《Foods》:Artificial Intelligence in Foodborne Pathogen Detection from Sensing to Food Safety Systems: A Systematic Review
编辑推荐:
本系统综述总结了人工智能(AI)和机器学习(ML)在食源性病原体检测中的进展,涵盖了多种技术(AI辅助显微镜检查、光谱学、生物传感器和基于传感器的系统)、食品供应链、分析性能、操作指标以及监管发展,弥补了以往综述仅限于单一技术或缺乏监管分析的空白。遵循PRIS
本系统综述总结了人工智能(AI)和机器学习(ML)在食源性病原体检测中的进展,涵盖了多种技术(AI辅助显微镜检查、光谱学、生物传感器和基于传感器的系统)、食品供应链、分析性能、操作指标以及监管发展,弥补了以往综述仅限于单一技术或缺乏监管分析的空白。遵循PRISMA 2020指南,研究人员使用经过验证的检索字符串,在Scopus、PubMed和Web of Science中检索了2010年1月1日至2026年6月25日期间的研究。纳入标准包括:明确检测病原体、清晰描述AI/ML算法、在食品或供应链中进行研究评估,以及提供定量验证指标。排除标准包括:仅涉及化学物质的研究、人类诊断研究或纯理论研究。鉴于证据的异质性,研究人员更倾向于采用定性质量指标,而非正式的定量偏倚风险评估工具,并与内部交叉验证和独立外部验证相区分。关键数据通过标准化矩阵提取,经过筛选和滚雪球式检索后,最终语料库包含152项研究。基于卷积神经网络(CNN)的显微镜检查在细菌鉴定中达到>99%的准确率,表面增强拉曼光谱(SERS)与CNN对病原体的检测准确率为98.68%,对抗性菌株的检测准确率为99.85%。ML驱动的生物传感器在存在环境噪声的情况下显示出80-100%的预测准确率。然而,在外部验证中性能显著下降,模型从内部验证的95%下降至独立测试集的78-82%。供应链应用涵盖肉类、乳制品、海鲜和农产品,但大多数仍处于试点阶段。主要限制包括数据异质性、缺乏公共基准、基质干扰、非标准验证协议以及监管不协调。然而,尽管存在挑战,AI与物联网(IoT)、区块链和边缘计算的集成提高了灵敏度,减少了假结果,并实现了实时监测。AI是一种强大的决策支持工具,可补充而非取代现有的食品安全控制措施。为了将这些技术可靠地转化为常规实践,有效的实施需要严格的外部验证和监管协调。
1. 引言
食源性疾病是一个重大的全球公共卫生挑战,需要有效的监测和预防策略。根据世界卫生组织(WHO)在世界食品安全日发布的最新估计,食源性疾病每年约导致8.66亿病例和150万人死亡。尽管自2000年以来食源性疾病的总体负担有所下降,但严重的区域不平等仍然存在,非洲和东南亚的病例数最高。传统的微生物检测方法虽然可靠,但耗时、劳动密集,且通常需要数天才能提供可行结果,这给实时食品安全监测和疫情预防带来了重大挑战。人工智能(AI)和机器学习(ML)技术通过实现快速准确的病原体检测,同时促进复杂微生物数据集的分析,已成为解决这些限制的有价值工具。AI缺乏普遍接受的定义。然而,在食品安全方面,AI可定义为“计算机科学中的一个研究领域,专注于开发和研究使机器能够感知环境、从中学习并采取智能行动以最大化实现既定目标的方法和软件”。ML是AI的主要子领域,指基于数据进行预测的广泛算法,通常在大型数据集中识别变量之间的模式。ML算法通过使用训练数据迭代优化模型参数来提高预测性能。AI和ML软件与传统分析方法的集成显著提高了检测化学和生物来源有毒化合物的速度和成本效益。AI和ML技术通过实现形态特征的自动、客观分析来解决这些限制,从而减少主观性并提高分析一致性。深度学习(DL)是ML的更高级形式,具有多层算法和决策网络,可逐步提取更高级别的信息。所有这些系统都利用先进算法从不同传感模式产生的复杂高维数据中提取有意义的模式。AI驱动的信号处理与先进生物传感技术的融合为实时分析、提高灵敏度和多重检测食源性病原体创造了机会。现有综述已涉及AI在食品安全应用中的某些方面。据研究人员所知,尚无综述同时涵盖可用于食源性病原体检测的不同技术,例如AI辅助显微镜技术、光谱方法和基于传感器的系统,同时考虑在不同食品生产环境中的应用。此外,先前综述的关键空白涉及近年来发生重大变化的监管框架。因此,本综述旨在综合AI和ML在食源性病原体检测方面的最新进展,研究理论基础、不同技术在食品供应链中的实际应用、分析性能以及监管发展,并指出当前限制和AI辅助食品安全系统实施的未来研究重点。
