**基于多光谱成像流式细胞术与机器学习解析蜂蜜中花粉的快速鉴定方法**

《npj Science of Food》：Profiling of pollen in honey using multispectral imaging flow cytometry

花粉鉴定（蜜源花粉学，melissopalynology）对蜂蜜的鉴定具有重要的经济和消费者意义。传统显微镜法耗时且依赖专家知识，从而限制了高通量分析。研究人员测试了将由多光谱成像流式细胞术（Multispectral Imaging Flow Cytometry，MIFC）生成的花粉图像经机器学习（machine learning，ML）（卷积神经网络（convolutional neural networks，CNNs）与随机森林（random forest，RF））分类后，能否作为一种快速且可重复的蜂蜜花粉鉴定方法。研究人员考察了来自不同基质（花药与蜂蜜样品）的图像如何影响蜂蜜花粉的分类、结果与传统显微分析的比较情况，并使用一组人类可解释的图像特征以更好地解释ML结果。该研究聚焦于蜂蜜中六种常见目标花粉：*Brassica*、*Castanea*、*Centaurea*、*Helianthus*、*Phacelia*和*Tilia*型。以花药与蜂蜜明场及荧光图像组合训练的某一分类器对13种单花蜜和10种多花蜜给出了最佳预测。其花粉鉴定结果与显微法相当，可评估的花粉量提高三倍，测量时间最长10 min，表明该方法作为蜜源花粉学中一种强大的筛查工具具有很大潜力。

**一、研究背景与问题**

蜂蜜中花粉的分析（即蜜源花粉学，melissopalynology）是确定蜂蜜植物来源与地理来源的基础，也是检测蜂蜜掺假的重要环节。定性蜜源花粉学基于对蜂蜜沉淀物中植物颗粒（如花粉粒）的鉴定与计数，这些颗粒可作为蜜蜂所访问植物的独特标记。该分析对于区分单花蜜（monofloral honey）与多花蜜（polyfloral honey）至关重要：多花蜜源自多种蜜源植物，而单花蜜主要产自某一优势植物种的蜜汁；单花蜜因风味与健康益处而深受重视，常获得更高市场价格。同时，蜂蜜中单粒花粉的鉴定还可作为环境监测的有价值基质——蜜蜂在大约10 km²范围内采集花蜜与花粉，蜂蜜中的花粉组成反映了景观的主要植物区系组成与环境条件。

人工显微花粉鉴定依赖花粉的形态特征（如形状、大小、表面纹理、纹饰与结构）以实现类群间准确区分，仍是蜜源花粉学分析的“金标准”，因为其可直接评估这些特征；但该方法高度耗时、需要专家，因而成本高昂。鉴定与计数花粉粒需要专门且耗时的培训与大量实践。显微花粉分析的准确性在很大程度上取决于分析人员的专业水平、显微设备及其光学质量，以及时间限制、记忆局限或疲劳等心理因素等工作条件。可达到的分类分辨率还取决于花粉类型的形态区分度、可靠参考材料的可获得性以及实验室的软件与数据管理系统。许多类群因花粉形态差异微小而无法鉴定到属或科以下水平，这在十字花科（Brassicaceae）、蔷薇科（Rosaceae）或菊科（Asteraceae）的物种中尤为突出。因此，分类分辨率水平的差异会影响数据的可比性以及生态或地理格局的解释。此外，蜜源花粉学分析还存在某些花粉类型被普遍过高或过低代表的变异来源，强烈影响其相对丰度。

针对高通量花粉分析，研究人员已开发了若干非光学方法，包括宏条形码（metabarcoding）与傅里叶变换红外光谱（Fourier Transform Infrared，FTIR）。DNA方法虽具有高分类分辨率，但因PCR扩增与测序引入的偏倚，通常不能提供花粉丰度的定量信息；FTIR光谱基于特征性红外“指纹”分析花粉粒的分子结构，但其在分类分辨率上存在局限，因为同一科或属内的大分子组成差异不足，相似物种可能产生重叠光谱。

