综述:人工智能方法在发酵生物过程中泡沫监测与控制中的应用

《Food Engineering Reviews》:Application of Artificial Intelligence–Based Methods for Foam Monitoring and Control in Fermentative Bioprocesses

【字体: 大 中 小 】 时间:2026年07月14日 来源:Food Engineering Reviews 13.5

编辑推荐:

  泡沫形成仍然是发酵生物过程中的一项主要操作挑战,影响过程稳定性、产品质量和工业可扩展性。在过去十年中,基于人工智能(AI)的方法,包括计算机视觉(CV)、机器学习(ML)和深度学习(DL),已越来越多地应用于自动化泡沫监测与控制。这项系统综述和荟萃分析严格遵循

  
泡沫形成仍然是发酵生物过程中的一项主要操作挑战,影响过程稳定性、产品质量和工业可扩展性。在过去十年中,基于人工智能(AI)的方法,包括计算机视觉(CV)、机器学习(ML)和深度学习(DL),已越来越多地应用于自动化泡沫监测与控制。这项系统综述和荟萃分析严格遵循PRISMA 2020指南进行,旨在批判性评估发酵系统中用于泡沫检测、量化和控制的AI驱动方法。对PubMed、Scopus、Web of Science和IEEE Xplore的系统检索识别出2015年至2025年间发表的566条记录,其中167项研究符合纳入标准,89项符合定量合成条件。随机效应荟萃分析表明,基于深度学习(DL)的模型在泡沫相关任务中显著优于经典图像处理方法,泡沫高度或体积预测的合并决定系数达到R2 = 0.88(95%置信区间:0.84–0.92)。研究间观察到显著异质性(I2 = 72%),反映了实验规模、数据集和验证方案的变异性。使用QUADAS-AI和PROBAST-AI进行的偏倚风险评估显示,模型验证和数据集代表性方面存在中等程度的方法学问题,而根据GRADE标准,总体证据确定性被评为低至极低,反映了模型验证和数据异构性的方法学局限性。这些发现表明,基于AI(人工智能)的泡沫监测能够在发酵生物过程中实现准确、非侵入性和实时评估,但也突显了对标准化数据集、透明验证策略以及与过程控制框架更紧密集成的需求,以支持可靠的工业部署。
**引言**
泡沫形成是曝气生物过程(如微生物发酵)中持续存在的重大挑战,直接影响生产效率,并可能导致重大经济损失。该现象可导致排气过滤器堵塞、培养物污染和产品损失,需要谨慎监测和精确控制策略以维持过程稳定性和最终产品质量。在此背景下,人工智能(AI)和计算机视觉(CV)等新兴技术为非侵入性和实时监测提供了有前景的解决方案。这些方法克服了传统方法(如导电或电容探头)的局限性,传统方法通常是侵入性的,易因污染而出现误差,并且提供的关于泡沫动力学和结构的信息有限。

发酵动力学的预测建模已转向能够捕捉非线性时间依赖性的机器学习(ML)框架,对产量、质量和稳定性产生直接影响。长短期记忆(LSTM)网络、集成模型和混合模型加速了将泡沫预测和气体逸出集成到监测中的进程,这些模型超越了纯粹经验性或单一机理方法。尽管取得了显著进展,但当前文献在外部验证、数据集标准化以及与工业过程控制框架集成方面仍存在显著空白。

随后,研究将这些方法扩展到用于生物反应器监测的实时应用,其中对过度泡沫形成的早期检测允许在过程受损前进行自动干预。LSTM方法在泡沫动力学的时间预测方面表现出优越的能力,能够捕捉发酵时间序列数据中的长期依赖关系。Sousa等人 [3] 展示了LSTM在捕捉泡沫和动力学相关的非线性时间依赖性方面的优势,在递归预测中实现了更高的准确性。同时,Niu [7] 和Al-Darweesh等人 [8] 指出,当使用归一化数据训练时,随机森林在预测甲烷产量和泡沫流变学方面表现优异;集成方法如极限梯度提升(XGBoost)、装袋和堆叠提高了泡沫粘度和发酵结果预测的精度。

因此,本研究设计为一项系统综述和荟萃分析,完全遵循系统综述和荟萃分析首选报告项目(PRISMA)2020指南进行,旨在综合、定量评估和批判性评价近期应用于发酵和食品加工系统中泡沫检测和监测的基于AI(人工智能)的方法。