2. 方法
2.1. 检索策略与筛选
本综述未注册,也未获得任何外部资助。根据系统综述和荟萃分析优先报告条目(PRISMA)指南进行,以确保系统综述的质量。首先,确定了主题的主要问题,包括AI和ML在质量控制、食品微生物学应用和食品化学方面的应用,其在食品工业中的应用,第五次工业革命中的食品安全,以及相关监管框架的演变。其次,使用经过验证的检索字符串,从不同搜索引擎(Scopus、PubMed和Web of Science)检索2010年1月1日至2026年6月25日期间的相关出版物。应用布尔运算符组合与AI/ML相关的术语(例如“人工智能”和“机器学习”)与微生物危害相关的术语(例如“食品安全”和“食源性病原体”)以及检测技术相关的术语(例如“光谱学”和“生物传感器”)。两位独立审稿人使用Rayyan QCRI网络应用程序进行标题/摘要和全文筛选,以实现盲法独立决策。任何阶段的冲突通过共识讨论解决。若无法达成一致,由第三位作者进行最终裁决。
2.2. 纳入与排除标准
纳入标准要求论文:1. 明确涉及食源性病原体的检测、定量或鉴定;2. 使用清晰描述的AI/ML算法作为主要数据解释引擎;3. 明确在食品或饮料和/或供应链中评估该技术;4. 报告至少一项可用于诊断验证的定量指标。排除标准包括:1. 仅关注化学污染物或质量参数且与食源性病原体无关的论文;2. 仅涉及人类诊断的研究;3. 仅使用基本描述性统计而无明确ML框架的出版物;4. 纯理论提案;5. 会议摘要、无原始数据的书籍章节和社论。
2.3. 数据提取、质量评估与偏倚考虑
在Microsoft Excel中开发标准化提取矩阵,以捕获和整理每项符合条件研究的关键数据,包括AI方法、检测模式、病原体、食品类型、报告性能以及验证(例如交叉验证与外部验证)。两位独立作者提取数据并进行比较,任何差异通过讨论解决。若无法达成一致,由第三位作者进行最终裁决。符合条件的结果大致分类如下:显微镜检查与图像分析;光谱检测;生物传感器;食品供应链;性能与指标;监管问题。收集的数据包括:报告(作者、年份和出版来源);研究(样本量、基质干扰和微生物);研究设计与特征(计算成本、验证类型、空白与限制)。鉴于所获证据的异质性,从实验室规模研究到工业试点应用,正式的定量偏倚风险评估被认为不适当,且与绘制AI在食源性病原体中的新兴应用的目标不符。相反,为确保分析严谨性,将定性质量指标纳入综合,例如区分仅依赖内部交叉验证的研究与采用独立外部验证的研究。
2.4. 数据综合
从不同数据库下载稿件,包括Google Scholar和ResearchGate等平台。所有来源的最后检索日期为2026年7月11日。通过针对性搜索监管档案领域,还确定了其他灰色文献,包括政府(例如疾病控制与预防中心[CDC]、WHO和欧洲食品安全局[EFSA])和行业报告。去除重复项、标题/摘要筛选和全文资格评估后,通过前向-后向滚雪球法,检索符合全文审查条件的出版物的参考文献列表,并使用Scopus识别和筛选引用它们的研究。通过在线浏览查阅会议记录,并在参考文献部分注明涵盖日期。最终获得152项研究的语料库。随后对所选文献进行分析并综合为几个部分,涵盖AI在病原体检测中的应用、性能评估、工业实施和监管框架。PRISMA检查表可在补充材料中找到。
3. 机器学习基础与在食品安全中的应用
