《Toxics》：Applications of Machine Learning in the Research of Heavy Metal(loid)s-Related Risk: A Scoping Review of Methodology
编辑推荐：
机器学习在重金属（类金属）风险研究中的应用迅速扩展，产生了大量但零散的文献，因此有必要对各种方法进行系统总结。本调查审查了过去10年间来自Web of Science、Scopus和IEEE Xplore的182篇研究文章，对流行机器学习算法在重金属（类金属）
机器学习在重金属（类金属）风险研究中的应用迅速扩展，产生了大量但零散的文献，因此有必要对各种方法进行系统总结。本调查审查了过去10年间来自Web of Science、Scopus和IEEE Xplore的182篇研究文章，对流行机器学习算法在重金属（类金属）相关风险研究领域中的应用进行了全面分析，涵盖30多种算法和9个研究领域。结果显示，区域风险评估、风险源分析、风险驱动因子分析以及重金属（类金属）（HMs）致病性研究是机器学习应用最频繁的四个领域，占所有应用的80.06%。经典机器学习，尤其是系列树基算法，在所有应用中占主导地位，分别占69.93%和42.74%。此外，一些辅助算法，特别是用于特征分析的算法，常与机器学习结合使用，主要用于解释模型预测结果和分析风险源或驱动因子。该综述揭示了三个主要方法学挑战：(1) 模型在不同环境条件下的泛化能力不足；(2) 预测结果的可靠性不足；(3) 获取高质量训练数据的困难。当前一些文献还受到样本量小、区域偏差、现场验证有限以及多组学数据与机器学习流程整合不足的制约。为解决这些不足，研究人员倡导常规采用具有严格稳定性检查的可解释人工智能（explainable AI, XAI）技术，开发公开可用、经现场验证的基准数据集，并加强机制知识与数据驱动模型的整合。
1. 引言
重金属（类金属）（HMs）因高密度、原子序数或原子量而定义，包括毒性显著的类金属如砷（As）。HMs即使在低浓度下也被视为重要环境污染物，具有持久性和生物累积性，通过水、土壤和空气影响生态系统与人类健康。传统风险分析方法依赖线性模型和简化假设，难以准确描述风险源与受体间的复杂非线性关系。机器学习（machine learning, ML）凭借自动学习高维非线性关系、处理多源异构数据及识别潜在交互项和关键驱动因子的能力，在HMs风险研究中展现出显著优势，涵盖风险预测、源识别、驱动因子分析、毒性效应、生物标志物发现及空间格局分析等。现有综述多聚焦污染控制与修复，对风险研究全链条及算法性能的系统评估不足。本范围综述旨在回答三个研究问题：(1) 常用ML算法及其特性和适用场景；(2) ML在HMs风险研究中的主要应用领域及方式；(3) 当前面临的挑战与未来研究方向。
2. 综述方法
遵循PRISMA-ScR指南，于2026年3月6日在Web of Science、Scopus及IEEE Xplore中检索，检索词涵盖重金属（类金属）、风险及ML相关术语。纳入标准包括：(1) 使用ML、深度学习（deep learning, DL）或人工智能（artificial intelligence, AI）算法；(2) 涉及HMs生态或健康风险；(3) 发表时间为2016–2026年。排除综述、社论、会议摘要等。经去重和三轮筛选（标题、摘要、全文），最终纳入182篇文献。数据提取采用结构化表格，使用独热编码标记研究领域和算法。算法按技术特征分为早期机器学习、经典机器学习、深度学习，以及特征分析和风险概率计算辅助算法。统计分析在Excel中进行，使用Origin生成图表。
3. 常用机器学习算法介绍
3.1 分类