近年来，研究人员开发了若干先进的光学成像技术，通过花粉图像训练特定AI分类器以增强传统人工显微分析（原文Table 1）。例如“Honey.AI”系统可自动扫描蜂蜜沉淀物玻片并利用AI算法检测、鉴定与计数单粒花粉；“Classifynder”系统利用玻片扫描技术识别单花蜜（如新西兰麦卢卡（*Leptospermum scoparium*）蜜）显微玻片上的花粉粒，实现半自动且可重复的花粉分类。然而，自动化显微仍存在局限，如玻片扫描时间限制了通量、重叠花粉粒分割困难，从而影响鉴定准确性。在此背景下，近期研究进一步表明，基于标注显微明场花粉图像数据集（如POLLEN24_SP、POLLEN73S或POLLEN23E）训练的深度学习模型可对蜂蜜样品中的花粉粒进行准确且可扩展的分类，但其性能仍强烈依赖数据质量与标注准确性。

多光谱成像流式细胞术（MIFC）是一种基于单颗粒的高通量方法，除明场图像外，还可生成特定波段的荧光图像与花粉的散射图像。近期研究将MIFC图像与深度学习分类器结合，用于鉴定化石花粉（53种不同花粉类型，鉴定准确率93%）与现代动物源花粉（35种不同花粉类型，准确率96%）。然而，尚无研究比较来自不同花粉基质（如花药、花粉筐（corbiculae）或蜂蜜）的花粉图像与特征如何影响蜂蜜花粉的分类。一般而言，与蜂蜜花粉图像相比，来自花药的花粉参考图像更易采集；蜂蜜样品需更多工作量，且来自多样样品的花粉图像标注存在错误标签的潜在风险，因此明确能否用花药花粉图像预测蜂蜜中的花粉至关重要。MIFC方法具有高可重复性，因所有花粉图像均被自动保存，便于后续复核与处理。特征分析可检测人类难以甚至无法目视分析的特征，且MIFC此前已被证明对多种花粉特征分析有价值。诸如大小、形状或荧光强度等图像特征可从图像数据中自动提取，并进一步用于花粉特征分析与分类器输出解释，即所谓“黑箱”方法。

研究目标是利用MIFC图像对蜂蜜中的花粉进行分类，考察训练过程中使用来自不同基质（包括花药与蜂蜜）的花粉图像如何影响蜂蜜花粉的分类，并将结果与传统蜜源花粉学显微分析进行对比评估。本研究聚焦于六种目标（主要）花粉，即被定义为具有单花蜜植物学特征、可作为其分类关键指示物的花粉类型，即使其相对丰度较低。研究人员在训练数据集中使用不同花粉基质的图像以检验蜂蜜花粉分类的基质效应，比较不同分类器类型与传统显微分析的一致性，并基于一组人类可解释的图像特征探索哪些花粉特征对不同花粉类别的区分最为相关。

**二、主要关键技术方法**

研究使用ImageStream X Mk II多光谱成像流式细胞仪（Amnis，属Cytek）以40×物镜（数值孔径0.75，分辨率0.5 μm/px）测量，配三激光（488 nm 5 mW、561 nm 20 mW、785 nm 0.1 mW）与明场、散射及九个荧光通道，并加入计数微球（counting beads）作为荧光测量内标，每样品通常采集至5000颗粒或10 min截止。图像经IDEAS软件提取与人工标注为“目标花粉”“非目标花粉”“无花粉”与“微球”等类别。机器学习采用三类方法：仪器内置CNN模块（bCNN，基于VGG16架构）、“自定义CNN”（cCNN，经架构搜索选定Wide ResNet-50-2并配合ASHA超参搜索与几何、混合增广）以及基于20个数值特征（形态与信号强度）的随机森林（RF，500棵决策树）。研究设计六种训练配置（域外、域内、混合域及其全通道版本），以平衡数据集训练。样本队列来源注明：花药花粉于2021—2023年采自德国萨克森与萨克森-安哈尔特；花粉筐样品来自德国巴登-符腾堡；13种单花蜜与10种多花蜜由德国霍恩海姆大学州立蜜蜂研究所、下萨克森州消费者保护与食品安全局（LAVES）养蜂研究所、德国养蜂协会（DIB e.V.）、当地养蜂人及希腊养蜂人提供。统计使用ANOVA与Tukey事后检验比较基质间花粉大小与红色荧光。