AI在食品安全管理中的应用在科学文献中日益受到探索。自2024年以来,出版物数量急剧上升,中国和美国是迄今为止的主要贡献者。在全球层面,AI在食品安全系统中的应用很大程度上受国家组织影响,高收入国家(HICs)与低收入和中等收入国家(LMICs)之间存在明显的数字鸿沟。对2018年至2025年食品安全应用的系统分析凸显了明显的结构性差异:在HICs中,AI旨在促进监管合规、加强安全系统和增强预测性风险管理,而在LMICs中,它们主要限于基本筛查和操作风险控制。事实上,78%的LMICs缺乏足够的云基础设施,这对AI发展是一个关键缺口。这种差异极其重要,考虑到LMICs承担着最严重的食源性疾病负担,迫切需要现代化。国际组织,如联合国粮食及农业组织(FAO),正在推动能力建设,旨在确保公平的数据访问并促进与私营利益相关者的对话。这种结合私营企业家的力量和经验与国际机构的监管指导的协同行动,对于在LMICs中发展更安全的食品系统至关重要。
3.1. AI驱动的显微镜检查与细菌检测图像分析
细菌细胞形态包含多个维度的信息,共同定义物种特性和生理状态。AI增强的图像分析可以提供对这些形态特征的客观、一致评估,显著减少分类时间并消除操作者依赖性不一致。通过将AI与显微成像相结合,研究人员可以分析传统方法常常遗漏的复杂生物光学信号,尤其是在处理环境胁迫下的病原体时。Papa等人最近的一篇综合综述研究了AI与光学显微镜技术的集成,并报告了其在食源性病原体检测和鉴定中的众多应用。AI辅助显微镜检查还可以检测由物理、化学或热处理诱导的形态变化。Wu等人通过附在直立显微镜上的高光谱成像光谱仪,成功区分了三种不同的细菌状态:活大肠杆菌、热杀灭大肠杆菌和高压灭菌杀灭大肠杆菌。Venugopal等人应用计算形态学分析,揭示了对环境胁迫因子响应中先前未检测到的表型变异。通过基于DL的目标检测结合图像分类,他们证明植物乳杆菌在酸性pH(3.5)下细胞长度比中性条件(6.5)增加41%,这些变化之前通过手动显微镜检查未检测到。这一结果凸显了AI辅助形态学分析检测细微但生物学上相关的细胞适应的能力。Ali等人通过显微成像和AI,利用检测抗生素暴露引起的细菌形态变化,鉴定了大肠杆菌的抗生素敏感性。事实上,当敏感细菌用有效抗生素处理时,它们表现出改变的物理特征,并停止复制周期,而耐药菌株保持正常形态并继续生长不受影响。细胞形状是最容易观察的表型特征之一,包括球菌、杆菌、螺旋菌和多形性形式。琼脂培养基上的菌落形态,以大小、形状、颜色、不透明度和边缘特征表示,是经典微生物学中最古老的诊断特征之一。一些作者将标准化智能手机摄影与Teachable Machine
?图像分析平台相结合,基于宏观形态特征对革兰氏阴性菌菌落进行分类。其他显微镜模式包括明场、相差、荧光和原子力显微镜(AFM)。明场和相差显微镜还可以揭示细菌运动模式,包括鞭毛运动、滑行和抽搐。表1总结了多种AI辅助的显微镜技术。AI与显微镜技术之间的集成依赖于不同光学设置如何为ML算法处理暴露细菌病原体的独特特征。在各项研究中,这种协同作用最重要的方面是AI模型决定显微镜的选择,反之亦然,以捕获特定数据维度,范围从空间到时间再到光谱域。在细菌图像分析领域,卷积神经网络(CNN)已成为基于图像的病原体检测任务中的主导DL架构,特别是在涉及显微成像、光谱数据和高光谱分析的应用中。Park等人提出了一种基于DL的策略,用于快速准确检测活食源性细菌,特别是解决区分细菌微菌落与视觉上相似的食物碎片(例如菠菜、Cotija奶酪和鸡胸肉)的挑战。通过仅使用细菌图像训练模型,达到了24.2%的假阳性率。然而,通过将食物碎片纳入训练数据,改进后的模型实现了0%假阳性,消除了由食物颗粒引起的错误分类。Meng等人比较了其CNN框架与两种传统ML方法(k最近邻分类器和支持向量机)在筛选单细胞方面的效率和准确性。他们的CNN框架仅使用无标记明场图像,成功识别了多种细胞类型,准确率超过99%,最终避免了与传统荧光染料相关的侵入性和破坏性影响。因此,CNN被描述为一种强大的DL架构,旨在从训练数据中自动学习和识别模式,无需手动设计和提取图像特征,从而能够有效处理大规模、多类别的数据集。
