《Industrial Crops and Products》：Machine learning models for plant fungal disease detection and risk prediction: A systematic review
编辑推荐：
本系统综述遵循PRISMA指南，综合分析了22项采用机器学习（ML）预测植物真菌感染的研究。研究人员发现，卷积神经网络（CNN）在多作物真菌病害识别中达到98.9%的准确率，随机森林（RF）模型在基于环境数据的预测中表现优异（73-99%准确率）。研究表明，混
本系统综述遵循PRISMA指南，综合分析了22项采用机器学习（ML）预测植物真菌感染的研究。研究人员发现，卷积神经网络（CNN）在多作物真菌病害识别中达到98.9%的准确率，随机森林（RF）模型在基于环境数据的预测中表现优异（73-99%准确率）。研究表明，混合模型能有效捕捉宿主-病原体复杂互作，但模型可解释性不足（XAI需求大）且多数研究仅在控制环境下验证，缺乏田间适用性。研究人员强调，轻量级ML架构对资源有限农场至关重要，未来需优先发展开放数据集、可解释人工智能和气候适应型算法以提升实际部署效果。
论文主体内容总结如下：
**3.1 机器学习算法及其应用概述**
22项纳入研究可归为四类：基于卷积神经网络（CNN）的图像检测、光谱与高光谱分析、环境与气象驱动预测模型、以及采后检测与分类。随机森林（RF）是最常用的算法（10/22项，45.5%），因其对高维数据的鲁棒性和可解释性，例如使用气象站数据预测苹果疮痂病（*Venturia inaequalis*）准确率达73-82.1%。CNN是第二大常见方法（5项，22.7%），主要用于图像病害检测，例如改进的ResNeXt架构在多作物真菌病害诊断中达98.92%准确率。混合与集成方法（如软投票分类器结合线性判别分析（LDA）、k近邻（KNN）、最小二乘支持向量机（LS-SVM）和RF）在苹果*Alternaria*腐烂检测中达98.75%准确率。传统算法如支持向量机（SVM）和KNN在资源受限环境中仍具相关性，例如SVM利用近红外光谱检测水稻纹枯病（*Rhizoctonia solani*）潜伏感染准确率为86.1%。
**3.2 性能指标与模型准确率**
模型性能因数据类型、感染阶段和环境因素差异显著。基于图像的模型准确率最高（>95%），如U-net++模型通过X射线图像语义分割检测鳄梨果实蒂腐和体腐准确率达98%。随机森林（RF）在表格化环境与气象数据上表现优异（86-99%准确率），而CNN在图像分类任务中达到最高准确率。光谱与高光谱数据在实验室条件下准确率高（如芒果炭疽病99.6%），但在田间环境下性能下降（如黄瓜霜霉病F1分数仅0.67）。环境与基因组数据模态对田间变异性更具韧性（90-99%准确率）。症状前检测与早期风险预测面临更大挑战，准确率范围为67-93%。研究揭示，报道的高准确率（>95%）多在控制环境下获得，而纳入田间变异性的研究报道更现实但较低的准确率（73-93%）。
**3.2.1 超越准确率：综合性能评估**
纳入研究中，精确率和召回率（敏感度）分别报告于59%和64%的论文，F1分数仅36%报告，特异性和ROC曲线下面积（AUC）分别仅27%和18%报告。在低疾病流行率情况下，仅依赖准确率可能产生误导。研究显示，高敏感度（>90%）常以特异性（70-80%）为代价，反之亦然。症状前检测应用优先考虑敏感度，而采后质量控制强调精确率和特异性。报告F1分数>0.90的研究均采用了类别平衡技术。仅两项研究报道AUC值且均>0.95。缺乏综合指标报告限制了模型可靠性的全面评估，建议未来研究一致报告精确率、召回率、F1分数、特异性和AUC。