**三、研究结果**

**机器学习方法比较（人工标注目标花粉）**：研究人员以每类相当数量的真值图像测试各模型正确分类比例。bCNN域内明场配置总体鉴定准确率最高（95.1%），混合域全通道配置紧随其后（94.7%）；仅用花药花粉训练的域外配置准确率最低（明场79.8%，全通道22.7%）。cCNN与RF同样以域内明场配置最佳（分别为97.2%、90.8%），域外全通道配置最低（分别为41.4%、29.5%）。结果表明花药花粉训练时加入荧光特征会大幅降低准确率，而蜂蜜花粉加入荧光信息变化较小，混合花粉训练中荧光甚至提升整体性能。性能亦随物种变化，如*Brassica*花粉在域内全通道配置略优于混合域全通道配置，而*Castanea*花粉在几乎所有配置（域外全通道除外）下均被高准确率鉴定。混合域全通道配置被确定为后续分析的最佳配置。

**完整蜂蜜样品的机器学习方法比较**：研究人员将基于混合域全通道最终配置的MIFC结果与显微结果按花粉类型比例逐一比较。三种方法中bCNN与显微结果一致性最高（R² = 0.98），其次为RF（R² = 0.90）与cCNN（R² = 0.71）。尽管总体一致性高，*Phacelia*与*Tilia*在bCNN中存在偏差；cCNN中*Brassica*、*Phacelia*与*Tilia*比例存在差异；RF中*Brassica*与*Tilia*存在差异。在10种多花蜜中，研究人员仅评估六种目标花粉的存在并限定分析范围；多数蜂蜜中MIFC相对显微法检出较低比例的*Brassica*与*Phacelia*、较高比例的*Castanea*与Rosaceae，*Tilia*两种方法结果相近。多花蜜即使标签相同（如夏花蜜）其花粉组成也天然差异很大。

**花粉图像特征分析**：研究人员以19个花药与蜂蜜训练样品检验花粉大小与红色荧光两项特征。总体而言，蜂蜜中*Brassica*、*Castanea*、*Centaurea*与*Helianthus*花粉的红色荧光强度远高于相应花药花粉，而花粉大小在两者间更接近。各物种的变异系数（coefficient of variation，CV）不同：蜂蜜花粉大小相对变异通常更高，CV比为花药花粉的1.3倍（*Tilia*）至3.5倍（*Brassica*）。荧光变异性呈物种特异性：蜂蜜花粉在*Helianthus*、*Phacelia*与*Tilia*中CV更高（分别2.0、2.0、5.3倍），花药花粉在*Brassica*中荧光变异性更高（5.2倍），*Castanea*与*Centaurea*两者荧光变异性相当（CV比接近1）。*Brassica*花药花粉（均值27.4 μm ± 1.43 SD）、花粉筐（27.6 μm ± 1.29 SD）与蜂蜜花粉（29.4 μm ± 1.87 SD）在大小上无显著差异（p > 0.05），而红色荧光强度可清晰区分蜂蜜花粉与花药或花粉筐花粉（p < 0.001）：蜂蜜中*Brassica*花粉红色荧光（均值576,767 a.u. ± 107,679 SD）比花药（54,353 a.u. ± 41,398 SD）与花粉筐（78,552 a.u. ± 31,125 SD）高7—10倍，*Castanea*中亦可见相同模式。上述特征比较不足以充分解释含荧光通道的域外配置的类别准确率差异，提示模型性能可能更多取决于类间差异而非蜂蜜与花药花粉本身差异。

进一步分析RF混合域全通道配置中蜂蜜花粉最重要的六项特征，得出两个信号强度特征（明场强度与红色荧光强度）与四个形态特征（大小：短轴与对称性；形状：圆度与紧致度）。基于明场强度，*Phacelia*与*Castanea*可相互区分并与其他类型区分，但其余物种因明场特征相似而较难区分；红色荧光进一步可区分*Brassica*、*Castanea*与*Tilia*；形态特征中短轴信息量最大，除*Tilia*外可区分所有物种；Symmetry 2贡献较小；圆度仅有助于区分*Castanea*与*Centaurea*；紧致度适于将*Castanea*或*Phacelia*与其他物种分开。总体而言，植物物种主要可依花粉大小区分，其次为荧光特征。