3.2. AI辅助食源性病原体光谱检测
现有综述已涉及病原体检测技术及其在食品安全和临床诊断应用中的多个高级方面。基于所审查的关于AI辅助生物传感器光谱学的文献,表2呈现了SWOT分析。Wang等人回顾了基于ML的高通量光学传感器在食品检测中的实施,还考虑了新型纳米材料的应用。这些作者分析了复杂食品系统中信号干扰、光谱重叠和环境波动等技术问题,并回顾了支持向量机、随机森林和CNN等算法对农药残留、重金属和微生物的精确解耦和特征区分的影响。该领域早期综述之一,Zhou等人发表的一份全面总结,重点关注了生物传感技术中使用的ML方法,以提高食品安全检测的智能化水平。这些作者分析了经典算法和DL模型在处理电化学和光学生物传感器复杂结构数据时的技术难点。该综述探讨了对食品掺假检测、食品质量预测和早期食源性疾病预警的影响。在Wu等人的系统综述中,研究了用于多重病原体检测的光学生物传感器的实施,还考虑了微流控设备、核酸扩增技术(NAAT)和纳米材料的应用。作者分析了信号串扰、有限的多色标记范围和背景干扰等技术问题,并回顾了比色、荧光、表面增强拉曼光谱(SERS)和表面等离子体共振(SPR)平台对食品安全的快速、现场多病原体鉴定产生的影响。Fdez-Sanromán等人发表了一篇关于水质评估生物传感器技术的综合综述。涉及微流控集成以及使用SELEX、分子印迹聚合物(MIPs)和自组装单分子层(SAMs)等先进技术制造传感器的不同技术问题。此外,该综述强调了快速检测新兴污染物和病原体对公共健康和环境完整性的影响。光谱技术捕获电磁辐射与物质之间相互作用的信息,从而深入了解样品的组成和结构。拉曼光谱通过分析每种病原体物种特有的特征分子振动模式,提供快速、无标记的细菌鉴定。Rahman等人报告称,拉曼光谱与ML和DL结合时,在食源性和临床病原体检测中达到高准确率。该技术通过识别抗生素耐药性标记并区分耐甲氧西林金黄色葡萄球菌(MRSA)和甲氧西林敏感金黄色葡萄球菌(MSSA)菌株,在快速临床诊断和抗生素耐药性检测中很有用。Kang等人将SERS与CNN应用于血流感染病原体检测,成功实现了对致病菌98.68%的检测准确率,以及对碳青霉烯耐药肺炎克雷伯菌99.85%的鉴定准确率。Abo Dena等人使用集成系统,结合衰减全反射-傅里叶变换红外(ATR-FTIR)光谱与AI算法,以100%的准确率区分以下真菌物种:产黄青霉、曲霉属物种和两种不同的尖孢镰刀菌菌株。为降低数据维度,该团队首先应用主成分分析(PCA),然后提取最具区分力的光谱特征。这些优化后的特征随后由运行不同ML分类器(如SVM和kNN)的自动微控制器板设置处理。ATR-FTIR光谱与AI的结合提供了一种简单、自动化且高效的分析工具,特别适用于种子和谷物加工中的高通量筛选应用。
3.3. AI驱动的生物传感与基于传感器的检测系统
生物传感器因其在复杂化学和生物基质中运行的能力,已成为食品安全的核心技术。Abd Rahman等人最近进行的一项系统综述评估了用于检测食源性病原体的电化学生物传感器的性能、进展和局限性,分析了1998年至2025年间发表的77项研究数据。电化学生物传感器被描述为便携、低成本且高灵敏度的替代方案,通过使用抗体、适配体或噬菌体等生物受体捕获病原体,并将该相互作用转化为可测量的电信号,从而检测食源性病原体。同时,在使用的各种生物传感器中,光学传感器已作为快速且可接口的工具出现。它们通过使用生物识别元件与功能纳米材料结合,将病原体的存在转化为可测量的光信号,例如颜色变化或荧光。由于比色传感器结果由视觉颜色变化组成,易于通过手机摄像头解读,因此非常适合在生产线上或现场进行快速初步筛查。光学传感器可产生复杂的光谱和成像数据,尤其是在面对复杂食品基质的干扰时,将其数据与ML和化学计量学算法集成,可通过改进模式识别并实现智能、实时的食品安全决策,帮助处理和应对复杂信号。与传感器并行使用三种主要的ML方法:无监督学习、监督学习和DL。