**食品工程实践中的泡沫相关问题及过程规模约束**
发酵生物过程中的泡沫形成是一个多方面的工程挑战,在工厂层面具有直接的经济、微生物和质量后果。虽然泡沫稳定的生物物理机制——由表面活性蛋白、糖蛋白、溶解CO?动力学和微生物代谢物介导——已在实验室规模得到广泛表征,但其转化为可操作的工厂工程约束在AI(人工智能)文献中未得到充分解决。Tiso等人 [10] 指出,在实验室规模下使用消泡剂可能轻易克服发泡问题,但在放大时仍是一个不具吸引力的解决方案,因为传质减少和额外下游纯化步骤会显著增加生产成本。本节将泡沫视为工厂层面的问题,建立了一个操作框架,在此框架内必须评估基于AI(人工智能)的监测和控制方法。

**体积损失与工作容量减少**
在用于啤酒和生物乙醇生产的圆柱-锥形发酵罐中(操作体积通常为500 hL至超过5,000 hL),过度发泡将有效工作体积(填充系数)降低至标称容量的70%至85% [11]。高重力(HG)和超高重力(VHG)酿造过程(在麦芽汁原始比重超过16°P或底物浓度高于250 g/L总可发酵糖下操作)因CO?产量高以及表面活性啤酒花异-α-酸和酵母衍生蛋白浓度高而产生特别强烈的发泡 [12]。Puligundla等人 [12] 描述了VHG发酵如何通过使用更高糖底物在工艺水和能源方面提供重要节约,但同时放大泡沫形成作为关键控制挑战,必须加以解决才能充分实现该技术的生产力提升。在工业生物乙醇工厂中,不受控发泡的经济影响显著:Buzo等人 [13] 证明,工业发酵罐中的酶辅助消泡策略将消泡剂和分散剂消耗降低了26–37%,对每立方米乙醇产量有直接的成本影响。

**产品质量与挥发性化合物损失**
在葡萄酒和起泡饮料生产中,剧烈发酵期间的泡沫形成会将挥发性酯类、萜烯类和硫醇前体夹带入气相。Kemp等人 [14] 综述了负责起泡葡萄酒泡沫的化合物,并得出结论:葡萄蛋白、酵母衍生甘露糖蛋白和溶解CO?之间的相互作用支配着泡沫高度和稳定性,每种成分对温度和发酵动力学敏感。因此,在工业酒厂规模(20,000–100,000 L的罐)下不受控的发泡可能导致起泡葡萄酒感官特征的批次间偏差。类似地,在啤酒生产中,Nibem泡沫稳定性测试——一项标准行业质量指标,典型规格为≥110秒——直接受发酵过程中消泡管理策略的影响 [15]。

**卫生、就地清洗(CIP)与污染风险**
泡沫溢出会污染外部容器表面和周围设备,在死角区域为微生物定植创造基质。这在根据危害分析与关键控制点(HACCP)和良好生产规范(GMP)框架运行的食品级设施中尤为令人担忧。Tiso等人 [10] 将其确定为浸没式曝气生物过程中有效泡沫控制的主要实际驱动因素之一。CIP循环的频率和化学品消耗直接取决于泡沫管理的有效性:在抗真菌化合物生产的中试规模发酵研究中,Junker等人 [16] 证明,通过优化工艺条件减少发泡,可将消泡剂添加量降低十倍(从30 mL/L降至不到3 mL/L),说明了泡沫控制与下游清洁需求之间的耦合关系。

**食品应用中消泡剂约束**
与制药或化学生物过程不同,食品发酵受到允许使用的消泡剂的严格法规限制。在食品生产中,消泡剂与酵母细胞膜相互作用,减少CO?气泡聚结,并可能改变啤酒的泡沫保持性——一项关键质量参数。在酿酒酵母的工业生物乙醇发酵中,发泡蛋白如葡聚糖1,3-β-葡萄糖苷酶已被确定为泡沫溢出的关键驱动因素,而过表达蛋白酶A(ProA)的工程菌株已在中试规模下实现赤藓醇生产,消泡剂用量减少约80%且不牺牲产量。这一例子说明了一个更广泛的原则:即AI驱动的预测性控制策略(类似于生物过程工程解决方案)最小化了所需消泡剂的用量,从而降低了法规和质量风险。

**工业规模的传感器污染与信号可靠性**
在实验室规模(< 10 L)下,光学泡沫传感器在受控照明、稳定温度梯度和最小机械振动下运行。在工业规模(> 10,000 L)下,同一传感器面临光学窗口上的冷凝沉积(污染)、热梯度、搅拌器振动以及分布器区域附近的CO?过饱和——所有这些都会降低信号质量。Borg等人 [17] 专门针对工业葡萄汁发酵罐中的这一挑战,开发了基于人工神经网络(ANN)和支持向量机(SVM)的ML(机器学习)分类器,训练于雷达衍生的液位测量信号,以即使在大型工业罐特有的不利条件下也能可靠识别湍流和泡沫条件。他们的分类器实现了超过98%的准确性,证明稳健的AI(人工智能)架构可以补偿工业规模固有的信号退化。这种方法表明,仅在清洁实验室条件下验证的泡沫传感解决方案可能无法直接转移到工业部署,而需要架构修改来处理传感器噪声和环境变异性 [17, 18]。