**3.3 宿主植物与真菌病原体**
纳入研究聚焦于17种宿主植物，苹果（*Malus domestica*）最常见（5项，22.7%），其次为小麦、大麦和水稻（共27.3%）。谷类作物主要针对*Fusarium graminearum*（赤霉病）和*Magnaporthe oryzae*（稻瘟病）。采后病原体突出（36.4%），针对芒果、柑橘和鳄梨，*Colletotrichum* spp.（炭疽病）和*Penicillium digitatum*（柑橘绿霉病）常见。森林树木和非主食作物（如葡萄、咖啡）关注有限，凸显了ML在多年生和特种作物中的应用研究空白。
**3.4 地理分布与环境背景**
研究遍布15个国家，亚洲贡献最多（10项，45.5%），中国（4项）、印度（2项）和泰国（2项）领先。欧洲研究（5项，22.7%）关注谷类病原体；北美和拉丁美洲各2项。仅18%的研究明确考虑了气候适应性，且多数模型仅在本地验证。例如，预测小麦多种霉菌毒素污染的欧洲RF模型在荷兰以外缺乏验证。未来模型需整合气候韧性特征，如动态湿度阈值，并建立全球数据共享协作框架。
**3.5 质量评估与偏倚风险**
基于PROBAST框架的偏倚评估显示：低风险6项（27%），中风险12项（55%），高风险4项（18%）。低风险研究通常包含多季节或多地点田间验证和全面重现性措施（如公开代码）。中风险研究常见局限性为区域或时间数据约束（如单果园、两生长季）。高风险研究以纯实验室验证、不具代表性抽样和有限重现性为特征（如仅20°C、90%相对湿度下单一芒果品种验证）。高风险研究83%聚焦温带系统，75%未提供代码或数据集。分析发现报道准确率与验证环境间存在系统性关系：>95%准确率的研究中87%仅在实验室或控制环境下验证，而包含田间验证的研究报道更现实的准确率（67-93%）。
**3.6 局限性与挑战**
数据偏倚与代表性不足是关键问题，近半数研究依赖小型或同质数据集。64%的研究仅在控制实验室环境中验证模型，限制实际应用。技术和基础设施障碍包括高分辨率成像工具和计算密集型深度学习架构。症状前检测困难，如重叠光谱特征导致模型性能下降。数据泄露在后续研究中被识别，模型可迁移性差，重现性受限于有限的数据和代码可用性（<20%提供）。模型可解释性不足（黑箱问题）阻碍农民采纳。表2总结了主要挑战和可操作策略，图4总结了关键研究空白：有限田间验证、有限重现性、地理偏倚和黑箱问题是最严重障碍。
**3.7 跨研究趋势与创新**
传感器融合成为关键创新，整合多光谱、环境和卫星数据提升诊断精度，如RF算法结合气象和遥感数据预测欧洲小麦多种霉菌毒素污染风险达90-99%准确率。迁移学习扩大可及性，MobileNet在有限训练样本下实现孢子分类97.4%准确率。低成本物联网系统实现实时监测，如波兰气象站动态预测苹果疮痂病爆发。综合来看，算法选择应指导于具体病害情景：RF适用于环境预测，CNN用于视觉和光谱诊断，混合模型用于复杂多模态数据整合。
**4. 未来展望**
需战略推进以解决现有局限。优先扩大数据集多样性，建立开放获取存储库整合多光谱、基因组和环境数据。传感器融合和边缘计算（如TinyML）可降低技术门槛。可解释AI（XAI）需进化以弥合可解释性差距，例如SHAP值和注意力机制，同时需考虑农民、农学家和政策制定者等不同利益相关者的信息需求。需发展气候韧性模型，整合动态阈值。关注未被充分研究的多年生和特种作物。伦理和公平部署需解决基础设施差距，公私合作可为小农户提供低成本传感器。跨学科合作对将实验模型转化为实地解决方案至关重要。
**5. 结论与关键发现**
ML模型，尤其是基于图像的CNN和传感器融合RF算法，在测试条件下可实现高诊断准确率（采后应用>95%）和症状前检测（67-93%准确率）。但高准确率（>95%）主要反映控制实验室或贮藏条件，而非实际田间环境。研究建议围绕数据、技术、可及性和合作四大支柱：开发全球代表性数据集、采用轻量级ML架构（如MobileNet）、投资物联网基础设施和低成本传感器、以及跨学科联盟共同设计上下文感知解决方案。未来需优先发展气候自适应算法、可解释模型输出和促进数据共享的政策框架，以实现从被动杀菌剂依赖向主动可持续病害管理的范式转变。