无监督学习技术如PCA和层次聚类分析(HCA)用于对未标记数据集进行分组并降低数据维度,在保持阵列区分分析物能力的同时过滤掉冗余信息。无监督学习方法包括K-means聚类和层次分析,促进对复杂食品基质中未标记数据集的模式识别。这些方法在可能不存在全面标记数据集的病原体表征探索阶段特别有价值。自监督学习利用对比学习框架,在从无标签或部分标签数据中学习稳健特征表示方面显示出前景。监督学习算法如线性判别分析(LDA)、SVM和人工神经网络(ANN)在已知数据上训练以构建高精度分类器。这些模型可以快速将新的未知食品样本分类到特定类别。传统监督学习仍然是病原体检测中的主导范式,其中包含阳性样本和阴性样本的标记数据集用于训练分类模型。SVM和随机森林(RF)分类器作为基线方法表现出强大性能,特别是与来自光谱数据的手工特征相结合时。然而,这些传统方法通常需要大量的特征工程和领域专业知识,限制了它们对新颖检测场景的适应性。最后,对于海量的非结构化数据集,如光学传感器中的视觉颜色变化,采用CNN等DL框架。CNN可以直接从图像中提取分层特征,实现关于食品质量的精确自动化预测。
4. 食品生产系统与供应链中的人工智能
4.1. 肉类与家禽加工
食品安全和合规是肉类和家禽行业的关键优先事项,AI工具可以支持监测和控制策略的持续改进,为危害检测提供快速且经济高效的方法。在病原体监测方面,ML主要应用于异构数据集的分析和从大规模运营数据中提取预测性见解。肉类和家禽产品仍然是微生物污染风险最高的食品类别之一,特别是单核细胞增生李斯特菌和大肠杆菌O157:H7,尤其是在生肉产品中。Olufemi等人提出了在美国肉类加工环境中集成生物传感器、IoT、ML和AI的实时检测策略。他们的框架依赖于在关键污染点部署传感设备,包括接触面、空气监测系统和水网络,从而实现环境参数(如温度、湿度和pH)的连续采集,以及历史微生物数据和操作变量。所提出的验证方法涉及AI预测系统的警报与设施实际实验室样本结果之间的直接比较,以确保系统的准确性和可靠性。CNN方法可用于评估肉类新鲜度。Alvarez-Garcia等人探讨了AI和先进传感器技术如何通过非破坏性技术,如计算机视觉、高光谱成像(HSI)、可见光和近红外光谱(VIS/NIR)、磁共振成像(MRI)和超声检查,来评估肉类质量特性。AI系统还可以与射频识别(RFID)技术和基于区块链的基础设施集成,以增强可追溯性并确保对整个供应链中产品来源和储存条件的透明监测。在农场层面,RFID耳标有助于在生产的各个阶段持续识别牲畜,支持从饲养到屠宰和分销的国家登记。此外,ANN的应用有助于处理食品检验过程中产生的数据,直接改善和自动化可追溯性工作。此外,在供应链管理中,AI的应用在可追溯性和质量控制方面带来了显著进步。
4.2. 乳制品
越来越多的文献强调AI在乳制品行业中的作用日益增强,其中ML、DL、IoT技术和区块链系统被广泛应用于提高生产效率、物流和质量保证。在此背景下,SARIMA、Tabu搜索和蚁群优化等预测算法被用于需求预测、库存优化和供应链管理。乳制品生产过程的日益数字化和高分辨率操作数据的可用性进一步加速了数据驱动监测系统的采用。基于ML的传感器阵列在识别牛奶中的致病菌和腐败微生物方面表现出强大性能。Wang等人开发了一种非特异性光学传感器阵列,结合三种类型的二维纳米材料(2D NPs)与荧光标记的单链DNA(ssDNA)探针,为多种细菌物种生成独特的荧光特征。然后,研究人员将该阵列与六种ML模型耦合以解释这些复杂模式。信号通过ML模型组合进行解释,包括随机森林分类器、多层感知器(MLPs)和Kolmogorov-Arnold网络(KANs),从而能够准确区分八种不同的细菌物种。除了微生物鉴定,ML方法还应用于评估牛奶质量、纯度和真实性,同时支持安全和欺诈检测策略。在系统层面,AI有助于改善决策、资源分配以及牛奶生产和牧场动态的管理预测,同时实现污染风险和生产异常的早期检测。Dragone等人研究了一种基于ML驱动的危害分析与关键控制点(HACCP)框架的远程诊断系统,用于乳制品链监测。该系统能够检测牛奶生产过程中的异常,并通过牛奶成分分析区分动物的生理状态和品种。与其他供应链应用类似,AI能够识别化学特征、包装完整性和生产数据中的细微偏差,从而支持预测性风险映射并增强乳制品欺诈和质量退化的早期预警能力。
