将扫描电子显微镜、可解释的深度学习以及ITS测序技术相结合，用于某些Geastrum物种的准确鉴定

《Scientific Reports》：Integrating scanning electron microscopy, explainable deep learning, and ITS sequencing for accurate identification in some species Geastrum

　　

摘要

由于Geastrum属内物种在形态上的高度相似性，以及仅依靠宏观特征进行区分的能力有限，因此对其进行分类仍然是一项具有挑战性的任务。尽管基于DNA提取、PCR扩增和ITS测序的分子方法能够提供可靠的分类学结果，但这些方法耗时且具有破坏性，不适合快速或大规模的分析。在这项研究中，提出了一种综合框架，将扫描电子显微镜（SEM）技术用于担孢子成像与现代深度学习及可解释人工智能（XAI）技术相结合，以实现Geastrum属物种的精细分类。该框架使用了一个包含800张高分辨率SEM图像的数据集（来自Geastrum elegans、G. fimbriatum、G. quadrifidum、G. rufescens和G. triplex），并评估了多种基于卷积神经网络和Transformer架构的模型，包括DenseNet121、EfficientNetB0、ConvNeXt-Tiny和Swin-Tiny，以及多种集成模型配置。在所有模型中，DenseNet121的单模型性能最佳，准确率、精确度、召回率、F1分数和特异性均达到了约99.00%，匹配度（MCC）为0.98，AUC接近1.00。集成模型（尤其是DenseNet121-EfficientNetB0和DenseNet121-ConvNeXt-Swin）在结果上保持一致或略有提升，显示出更强的鲁棒性和类别区分能力。基于LIME的可解释AI分析证实，模型预测主要受孢子装饰图案和表面纹理等生物学上有意义的超微结构特征驱动，而非由伪影引起。基于nrITS序列的分子系统发育分析也独立支持了深度学习模型推断出的物种边界。总体而言，这些结果表明，基于SEM的可解释深度学习是一种强大且客观的方法，能够补充传统的形态学和分子学方法，为分类学上复杂的真菌群体的准确和可重复物种鉴定提供了一条可扩展的途径。