**闭环AI控制的必要性**
综合这些约束,有效的泡沫管理在食品工程实践中需要从反应式(检测后行动)转向预测式(预判后行动)控制策略。Agarwal等人 [19] 在数千升发酵罐的全工业规模上展示了这一转变,表明由自动ML(机器学习)指导的主动消泡剂添加显著减少了排气差压超限次数(直接发泡指标)并提高了发酵产品产量。因此,必须不仅通过分类准确性,还要通过其减少溢出事件、降低消泡剂消耗、维持氧转移速率(OTR)目标以及提高批次间一致性的能力来评估AI(人工智能)方法。本系统综述在解读报告算法性能时采用这一工厂工程视角。

**当前文献空白**
大多数单项研究在有限数据集上、受控实验室条件下进行验证,缺乏稳健的外部验证 [5]。所用架构、评估方法和研究的发酵类型存在显著异质性,使得直接比较和推广结果变得困难 [20]。数据收集方法、训练协议和评估指标的标准化仍然是一个挑战 [21]。此外,诸如AI模型可解释性(决策的可解释性)、公平性(在不同发酵类型间均衡性能)以及在真实工业条件下的适用性等关键方面尚未得到充分研究 [22]。

本系统综述旨在根据PRISMA 2020指南 [23],全面评估基于AI(人工智能)的方法——CV(计算机视觉)、ML(机器学习)和DL(深度学习)——在发酵产品泡沫检测、监测、预测和控制中的应用。

**综述目标**
本系统综述的目标是:系统识别和表征泡沫控制中使用的AI(人工智能)方法;评估这些方法在准确性、灵敏度、特异性和预测指标方面的性能;分析异质性并识别影响性能的因素;使用适应性工具评估偏倚风险和证据确定性,包括用于基于AI(人工智能)诊断方法研究的AI应用诊断准确性研究质量评估(QUADAS-AI)、用于预测模型的AI应用预测模型偏倚风险评估工具(PROBAST-AI)以及推荐分级的评估、制定与评价(GRADE)框架;识别当前文献空白并提出未来研究和实际实施的建议。通过这一综合合成,研究人员旨在为生物技术行业的研究人员、工艺工程师和决策者提供宝贵资源。

**研究问题**
本系统综述的研究问题如下:在工业和实验室发酵过程中,用于实时监测和控制泡沫形成的AI(人工智能)和ML(机器学习)方法论有哪些?与常规方法相比,影响这些方法性能、泛化能力和实际适用性的因素有哪些?

**方法**
本系统综述按照PRISMA 2020指南 [23] 进行,该指南为系统综述的报告透明度和可重复性制定了国际标准。方法学方案在启动检索过程前制定,包括目标、资格标准、检索策略、研究质量评估和数据合成程序的详细信息。

**方案与注册**
本系统综述属于应用工程和AI(人工智能)在发酵过程中应用的领域;因此,在生物医学注册库如国际系统综述预期注册库(PROSPERO)中注册不适用。方法学方案在启动系统检索前已制定并批准(版本1.0,2025年9月15日),并于2025年10月31日在Zenodo平台上公开注册(DOI: https://doi.org/10.5281/zenodo.17490716)。注册确认了最终方案版本的锁定,并确保了设计、检索和合成阶段之间的完全可追溯性。未对初始方案进行实质性修改;更新仅限于明确检索确切日期和阐明研究选择程序。系统检索根据预定工作计划进行并更新至2025年11月27日。

**资格标准**
资格标准采用适用于诊断和预测性AI方法学研究的PICO框架预先定义。在人群、索引测试、比较项、结局、研究设计、时间框架、语言和场所方面应用的详细纳入和排除标准汇总于表1。

**排除标准**
研究人员排除了符合以下任何标准的研究:使用AI/ML(人工智能/机器学习)进行基因组或代谢组学分析且与发酵过程监测/控制无直接联系的研究;纯理论或数学建模研究且不含AI/ML组分的研究;无定量数据或报告性能指标的研究;重复研究(同一研究在多个来源发表);已撤回或存在记录在案伦理问题的研究;以及经过多次尝试仍无法获取全文的研究。