根据文献调查，HMs风险研究中常用ML算法超过20种，分为三类。早期机器学习包括逻辑回归（Logistic）、多元线性回归（MLR）、LASSO回归（LASSO）、岭回归（Ridge）、广义线性模型（GLM）和广义加性模型（GAM）。经典机器学习按技术路线分为：树基算法（决策树（DT）、随机森林（RF）、梯度提升决策树（GBDT）、轻量梯度提升机（LGBM）、自适应提升（AdaBoost）、CatBoost、极端梯度提升（XGBoost））、支持向量基算法（支持向量机（SVM）、支持向量回归（SVR））、统计算法（朴素贝叶斯（NB）、高斯过程回归（GPR））、距离算法（K近邻（KNN）、K均值聚类（K-means））和线性投影算法（主成分分析（PCA）、线性判别分析（LDA））。深度学习包括多层感知机（MLP）、自组织映射（SOM）、长短期记忆网络（LSTM）、循环神经网络（RNN）、门控循环单元（GRU）、卷积神经网络（CNN）及注意力机制算法。辅助算法包括特征分析算法（SHAP、LIME、Boruta、加权分位数和（WQS）、贝叶斯核机器回归（BKMR）、限制性立方样条（RCS）、Cox回归（Cox）、正定矩阵因子分解（PMF）、结构方程模型（SEM））和风险概率计算算法（蒙特卡洛模拟（MCS）、贝叶斯模型（BM））。
3.2 机器学习算法
3.2.1 早期机器学习
MLR基于自变量与因变量的线性关系，常与PCA结合用于风险源分析。GLM和GAM放宽了变量分布假设，能拟合非线性关系。LASSO和Ridge通过正则化处理过拟合和多重共线性，LASSO还可实现变量选择。Logistic回归将线性组合映射到0-1区间，用于分类任务。
3.2.2 经典机器学习
支持向量基算法（SVM）通过最大化间隔超平面进行分类，SVR用于回归。树基算法通过递归划分特征空间构建树结构，集成方法（如RF、GBDT、XGBoost）克服单棵树过拟合，在结构化数据上表现优异，广泛应用于区域风险评估、致病性研究、毒性效应、风险源和驱动因子分析。距离算法（KNN、K-means）基于相似度或距离进行学习。统计算法（NB、GPR）基于概率统计，能处理小样本并量化不确定性。线性投影算法（PCA、LDA）用于降维和特征提取，适用于风险源和驱动因子分析。
3.2.3 深度学习
MLP通过非线性激活函数拟合非线性关系，适用于分类和回归。SOM通过竞争学习将高维数据映射到低维网格，用于风险源分析。RNN及其变体（LSTM、GRU）擅长处理序列数据，用于预测食品加工过程中HM浓度。CNN通过卷积层捕获局部空间相关性，主要用于HM相关疾病（如皮肤病）诊断。注意力机制算法（如Informer、Pyraformer）也被用于食品风险分析。
3.3 辅助算法
3.3.1 特征分析算法
SHAP和LIME基于博弈论或局部代理模型解释ML预测，分析HM暴露影响因素、疾病关联及风险源或驱动因子。Boruta通过引入影子特征进行特征选择。BKMR和WQS分析多变量联合效应，评估HMs或其他风险因素的混合暴露效应。SEM通过路径分析揭示潜在变量间因果关系，用于分析HM从源到暴露再到风险表征的多阶段传递路径。PMF进行多变量因子分析，用于风险源解析。RCS展示剂量-反应关系，估计风险阈值附近的变化。
3.3.2 风险概率计算算法
MCS通过随机抽样生成大量输入参数样本，驱动ML模型迭代计算，估计不同风险水平下风险事件发生的概率。BM也用于风险概率计算。
3.4 评估指标
回归任务常用决定系数（R
2）、均方根误差（RMSE）和平均绝对误差（MAE）。分类任务常用准确率、精确率、召回率、F1分数和AUC-ROC（曲线下面积），其中F1分数和AUC-ROC在类别不平衡时更具信息性。
4. 调查结果
4.1 文献综述概览
4.1.1 总体趋势
过去十年ML在HM风险研究中的论文数量总体增长，2023年后显著增加，可能与ChatGPT引发的AI热潮有关。经典机器学习在大多数年份占比最大，辅助算法与ML算法同步增长。地理分布上，中国贡献最多（43.41%），美国次之（29.12%），两国合计占72.53%。
4.1.2 不同算法应用概览
经典机器学习算法占69.8%，深度学习最低（14.03%），早期机器学习占16.17%。经典机器学习中树基算法占42.57%，集成树算法（RF、GBDT、XGBoost）成为主流。辅助算法中特征分析占81.25%，SHAP占比最大（28.47%），其次是BKMR（11.81%）和PMF（9.72%）。
4.1.3 不同研究领域应用概览
人类健康风险研究占69.78%，生态风险占21.43%，两者兼有占8.79%。在子领域中，风险驱动因子分析（26.84%）、区域风险评估（21.41%）、致病性研究（20.13%）和风险源分析（10.54%）合计占78.92%。
4.2 机器学习在不同研究领域的应用
4.2.1 区域风险评估