为更好理解CNN模型的决策机制，研究人员对仅含目标花粉（Fig. 7a）及训练中全部类别（Fig. 7b）分别构建决策树与随机森林。RF最终配置显示“Brightfield Intensity”“Symmetry 2”与“Red fluorescence intensity”最具判别力，其中明场强度与Symmetry 2在部分程度上类似人类分类学家的判别方式：明场强度表示通过颗粒的光量，可用于区分明亮、光学密度低的花粉（如*Phacelia*）与暗、光学密度高的花粉（如*Brassica*）；Symmetry 2描述花粉粒具有单一延伸轴从而呈两瓣的倾向；红色荧光强度反映色素与细胞壁组分（如酚类化合物）被细胞术激光激发时在红色光谱范围发射的荧光信号。最有趣的是，仅含目标花粉的决策树相关特征与含全部类别的决策树差异很大：仅聚焦目标花粉时，大小特征基本足以区分；而当需区分全部类别时，信号强度与形状特征更为相关。仅用花粉类训练的RF参数重要性显示大小相关及少数信号特征排名更高；包含全部颗粒类别的RF则转向更强依赖多种荧光信号与大小，反映了区分花粉与非花粉颗粒的更大复杂性。

**四、讨论与结论**

讨论部分指出，蜂蜜花粉鉴定的自动化高通量方法可减少人工投入、不一致性与分析成本，从而克服传统花粉分析的局限，因此本研究主要目标是借助MIFC确定量化蜂蜜中目标花粉比例的最佳方式。由于花药样品是建立广泛图像参考数据库最容易的途径，其最初是构建AI分类工具首选的来源材料；然而研究发现蜂蜜花粉与花药或花粉筐花粉存在强烈的特征偏差，使得仅用花药花粉图像分类蜂蜜花粉时难以实现稳健的自动检测。纳入明场与荧光图像以及同时包含花药与蜂蜜花粉的混合样品特征，对未见蜂蜜花粉样品获得了最高预测准确率。三种测试的机器学习方法中，细胞仪内置模块（bCNN）对未见单花蜜与多花蜜样品的鉴定准确率相对显微计数最佳。

与既往研究相比，许多机器学习方法在受控或理想化条件下（图像质量高、形态变异有限）可达90%以上准确率，但多数仅在域内条件下评估。研究人员指出，Le et al.（2025）通过在花药花粉图像上训练、预测蜂蜜样品花粉引入域偏移，分类准确率因蜂蜜类型而异（70.21%—92.47%），大致与本研究的域外明场配置（76.5%—79.8%）相当，但其未考虑荧光特性；Lagerstrom et al.则报告了更显著的域偏移性能下降（由95%—96%降至68%—81%）。与之相符，本研究所有三种方法的混合域全通道配置在仅含标注目标花粉的单花蜜中均达到90%以上准确率（bCNN：94.7%，cCNN：97.2%，RF：90.8%），但在不同蜂蜜类型或环境样品中鉴定准确率通常下降，因形态变异增加、碎屑存在及图像伪影引入额外误差；本研究从标注花粉到完整单花蜜再到多花蜜观察到相同模式，反映了域偏移与基质间花粉特征变异的增加。此外，显微与MIFC主要目标花粉类型比例的差异也源于所考虑花粉总量的不同。综上，这些结果强调了在将基于图像的分类器应用于复杂蜂蜜样品时，考虑基质特异性变异的训练策略与参考数据的重要性。

关于RF与CNN的差异，讨论指出RF基于预定义的人工提取特征并构建决策树集成，其性能强烈依赖特征的质量与完整性；CNN则直接从原始图像学习层次化特征表示，可捕捉复杂空间模式与细微形态差异，在图像变异大时尤为有利。本研究中RF总体准确率最低，很可能因预定义特征集未充分表征数据中的形态与荧光变异；CNN方法更有效地学习了这些信息模式，通常在数据集形态多样性高时优于经典方法，尽管其对自然图像变异与伪影仍敏感。两种CNN在仅含标注目标花粉的单花蜜中准确率相近；cCNN模型使用数据集95%训练划分、5%留出集评估，限制了训练数据量与最终准确率。除训练数据集限制外，cCNN尚有诸多优化机会可望超越bCNN有限的可控性与性能；此外cCNN可依据FAIR数据原则公开导出与共享并允许灵活调整，而bCNN无需太多ML先验知识即可创建；但为进行公平的ML比较，分配额外计算资源会造成不公平比较。