**信息来源与检索策略**
根据PRISMA 2020指南,在PubMed/MEDLINE、Scopus、Web of Science核心合集和IEEE Xplore中进行了全面文献检索,最终检索于2025年11月27日进行。检索策略通过结合三个核心概念领域的受控词汇和自由文本关键词来确保相关文献的全面覆盖:AI(人工智能)和ML(机器学习)方法论、泡沫控制与发酵相关过程,以及符合条件的研究设计。在PubMed中,使用了医学主题词如“人工智能”、“机器学习”、“深度学习”和“计算机神经网络”,并结合标题和摘要关键词如“artificial intelligence”、“machine learning”、“deep learning”、“neural networks”、“computer vision”、“convolutional methods”、“long short-term memory networks”、“convolutional neural networks”、“image processing”和“pattern recognition”。这些词系统性地与出现在标题和摘要中的发酵和泡沫相关关键词结合,包括foam、foaming、bubbles、fermentation、bioprocesses、bioreactors、cultivation、brewing和beer,以识别研究将AI(人工智能)方法应用于发酵系统中泡沫监测、预测或控制的研究。

其他数据库的完整策略见补充材料。对于额外来源,研究人员在纳入研究和相关综述的参考文献列表中进行了手动检索(n = 15个已验证参考文献),但未检索灰色文献或未发表的技术报告。关于检索工具,未使用自动筛选工具。此外,检索限制为:在初始查询中未应用文献类型过滤器;根据资格标准,仅在筛选阶段引入限制。包括逻辑运算符和每个数据库过滤器的完整检索字符串见补充材料。

所有结果以RIS格式导出并在EndNote 21中管理。使用复合键(Author + Year + Title 和/或 DOI)去除重复项。最终列表经手动验证。

**研究选择过程**
两名独立评估者(R1和R2)评估所有已识别记录的标题和摘要,随后对潜在符合条件的研究进行全文评估。分歧通过讨论或咨询第三名评估者解决。使用EndNote 21参考文献管理软件去除重复项。研究选择遵循两阶段方案,即阶段1 - 标题/摘要筛选:使用预定义资格标准评估所有已识别记录的标题和摘要;阶段2 - 全文评估:被认为潜在符合条件的研究以全文格式获取,并由同一两名评审员独立评估。

总体研究识别、筛选、资格评估和最终纳入过程在PRISMA 2020流程图(图1)中总结,该图提供了各阶段记录选择和排除的透明概览。

**图1** PRISMA 2020流程图,总结系统综述和荟萃分析的研究选择过程。根据PRISMA 2020声明 [23] 生成。PRISMA:系统综述和荟萃分析首选报告项目。

为确保过程透明度并保持评估者之间的决策一致性,选择阶段与PRISMA关于两阶段评估(筛选和资格)的建议保持一致。这种方法允许清晰记录每项研究的排除和纳入原因。使用Cohen's kappa系数(κ)评估评估者间一致性。标题/摘要筛选:κ = 0.87(基本一致)。全文评估:κ = 0.92(几乎完全一致)。

**数据提取与管理**
在提取过程中,两名独立评审员(R1和R2)使用标准化且经过预测试的表格从每项纳入研究中提取数据。分歧通过共识解决。

根据PRISMA 2020第10项,使用预定义的提取框架从每项纳入研究中系统提取数据。提取的信息包括书目细节,包括第一作者、发表年份、期刊名称和数字对象标识符。通过记录所研究发酵系统的类型(如细菌、真菌或酵母过程)、研究的操作规模(包括实验室、中试或工业环境)以及分析实验或数据集的数量来记录人群特征。收集了AI方法论的详细信息,包括应用的模型架构类型(如卷积神经网络、LSTM网络、支持向量机或随机森林算法),以及用于模型开发和实现的软件框架和关键模型参数,包括层数和神经元数。提取数据相关特征以评估方法学稳健性,包括训练、验证和测试数据集的大小,数据增强技术的使用,以及为防止数据泄露实施的策略。系统记录了结局指标,涵盖分类和回归性能指标,如准确性、灵敏度、特异性、接收者操作特征曲线下面积、F1分数、精确度、召回率、决定系数、均方根误差、平均绝对误差和基于混淆矩阵的指标。还提取了研究设计相关信息,包括分析是回顾性还是前瞻性、数据来源和数据收集期。最后,收集与偏倚风险和方法学质量评估相关的数据,以便使用QUADAS-AI和PROBAST-AI框架进行结构化评估。