基于生态或健康指标（如潜在生态风险指数（PERI）、致癌风险（CR）、危害指数（HI）等），预测HM浓度或暴露剂量。常用算法包括RF、XGBoost、SVM、MLP等。部分研究使用集成学习（如堆叠模型）或MCS/BM计算风险概率。空间格局分析结合地理加权回归、克里金等方法。
4.2.2 风险源分析
利用模式识别自动提取潜在群组，常用PMF、SOM、PCA，结合APCS-MLR定量贡献。SEM可进一步分析因素间交互路径。
4.2.3 风险驱动因子分析
利用树基算法内置特征重要性或SHAP等辅助算法定量评估各因子贡献。SHAP最常用，可揭示非线性和交互效应。SEM也用于路径分析。其他方法包括LIME、Boruta、BKMR、WQS、RCS等。
4.2.4 致病性研究
利用NHANES等数据库，结合树基算法、正则化方法（LASSO）和辅助算法（BKMR、WQS、SHAP）分析HM混合物暴露与疾病（如代谢综合征、心血管疾病、骨质疏松等）的关联。经典机器学习在多数案例中表现良好。
4.2.5 疾病诊断
主要针对砷引起的皮肤病，使用CNN架构（如EfficientNetB1、Conv2D结合自注意力机制）进行图像分类，准确率可达90%以上。
4.2.6 生物标志物发现
利用LASSO、SVM、RF、XGBoost等算法从高通量组学数据中筛选关键基因或代谢物，结合SEM、RCS等分析机制。例如，识别镉（Cd）暴露相关的肾损伤基因特征或砷暴露相关的认知障碍生物标志物。
4.2.7 毒性效应研究
通过MLP、RF、GBDT、CNN等模型预测HMs对模式生物（如弹尾虫、蚯蚓）的毒性，或分析联合毒性效应。元分析结合ML模型可高效利用文献数据，降低成本。
4.2.8 重金属胁迫研究
利用可见-近红外光谱或高光谱成像，结合PCA、CNN等算法非破坏性检测植物受HM胁迫程度，识别关键光谱特征。
4.2.9 食品风险分析
整合土壤、水源、作物特性等多源数据，使用XGBoost、MLR、SEM等预测HM在作物（如水稻、小麦）中的积累及健康风险，量化关键控制因素。
4.3 算法性能比较与综合
4.3.1 文献中算法性能评估
RF、混合算法和XGBoost在多数研究案例中被评为最优算法。树基算法在45.05%的案例中被评为最佳。
4.3.2 算法性能与适用性证据综合
树基模型（RF、XGBoost）在处理表格环境数据时通常优于其他算法，但图像识别任务中CNN占优，MLP在多种任务中表现均衡，混合算法可整合各算法优势。
4.3.3 验证实践与数据局限性
多数研究使用内部验证（如K折交叉验证），但外部验证案例稀少，引发对模型泛化能力的担忧。
5. 讨论
5.1 证据总结
ML在八个HM风险研究领域广泛应用，经典机器学习（尤其是树基算法）占主导地位，原因包括数据兼容性（表格数据）、非线性建模能力、小样本鲁棒性和内置特征重要性评估。
5.2 挑战与未来方向
5.2.1 挑战
(1) 模型泛化不足：环境过程时空异质性与数据独立同分布假设冲突，小样本导致缺乏对极端事件的学习。(2) 预测可靠性不足：多数模型仅基于相关性，缺乏因果推断和不确定性量化，解释停留在特征重要性层面。(3) 高质量训练数据获取困难：历史污染排放数据缺失、关键参数（如HM形态、生物有效性）常被忽略。
5.2.2 未来方向
(1) 增强泛化能力：从纯数据驱动转向机理与数据驱动结合，嵌入物理化学约束，利用迁移学习、因果特征工程。(2) 增强预测可靠性：从“相关黑箱”转向“因果白箱”，整合因果推断与不确定性量化，提供置信区间。(3) 克服数据瓶颈：从被动接受数据稀疏转向主动智能数据获取，整合多源数据，利用物理模型生成高保真模拟数据，预测生物有效性等风险指标。
5.3 贡献与局限性
本综述遵循PRISMA-ScR指南，系统总结了ML在HM风险研究中的应用，涵盖辅助算法，识别研究热点和知识空白。局限性包括仅检索两个数据库，PRISMA-ScR在跨学科领域的适用性有待进一步验证。
6. 结论
ML在HM风险研究中广泛应用，区域风险评估、风险源分析、风险驱动因子分析和致病性研究是四个主要领域（占80.06%）。经典机器学习占69.93%，树基算法占42.74%。深度学习应用相对有限（13.68%）。三大挑战为模型泛化不足、预测可靠性不足和高质量数据获取困难。未来方向包括机理-数据融合、因果推断与不确定性量化、主动智能数据获取。
