而，现有XAI方法在高维共线数据上存在固有方法学偏差，难以揭示特征间的交互效应和组合模式；解释结果常缺乏化学背景知识嵌入，无法在生化途径或反应机制层面验证特征；多数应用面向静态样本预测，而食品加工、储存和流通过程中的动态质量演化尚未得到充分建模。未来方向包括：开发对特征相关性鲁棒的无偏解释算法和交互归因分析；结合专家领域知识构建前验可解释（ante-hoc）模型，将物理化学原理、代谢途径和反应动力学嵌入模型设计；利用因果AI从“相关”转向“因果”；开发面向时间序列数据的可解释方法；建立食品领域XAI应用评价标准并开发自动化解释工具包；加强与决策科学的结合，将可解释结果转化为过程优化和风险管理措施，推动食品科学走向智能、透明、可信的新范式。