**偏倚风险评估**
根据PRISMA 2020建议,两名独立评审员(R1和R2)使用适应性、基于领域的评估工具评估每项纳入研究的方法学质量和偏倚风险。使用QUADAS-AI框架 [24] 评估基于AI的诊断或分类研究,该框架是QUADAS-2的AI专用改编版,保留了原始医学诊断工具的四个核心偏倚领域——患者(数据源)选择、索引测试、参考标准和流程与时间——并补充了AI专用领域。在本综述背景下,“患者选择”领域被操作化为输入数据源(发酵图像、传感器信号、过程时间序列)的选择以及获取这些数据的生物反应器研究人群的选择,遵循Sounderajah等人 [24] 为AI诊断研究在非临床应用中提出的适应性方案。每个领域被判断为存在低、高或不明确的偏倚风险。聚焦于预测或预后建模的研究使用PROBAST-AI框架评估,该框架在参与者、预测因子、结局和统计分析领域检查偏倚,特别关注与ML应用相关的问题,包括过拟合预防、交叉验证策略、超参数优化、模型校准以及外部验证数据集的使用。领域级判断被归类为低、高或不明确的偏倚风险。每项研究的总体偏倚风险判断根据各自工具指南得出,当所有评估领域均被评为低风险时,研究被认为具有低总体偏倚风险,而存在至少一个领域被评为高风险则导致高风险分类。

**效应测量与合成方法**
**效应测量**
对于二元结局(泡沫检测类型:存在/不存在),提取并分析以下指标:灵敏度、特异性、准确性、预测值以及阳性(LR?)和阴性(LR?)似然比。
对于连续结局(预测准确性、模型性能、过程变量),提取了决定系数(R2)、均方根误差(RMSE)、平均绝对误差(MAE)、曲线下面积(AUC)和F1分数值(如可用)。所有值通过最小-最大归一化标准化为可比单位(0–1),以允许使用不同因变量尺度的研究间进行合成。

**合成方法**
根据PRISMA 2020关于定量合成的建议,使用适用于报告结局性质的国际验证荟萃分析模型对数据进行统计合并。对于连续性能指标(包括决定系数、均方根误差、平均绝对误差和曲线下面积)的单变量聚合,应用了基于DerSimonian–Laird方法的随机效应模型。该方法通过估计研究间方差(τ2)和计算逆方差加权合并估计值来考虑研究内和研究间变异性,从而在存在中度至高度异质性时提供稳健的汇总测量。对于报告配对诊断准确性度量(即AI诊断应用中的灵敏度和特异性)的研究,采用了Reitsma及其同事提出的双变量随机效应模型。该模型联合估计灵敏度和特异性,同时考虑其固有相关性,用于生成汇总接收者操作特征曲线,以及合并的曲线下面积值和相应的95%预测区间。所有报告的95%置信区间和异质性统计量(包括I2值)直接源自这些相应模型,确保整个定量合成的方法学一致性和内部一致性。

**方差估计与一致性验证**
通过I2指标和τ2(研究间方差)量化统计异质性。异质性的显著性通过Cochran's Q检验(p < 0.10视为显著)进行检验。
对于结果一致性评估,在MATLAB R2025a中进行了DerSimonian–Laird估计分析。

**软件**
统计分析完全在MATLAB R2025a(MathWorks Inc., Natick, MA, USA)中进行,使用为DerSimonian–Laird随机效应模型和Reitsma双变量模型开发的定制函数,应用于灵敏度-特异性对的荟萃分析。MATLAB程序包括自动化步骤,用于数据聚合、异质性估计(I2, τ2, Q)、置信区间和预测区间的计算,以及诊断指标(准确性、灵敏度、特异性、AUC)的确定。算法的内部验证确认了当以相同数据和相同配置运行时结果是可重复的,执行之间无数值变化。完整的分析报告和脚本可在项目的GitHub仓库获取:https://github.com/ketney1982/AI-Fermentation-MetaAnalysis-2025。参考文献的管理和组织使用EndNote 21.5(Clarivate Analytics, Philadelphia, PA, USA)。系统分析中包含的所有来源均基于标题、DOI、作者和年份字段导入并自动去重。高级筛选和分组功能用于分类符合条件的研究、生成引文列表以及以兼容统计分析环境的格式导出元数据。与文本编辑器的集成允许根据APA第7版风格自动插入引文和格式化参考文献列表,确保手稿文本与参考文献数据库之间的一致性。

**异质性评估**
根据PRISMA 2020建议,使用已建立的定量指标评估纳入研究间的统计异质性。研究间不一致性主要通过I2统计量评估,值低于25%表示低异质性,25%至50%表示中度异质性,50%至75%表示实质性异质性,超过75%表示相当大异质性。研究间方差额外使用τ2估计量量化,同时应用Cochran's Q检验评估异质性的统计显著性,p值低于0.10被认为表示有意义的研究间变异性。为支持对合并估计的解释并提供未来研究中预期效应范围的信息,在适当时计算了95%预测区间。通过荟萃回归分析和基于发酵类型、AI模型架构、实验规模(区分实验室和工业环境)以及训练数据集大小(少于1000次观测或至少1000次观测)的预定义亚组比较来探索异质性的潜在来源。异质性和模型性能的时间分布进一步在图2中说明。