4.3. 海鲜加工与质量评估
AI正在改变鱼类和海鲜的质量评估,通过实现之前通过劳动密集型方法评估的生物和品质相关属性的自动化分析。应用包括物种识别、行为监测、形态测量分析、疾病检测和新鲜度参数评估。ML与电子鼻系统结合已成功用于评估海产品的新鲜度和微生物组成。此外,ML模型已应用于预测冷冻储存期间不同温度条件下鳕鱼和大西洋鲣鱼的总挥发性盐基氮、三甲胺氮、硫代巴比妥酸和游离脂肪酸等生化降解指标,从而能够模拟变质动力学。这些方法展示了数据驱动方法在支持海鲜供应链中的质量监测、保质期预测和决策方面的潜力(表3)。
4.4. 新鲜农产品安全与质量监测
农业和新鲜农产品系统越来越依赖智能监测框架来确保安全、优化产量并减少采后损失。ML方法,包括RF、SVM和DL架构,已被广泛用于识别天气条件、植被指数和生产力模式之间的复杂关系,从而实现更准确的产量估算。基于IoT的地面传感器的集成进一步扩展了这些能力,通过捕获精细尺度的环境变化,如土壤水分动态和早期虫害信号,从而改善作物管理决策支持信息的粒度。从食品安全角度来看,新鲜农产品受大肠菌群和其他致病菌污染可能通过灌溉水、野生动物暴露或采后处理发生,这代表了整个供应链中的持续风险。DL方法与UV-C荧光成像结合已应用于检测柑橘和菠菜叶上的大肠杆菌污染,在菠菜中验证准确率超过92%。此外,使用3D打印技术集成了轻量级深度卷积神经网络(DCNNs)的智能包装和新鲜度监测系统已被开发出来。例如,结合溴百里酚蓝和甲基红的双色CO
2敏感标签已被用于跟踪储存过程中的气体变化,提供随时间变化的农产品质量的视觉和数据驱动指标。
4.5. 跨部门挑战
如上所述,AI和ML融入食品安全系统已成为更好地管理生产和不合规问题的变革性方法。然而,尽管AI驱动的检测和质量监测系统前景广阔,但在数据标准化、基质干扰补偿和分析验证方面仍存在重大障碍,威胁着它们在所有食品供应链中的实际部署和监管接受。表4概述了食品质量监测和AI实施中的一些跨部门瓶颈。如表4所示,基质干扰是一个高度特异且重要的挑战,取决于所分析食品的物理、化学和生物特性,范围从物理变化到化学成分变化。此外,数据标准化和可用性是AI在食品供应链中部署的最大瓶颈之一,通常被称为“大数据”挑战。与通用物体识别不同,针对特定食品质量和安全问题的准确标记数据集罕见、创建成本高,且通常为专有。
5. 性能评估与操作指标
AI驱动的病原体检测技术的快速发展扩展了传统上用于评估诊断性能的标准。虽然传统评估主要关注灵敏度、特异性和检测限等分析参数,但对快速、自动化和高通量监测的需求日益增长,凸显了额外操作考虑因素的重要性。在食品安全应用中,病原体检测通常涉及复杂基质、异质性微生物种群和时间敏感的决策,仅凭分析性能评估技术可能无法全面反映其实际效用。近年来AI辅助成像、生物传感、光谱和分子检测平台的进展表明,病原体检测的改进不仅源于增强的传感能力,还源于更有效地从复杂数据集中提取和解释信息。通过自动化特征识别、减少背景噪声影响和加速数据处理,AI有潜力提高诊断有效性和操作效率。同时,评估这些技术的实际价值需要考虑超出实验室性能的因素。在复杂食品基质中可靠运行、对生物变异性的鲁棒性以及与现有食品安全监测系统的兼容性是成功实施的基本前提,但这些方面在概念验证研究中往往未得到充分解决。外部验证是评估模型是否泛化到训练群体之外的金标准。然而,在食品安全AI应用中,验证的深度和严格性差异巨大。对165篇同行评审的食品色谱和食品分析研究的系统分析表明,高倍交叉验证和留一法交叉验证(LOOCV)与独立外部测试集相比,持续高估了模型准确率。例如,模型在内部交叉验证上通常报告95%的准确率,但在不同分析条件下或来自不同生产设施收集的真正外部数据上,准确率下降至78-82%。