域内与域外配置的比较进一步凸显了所有方法（RF、bCNN与cCNN）中明显的域偏移；结果还表明，由于域偏移效应，仅基于花药的训练数据不包含准确分类蜂蜜花粉所需的全部信息；混合域结果证实，提供来自不同花粉基质（花药与蜂蜜来源）的全部多光谱图像通道可获得最高准确率。研究人员假定图像来源不同以及图像属性（明场与荧光）均含互补信息，从而使最终配置达到高准确率（90.9%—97.2%），且该模式在三种方法中一致。只要模型以来自花药与蜂蜜样品的明场及荧光图像训练，花粉鉴定即得到改善，表明混合域配置比单域设置更全面地捕捉了相关形态与光谱变异。鉴定准确率还取决于具体花粉类型：*Brassica*花粉仅以蜂蜜花粉训练时略优（差异可忽略）；*Helianthus*与*Phacelia*花粉在域外配置下已可高准确率鉴定；*Castanea*花粉几乎适用于所有配置。

讨论还就分类学原理指出，分类学家主要依据大小、形状、极性或萌发孔等形态特征工作；理论上，若能找到种间差异足够大且种内差异尽可能小的特征，即可实现良好的花粉类型区分。低种内变异性有助于形成更清晰的特征簇，提高判别性能。对区分六种花粉的RF模型而言，花粉大小是MIFC分类的首要决定因素；“Minor axis”的强烈影响表明大小相关特征捕捉了大量种间变异，而“Symmetry”或“Circularity”等形状特征贡献相对较小，可能因其种内变异性较高；“Brightfield intensity”与“Red fluorescence intensity”的重要性表明信号强度补充了形态信息，尤其对大小范围重叠的类群；*Tilia*的可分离性有限，凸显某些花粉类型具有高度相似的形态特征与信号强度，无论选择何种特征均限制分类性能。总体而言，可靠的花粉类型区分主要依赖大小与光谱特征的组合，形状特征作用较小。RF仅聚焦目标花粉时，大小相关特征基本足以分离，反映该子集内清晰的形态差异；而当纳入训练数据全部颗粒类别时，RF转向更强依赖信号与形状特征，表明在更异质的数据集中仅靠大小无法保证充分分离，须辅以结构与信号信息。两个决策树所选特征的显著差异进一步表明，分类器需仅在形态相似花粉类型间区分，还是须额外区分花粉与非花粉颗粒时，其决策机制不同。完整MIFC测量中花粉识别的关键挑战恰是区分花粉与“无花粉”颗粒；“无花粉”部分包含广泛颗粒且相当任意，取决于个别样品；从不同RF方法可见，依据无花粉类别，判别力最高的特征可强烈偏移，因此选择具代表性的“无花粉”类别很重要。与RF模型相比，两个基于bCNN与cCNN的模型结果（含全部MIFC通道及花药与蜂蜜花粉）与显微结果最一致，这可归因于CNN相较含20个特征的随机森林具有远更强的判别力。

对研究所考察的目标花粉类型而言，花药/花粉筐与蜂蜜花粉之间的荧光（尤其红色荧光）差异显著，这可能是仅用花药花粉且含荧光通道训练的域外配置在分类蜂蜜目标花粉时性能如此之低（22.7%—41.4%）的主要原因。花药花粉的荧光主要源自嵌入花粉外壁（sporoderm）的酚类化合物、类黄酮、类胡萝卜素与蛋白质；迄今，花粉储存于蜂蜜中所观察到的最高达7—10倍荧光增强的内在机制仍不清楚。一种可能解释是花药花粉与蜂蜜花粉含水量不同，可能改变形态与荧光信号；尽管该解释似乎不太可能，因所有花粉MIFC测量均在D-PBS中进行，但P?hlker et al.（2013）表明水合状态对花粉自发荧光光谱有显著影响，干燥颗粒发射明显更弱且光谱偏移。蜂蜜中典型含水量约17%—18%，可防止花粉完全脱水，且花粉粒被嵌入富含糖类、氨基酸与抗氧化剂的黏稠而吸湿的基质中。该假设得到花粉筐花粉比较的支持：花药花粉未经加工、荧光强度最低；花粉筐花粉由蜜蜂采集的花药花粉与少量花蜜（含多种糖）混合而成，其荧光强度略高于但未显著高于花药花粉，却远低于长期留存于富糖溶液中的蜂蜜花粉。蜂蜜约含80%各种糖（如果糖38%、葡萄糖31%、麦芽糖3.4%、松二糖1.7%及多种其他糖），蜜蜂强烈加工（如酶消化）与高糖浓度可能最终导致所观察到的花粉荧光增强。