**图2** 纳入研究的合并决定系数(R2)异质性气泡图,按发表年份绘制,以可视化研究间不一致性的时间演变。气泡面积与研究逆方差权重成正比;气泡颜色编码方法论类别(CV:计算机视觉,DL:深度学习,ML:机器学习,DT:数字孪生)。R2值在发表年份和方法论类别之间的分布表明研究间存在中度至实质性异质性(I2 = 72%;τ2 = 0.05;p = 0.0001,Cochran's Q检验),2020–2025年期间高R2值的集中度较高,对应于LSTM、门控循环单元(GRU)和数字孪生模型的应用。

**敏感性分析与报告偏倚**
**敏感性分析**
根据PRISMA 2020建议,通过一系列预定义的敏感性分析评估合并结果的稳健性。这些分析包括:在排除被归类为高总体偏倚风险的研究后重复定量合成;将分析限制在报告了外部模型验证的研究;以及将数据集限制在发表于同行评审期刊的研究,从而排除会议记录和非同行评审来源。此外,通过对比固定效应和随机效应荟萃分析模型在替代统计假设下的结果来进一步检验合并估计的稳定性。

**报告偏倚评估**
根据PRISMA 2020建议,使用互补的可视化和统计方法评估潜在发表偏倚。通过视觉检查漏斗图以识别提示小研究效应或选择性报告的不对称性;应用Egger's回归不对称性检验正式评估漏斗图不对称性,p值低于0.08被认为表示潜在发表偏倚。此外,使用修剪-填充法估计潜在缺失研究的数量,并评估未发表或选择性报告的结果对合并效应估计的影响。根据Cochrane方法学指导,仅在至少有10项研究可用于荟萃分析时才进行基于漏斗图的分析,以确保充分统计能力和不对称性评估的可靠性。漏斗图分析和Egger's检验的结果展示于图3。

**图3** 评估定量合成中包含的R2估计的小研究效应和潜在发表偏倚的漏斗图。具有相同或近似相同坐标的估计值可能重叠。垂直虚线表示合并随机效应估计值,对角线虚线表示95%伪置信限。估计效应的分布大致对称,没有提示发表偏倚的视觉偏差。Egger's检验(t = 1.23, p = 0.080)未指示统计显著的不对称性,且修剪-填充程序未识别出缺失研究。这些结果支持可检测发表偏倚的缺失,并确认了合并荟萃分析效应估计的稳健性。

**证据确定性评估**
使用GRADE框架 [25] 根据PRISMA 2020建议(第22项)评估每个结局的证据体确定性(质量)。考虑到主要观察性-实验性设计性质,AI/ML模型开发和验证研究的起始评级设为中度。尽管GRADE框架最初为临床干预研究开发,但已越来越多地应用于基于AI的诊断和预测建模研究,因为它为在异质性研究设计和性能结果中评估证据确定性提供了结构化和透明的方法。

分析了五个主要降级标准。当大多数研究呈现中度或高偏倚风险时,偏倚风险导致降一级;当几乎所有研究被判断为高偏倚风险时,降两级。当I2统计量超过50%且预测区间包含零效应时,不一致性导致降一级;当I2超过75%且观察到的效应相互矛盾时,降两级。当研究人群、索引测试或结局与预定义研究问题存在显著差异时,间接性降一级。当置信区间较宽或样本量不足时,不精确性降一级;当置信区间非常宽且同时包含获益和不获益时,降两级。当漏斗图不对称性或Egger's检验统计显著明确提示存在发表偏倚时,发表偏倚导致降一级。

对于初始评级为低的观察性研究,评估了三个升级标准:大效应量(如果 > 2倍则+1,> 5倍则+2),存在剂量-反应梯度(+1),以及混杂方向(如果它们会减少观察到的效应则+1)。每个关键结局的最终确定性被分类为高、中、低或极低。所有降级/升级决定记录于表2,并附有方法学理由。

**表2** 根据GRADE的证据确定性评估
纳入的89项研究(2015–2025)显示AI系统在泡沫检测和控制中的总体高准确性。如图4总结,与基于CV的研究相比,应用于工业环境的基于AI的预测系统观察到相对更高的证据确定性;然而,所有结局均被评为低至极低确定性,反映了整个证据基础中常见的方法学局限性。