食品安全AI研究的主要弱点包括单站点数据集、回顾性设计、参考方法报告不完整以及工作流测试有限。常见的可重复性失败包括方法文档不完整(78%的研究)、代码或数据不可用(85%)、非标准性能指标(68%)、未报告超参数(72%)、缺少数据集规范(65%)以及未报告随机种子或初始化状态(55%)。这些问题为外部复制和独立验证造成了级联障碍。公共基准数据集对于可重复的食品安全AI研究至关重要,但存在重大空白。Qian等人记录到,缺乏公开可用、精心策划的数据集是食品安全AI/ML模型开发的主要障碍。为解决这一问题,建立了康奈尔食品安全ML存储库,包含三个清洗和注释的数据集。该存储库包括可定制的脚本和LazyPredict工具,用于训练不同的ML模型,并明确解决了隐私保护数据共享场景。多模态AI的最新发展表明,性能评估应越来越多地考虑检测系统集成异构数据源的能力,包括成像、光谱、生物传感和过程监测信息。这种集成方法可能提高在真实世界条件下病原体检测的鲁棒性和可靠性,尽管来自大规模工业部署和长期验证研究的证据仍然有限。在此背景下,AI和大数据方法主要作用于其他分析平台产生的信号和数据集,其主要价值在于结果解释、数据集成、自动化和决策支持。表5提供了用于病原体检测和传染病诊断的不同AI算法的全面比较。
5.1. 检测准确率与灵敏度
准确率和灵敏度是病原体检测中最关键的性能指标,因为它们直接反映系统正确识别阳性和阴性样本的能力。许多研究报告了高水平的诊断准确率、灵敏度和特异性,但这些性能指标应谨慎解读。事实上,AI模型在不同数据集、实验室和真实世界条件下保持可比性能的能力仍然是一个重大挑战。数据异质性、类别不平衡、罕见病原体的有限代表性以及样品制备的可变性可能显著影响模型的泛化性和可重复性。因此,在使用独立数据集和标准化评估协议进行外部验证之前,AI辅助病原体检测系统无法可靠地部署到常规食品安全应用中。尽管存在这些限制,近期研究表明,当与先进传感和成像技术集成时,AI可以显著增强病原体检测性能。CNN在基于成像的病原体检测任务中持续实现高灵敏度和特异性,而集成学习方法和SVM在训练数据集有限时通常提供稳健的性能。重要的是,没有单一算法被证明在所有不同应用中优于其他算法,这表明诊断性能高度依赖于数据特征、样本量和分析目标。几个AI辅助检测平台报告了异常高的分类性能。例如,SERS与Vision Transformer架构的集成实现了从临床血样中快速细菌鉴定,革兰氏分类准确率99.3%,物种鉴定准确率97.6%,耐甲氧西林金黄色葡萄球菌检测准确率98.5%。类似地,结合纳米材料传感器与DL算法的AI驱动生物传感系统在复杂水样中实现了超过98.5%的微生物鉴定准确率。在液体食品和农业水质矩阵中,尽管存在环境噪声和样本变异,自动AI生物传感框架实现了80%至100%的预测准确率,展示了ML方法在较少控制条件下保持诊断性能的潜力。计算显微镜的进展进一步扩展了AI辅助病原体检测的诊断能力。近期研究使用基于Transformer的图像分析方法报告了多种临床相关病原体超过98%的分类准确率,而ANN结合定量相位成像在经过重复测量后实现了接近99.9%的鉴定准确率。总体而言,这些发现证明了AI在多种分析平台上提高检测准确率和灵敏度的能力。然而,实验方案、数据质量和验证程序的变异性仍然使研究之间的直接比较复杂化,并强调了标准化基准框架和独立验证数据集的必要性。因此,报告的准确率数据需要谨慎评估,因为它们来自不同的病原体、基质、样本量和实验条件。此外,许多研究是在受控实验室数据集上进行的,而非真实世界条件下。因此,在缺乏比较或荟萃分析框架的情况下,采用标准化协议的外部验证仍然不可或缺。
5.2. 结果时间与快速检测性能