然而，尽管显微与MIFC总体一致性良好，cCNN方法对*Brassica*花粉存在尤其明显的低估。研究人员在查找原因时发现，部分蜂蜜中*Brassica*花粉带有若干附着物，经鉴定为酵母细胞。酵母常出现于花蜜与蜂蜜中，主要由传粉者在访花时引入，并可黏附于花粉粒；此类花粉在训练数据集中已部分纳入，但结果提示未来训练数据集应纳入更广泛具代表性的花粉图像。

讨论还指出，本研究训练数据集图像数量相对较少（最终配置共3756张），但该配置仍取得稳健性能；数据集较小主要源于平衡数据集的目标以及人工标注蜂蜜样品花粉图像的必要投入（如*Tilia*与*Centaurea*蜂蜜中每样品花粉图像数在100—178张之间）。尽管数据集小，结果一致，凸显该方法随数据集扩展具有更大潜力；扩展的参考花粉数据库可进一步实现蜂蜜掺假检测。包含花药与蜂蜜花粉图像的配置表现最佳，表明可将花药样品加入训练数据集，从而减少对劳动强度更大的蜂蜜样品标注的需求。迄今，本研究已证明单花蜜中目标花粉的可靠识别：对*Brassica*蜂蜜，MIFC测量间变异低，CV为4.48%，与显微重复性相当（计数1000粒花粉时重复性限为5.19%，DIN 10760），表明MIFC对*Brassica*的可重复性完全处于既定显微精密度范围内。

多花蜜中MIFC与显微花粉比例的比较揭示了基于图像的细胞术用于复杂样品的潜力与局限。因已建立的分类器目前仅识别训练数据中的六种花粉类型，仅选择经蜜源花粉学显微分析证实至少含六种主花粉之一的10种多花蜜，且分析仅限于这些目标花粉类型。多花蜜即使标签相同其天然组成变异也可能解释方法差异。以MIFC图像训练的分类器相对显微法一致低估*Brassica*与*Phacelia*而高估*Castanea*与Rosaceae，可能源于形态或信号特征的偏差：*Brassica*与*Phacelia*等较小颗粒可能更难被最终配置从异质背景部分中分离，而*Castanea*与Rosaceae具有更清晰的结构或信号特征便于识别。*Tilia*两方法数值相近出乎意料，因特征分析表明*Tilia*花粉并无明显形态或信号特征可显著区别于其他目标类群；这一一致性可能更多归因于*Tilia*在这些蜂蜜中频率普遍较低，而非该花粉类型特别高的可检测性。目前分类器未纳入其他花粉类型，目的是先聚焦基质与分类器方面；主要目标是开发应用范围更广的分类器，届时还应测试蜜源花粉学显微研究中已知难以分类的花粉类型（如十字花科、蔷薇科或菊科花粉类型，或十字花科与木犀科之间）。然而，蜂蜜的植物学来源仍不能仅凭任何基于图像的方法确定，因为某类群花粉数量与植物学来源定义之间呈非线性相关；为最终提供后者信息，仍需开展其他分析。

考虑到结果具有可比性及其较短的分析时间（1—10 min），MIFC是单花蜜样品的一种强大新型筛查工具。经典显微法所需时间更长（常为每样品30—60 min），凸显了该方法的实际优势。MIFC能在数分钟内提供一致测量，无论样品复杂程度如何，彰显其在高通量工作流与常规质量评估中的潜力；其存储图像数据的能力进一步保障可重复性并便于未来用改进的分类器重新评估。分类学家与MIFC测量之间的实验室间比较将是评估跨实验室花粉分析稳健性的重要下一步。鉴于MIFC的高测量能力，本研究分析的样品数相对较少；研究人员希望仔细深入地考察有限样品集，但更高数量的样品应在进一步研究中加以考察。

**结论（译文）**：总之，研究结果证明，作为概念验证（proof-of-principle），MIFC结合机器学习为鉴定单花蜜中的目标花粉提供了一种快速、自动化且高通量的方法。该方法可通过MIFC对单花蜜样品进行快速初步筛查，从而有效补充传统显微分析。对于多花蜜，该方法允许鉴定预定义的目标类群，尽管目前性能受参考数据集中花粉类型数量有限的制约。尽管如此，所获结果表明MIFC能够捕捉复杂蜂蜜基质中的有意义模式，训练数据的进一步扩展将增强其对多花组成的适用性。随着分类器的改进，该框架为质量评估、真实性检测以及植物学组成的更广泛监测提供了长期灵活性。未来应结合更全面的训练数据库，以更广泛的单花蜜与多花蜜品种对该方法进行测试。