**图4** 荟萃分析主要和次要结局的GRADE证据概要图。对于每个结局,该图报告了贡献研究的数量(k)、合并效应估计值及95%置信区间(CI)、降级的领域级理由(偏倚风险、不一致性、间接性、不精确性、发表偏倚),以及用四级GRADE量表表示的最终证据确定性评级:⊕⊕⊕⊕ 高,⊕⊕⊕? 中,⊕⊕?? 低,⊕??? 极低。跨结局的确定性评级分布表明,偏倚风险和不一致性是证据降级的主要原因,而发表偏倚影响有限。比较评价突显了预测性AI系统和基于视觉的方法之间证据强度的显著差异。

**结果**
本系统综述和荟萃分析根据PRISMA 2020指南 [23] 进行,评估了AI、CV、ML和DL方法在发酵过程泡沫控制中的应用。研究选择过程总结于图1,结果按五个小节组织:研究选择;纳入研究的特征;定量合成(跨五个主题结局集群呈现:基于CV的泡沫检测准确性、泡沫形成的预测模型性能、自适应控制器与经典比例-积分-微分(PID)控制器、混合建模与知识集成、以及实时监测系统);偏倚风险评估;以及证据确定性。

图1中的PRISMA 2020流程图综合了分析研究的识别、选择和纳入的整个过程。在数据库(PubMed、Scopus、Web of Science和IEEE Xplore)中识别的566条初始记录中,26条重复被移除,剩下540篇作品进行标题和摘要筛选。在此阶段,290条不符合主题标准(非AI/ML、非发酵或缺乏定量数据)的记录被排除。

全文评估阶段包括来自566条数据库记录的250项研究。通过引文检索获得的15条额外记录被单独验证,由于是重复或不合格,未添加到全文研究集中。在评估的250项全文研究中,83项基于记录在案的标准被排除(未使用AI/ML方法、与泡沫或发酵过程无关、摘要不完整、后期识别的重复、或语言不合规)。最后,167项研究纳入定性合成,其中89项提供了足够的定量数据进行荟萃分析。

**研究选择**
系统识别和选择过程由两名独立评审员(R1和R2)在两个连续阶段(标题/摘要筛选和全文评估)中进行,如有分歧则通过第三名研究人员仲裁。分析的时间区间为2015年1月1日至2025年11月27日,根据预先注册的方案。

对于描述性子分析(例如已发表研究的时间分布),2015–2022、2023、2024、2025等中间时期仅代表用于对89项纳入研究进行时间分类的报告子集。所有检索、资格和荟萃分析阶段均遵循完整的2015–2025区间,无额外排除。

在Scopus、Web of Science、IEEE Xplore和PubMed中的系统检索识别出566条初始记录。移除26条重复后,在筛选层面评估了540篇标题和摘要。其中,290条记录因不相关(非AI/ML、非发酵、缺乏定量数据)被排除。

其余250项研究经全文分析以评估资格。在此阶段,83项研究因记录在案的原因被排除,包括35项研究缺乏AI或ML方法,22项研究与泡沫或发酵过程无关,13项会议摘要数据不完整或不足,8项后期识别的重复记录,以及5项以不合规语言发表的研究。

因此,167项研究符合资格标准并纳入定性合成,其中89项(53.3%)提供了足够的数值数据进行定量荟萃分析。这些研究的时间分布展示于图5,突显了2023–2025年期间发表数量的显著增长,这证实了将AI/ML方法应用于发酵过程控制的兴趣日益增长。这一趋势支持了调查主题的相关性和时效性。

**图5** 纳入定量荟萃分析的89项研究的时间分布,按2015–2025区间内的发表年份聚合。AI:人工智能,ML:机器学习。

在全文评估层面,83项研究基于记录在案的原因被排除,按类别分组于表3。最常见的原因是缺乏AI/ML方法(42.2%)以及与泡沫或发酵过程无关(26.5%)。不完整摘要、后期识别的重复和语言不合规的文章构成了其余排除项。通过引文检索识别的15项研究因重复、不相关、不完整或无法获取而被排除,未改变全文评估研究的总数。

**表3** 根据记录在案的原因在全文评估中排除的研究
表3突出显示的排除原因分布显示,选择过程强烈倾向于保持证据体的主题和方法学一致性。消除不含AI/ML组件的研究、与泡沫或发酵过程无直接关系的研究以及没有可量化数据的摘要显著降低了效应估计稀释的风险,并允许构建一个概念上同质的集合,适用于荟萃分析。类似地,排除后期识别的重复和语言不合规的文章既防止了结果权重的重复,也防止了难以控制的误差源(翻译差异、方法学不可及性)的引入。