快速检测是食品安全监测的关键要求,因为病原体识别的延迟可能使受污染产品进入食品供应链并增加食源性疾病暴发的风险。生成可行结果所需的时间已成为评估AI辅助病原体检测系统日益重要的性能指标。传统微生物工作流程需要至少48小时才能进行病原体鉴定和抗生素敏感性测试,某些诊断流程根据生物体复杂性和分析程序可延长至72小时。这些延迟严重限制了它们在时间敏感场景中的适用性,特别是在严重感染中,早期干预至关重要,并可能导致长期的抗生素经验性治疗和潜在的不适当治疗。近期整合生物传感平台、纳米技术、光谱技术和基于核酸的检测方法的技术进步已被开发用于减少诊断周转时间,同时保持分析可靠性。这些方法包括快速扩增方法、小型化分析系统和改进的信号转导策略,相较于传统培养方法,共同促进了更快的检测工作流程。在这方面,AI通过加速数据解释并实现这些平台产生的复杂信号的近实时分析,发挥着补充作用。AI通过自动化数据处理、特征提取、模式识别和结果解释来促进这一过程,从而减少分析周转时间并促进更快的决策。AI并非作为直接传感技术,而是主要作为解释性和决策支持层,作用于上游分析平台产生的数据,其主要价值在于集成异构数据并简化分析工作流程。这些优势的证据已在多个AI辅助传感平台上报告。Yi等人开发了一种基于噬菌体介导的显微模式识别的AI驱动生物传感框架,在不同水样中实现病原体检测时间少于5.5小时,同时保持80%至100%的预测准确率。值得注意的是,该模型仅使用实验室生成的数据集进行训练,但成功泛化到包含未见过的环境噪声的真实世界样本,展示了AI在现实操作条件下加速微生物监测的潜力。同样,由于难以比较报告的数据,准确率数据应谨慎解读。基于CRISPR的生物传感平台最近已成为食源性病原体检测的快速且可现场部署的工具,克服了传统诊断工作流程的若干限制。通过将CRISPR/Cas系统与核酸扩增和信号转导策略相结合,这些方法能够在复杂食品基质中实现快速和特异性检测。重要的是,最新发展凸显了其显著缩短结果时间的潜力,同时持续存在的挑战包括标准化、多重能力和基质相关抑制。将AI用于序列分析和决策支持工作流程被提议作为进一步加速和优化基于CRISPR的食品安全监测系统的关键策略。最近,Ma等人将CRISPR/Cas与微流控平台上的多重荧光探针环介导等温扩增(mLAMP)相结合,用于改进食源性病原体的检测。对24份接种样本和50份真实海鲜样本的验证表明,结果与qPCR和培养方法高度一致。然而,尽管取得了这些进展,AI辅助的结果时间性能仍然依赖于上游分析信号的质量、稳定性和标准化,以及稳健的样品制备和数据采集协议。实验条件的变异性和有限的大规模验证研究仍然是这些系统在食品安全应用中常规部署的关键挑战。
5.3. 成本效益与可扩展性分析
常规食品安全监测需要能够在经济可持续条件下处理大量样本的分析技术。因此,AI辅助病原体检测的价值不仅取决于诊断性能,还取决于可扩展性和运营费用。基于AI的系统可以通过自动化劳动密集型任务来提高分析效率,从而减少人工工作量并支持更高的实验室分析能力。这些优势在高通量实验室中尤为相关,因为连续测试和时间限制需要高效的工作流程管理。ML通过优化工艺参数和实现基于风险的监测,提供了强大的基线投资回报率。研究表明,ML驱动的预测性维护可降低维护成本18-25%,而AI驱动的分析可将供应链效率、物流和库存管理优化高达95%。AI驱动的预测性维护还可将停机时间减少高达30%,将预测准确率提高18%,同时将运营成本降低12%。在一项大规模实施中,McKinsey记录了维护成本降低18-25%。然而,真正的经济杠杆在于用于自动视觉检测的DL和计算机视觉。许多公司通过减少错误和重新分配劳动力,在一年内实现投资回报率。2024年全球AI食品安全与质量控制市场估计为27亿美元,预计到2029年将达到137亿美元,复合年增长率为30.9%。早期采用者报告总成本节省高达14%,General Mills等公司自2024财年以来通过使用AI评估每天超过5000批货物,节省了超过2000万美元。然而,这些系统的实施涉及大量财务投资。高分辨率成像设备、光谱仪器、生物传感器和计算基础设施与常规微生物方法相比显著增加了初始成本。与维护、软件更新和计算资源相关的额外费用进一步增加了总经济负担。除了初始投资,成本效益应从全生命周期角度