总体而言,被排除研究的概况确认了选择始终追求研究问题和预定义的PICO标准,确保了PRISMA 2020指南所要求的决策可追溯性和透明度。这一严格的过滤阶段最小化了选择偏倚,并巩固了荟萃分析结果的内部有效性,允许在评估AI/ML/CV/DL方法在泡沫控制中性能的方法学可比且直接相关的研究语境的背景下解释结论。

基于这一严格的方法学过滤器,最终纳入的研究语料无论在主题上还是研究设计上都代表了一个连贯的样本,足以进行稳健的定量合成。表征这一语料的一个重要阶段是分析出版物的时间分布,这允许评估领域成熟度以及AI/ML/CV/DL技术开始系统性地集成到发酵过程泡沫控制中的时刻。因此,年度发表趋势的检查为解释荟萃分析结果和评估现有证据的时效性程度提供了一个背景框架。

根据PRISMA 2020要求(第16b项),选择过程的结果在基于选择审计和数值一致性验证的图1 – PRISMA流程图中以图形方式合成。此外,图5展示了纳入研究(2015–2025)的时间分布,突显了过去三年(2023–2025)发表的持续增长。这一趋势证实了人工智能在发酵过程中应用的研究加速动态,并证明了荟萃分析的时效性。

**纳入研究的特征**
共有167项研究满足定性合成的资格标准,其中89项提供了足够的定量数据进行荟萃分析,并根据PRISMA 2020第17项总结于表4。使用四个结构维度来表征纳入语料:发表年份、发酵类型、实验规模和AI/ML方法论。每项研究的完整提取信息报告于补充表S1,包括研究类型、发酵过程背景、实验或工业规模、应用的AI/ML方法、调查目的以及报告的性能;未提供性能指标数值的研究按表例标注为“报告了定性结果”。代表性的食品工程应用、工厂规模约束、监测变量和控制策略总结于表5。

**表4** 纳入荟萃分析的研究特征
**表5** 基于AI的泡沫监测与控制中的食品工程案例研究:工厂参数、泡沫驱动因素、操作后果和AI输入信号

关于时间覆盖,发表物在2015–2025窗口内分布不均:40项研究(44.9%)发表于2015至2022年,9项(10.1%)于2023年,15项(16.9%)于2024年,25项(28.1%)于2025年,超过半数语料(55.1%)集中在过去三年 [25, 80, 81, 96]。关于研究设计,实验开发和验证研究占语料多数(n = 100; 59.9%),辅以比较基准研究和中试或工业规模应用;回顾性数据库分析和前瞻性实时部署均有代表。关于实验规模,实验室规模调查占主导(n = 45; 50.6%),而中试规模(n = 3; 3.4%)和工业规模(n = 5; 5.6%)部署相对稀少,36项研究(40.4%)未明确报告规模水平;这一分布突显了在全面实施前在实验阶段测试的主流趋势,其中PLC/HMI集成和机械化监测系统对于稳健过程控制变得至关重要 [35, 71, 85, 107]。关于发酵类型,主导应用领域是一般生物加工(n = 31; 34.8%),其次是基于酵母的啤酒和葡萄酒发酵(n = 15; 16.9%)、非特定泡沫监测(n = 9; 10.1%)、生物乙醇生产(n = 8; 9.0%)、厌氧消化(n = 5; 5.6%)、一般食品过程(n = 4; 4.5%)、酶和蛋白质生产(n = 4; 4.5%)、哺乳动物细胞培养(n = 3; 3.4%)、乳酸生产(n = 2; 2.2%)、用于抗生素和酶的细菌发酵(n = 1; 1.1%)以及其他多样应用(n = 7; 7.9%);这一分布如图6可视化,确认了泡沫监测直接影响产品产量和过程安全的应用占主导,涵盖食品、生化和工业领域的平衡覆盖 [3, 63, 77, 85, 94]。关于方法论,类别(非互斥——见表4脚注)包括通用AI(n = 45; 50.6%)、通用ML(n = 30; 33.7%)、CV(n = 15; 16.9%)、数字孪生(n = 7; 7.9%)、基于ML的软传感器(n = 6; 6.7%)以及其他或未指定技术(n = 5; 5.6%);累计百分比超过100%因为一些研究结合了用于数据采集的CV与下游ML或通用AI层。分布如图7所示,确认了通用AI和通用ML的主导地位,同时CV和数字孪生方法的代表性日益增长,反映了2023–2025年子集中向混合和多模态架构的明显多样化趋势 [36, 67, 94, 96]。

**图6** 89项纳入研究按发酵应用领域的分布,以绝对计数和百分比表示。该图支持识别领域特定的证据空白(例如乳酸生产、哺乳动物细胞培养)。AI:人工智能
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号