综述:用于分析不同环境介质中微塑料的拉曼-人工智能分析流程的现场适用性
《Journal of Hazardous Materials》:Field Readiness of Raman-AI Pipelines for Microplastic Analysis Across Environmental Matrices
【字体:
大
中
小
】
时间:2026年08月07日
来源:Journal of Hazardous Materials 10.6
编辑推荐:
摘要:微塑料监测越来越依赖于能够为决策提供信息的流程,而不仅仅局限于实验室数据集。拉曼光谱结合人工智能/机器学习或化学计量学可助力聚合物识别,但高基准准确率并不能确保该流程在不同基质、仪器、预处理方法及实际应用场景中依然可靠。本综述通过规范化的评估体系,分析在将拉曼-人工智能微塑
摘要:微塑料监测越来越依赖于能够为决策提供信息的流程,而不仅仅局限于实验室数据集。拉曼光谱结合人工智能/机器学习或化学计量学可助力聚合物识别,但高基准准确率并不能确保该流程在不同基质、仪器、预处理方法及实际应用场景中依然可靠。本综述通过规范化的评估体系,分析在将拉曼-人工智能微塑料分析技术投入实际应用之前所需具备的证据。通过Scopus检索得到151篇相关文献,最终筛选出61项研究,这些研究根据样本基质、拉曼检测方式、采集元数据、预处理方法、模型类型、分析任务、验证设计、报告内容以及应用宣称进行分类。所选研究均为近期发表的,且以分类识别为主。其中43项研究(70.5%)发表于2023年至2025年;42项研究(68.9%)属于分类/识别类研究;研究对象以水环境或实验室控制环境中的样本为主。微型拉曼光谱是主要检测手段,共36项研究采用该技术(59.0%),其次是表面增强拉曼光谱,共10项研究使用(16.4%);而定量/回归分析仅6项研究采用(9.8%),成像/绘图分析则仅有3项研究应用(4.9%)。在报告内容方面存在明显不足:61项研究中有20项提到了光谱分辨率,33项提及了数据归一化/缩放处理,16项提到了宇宙射线干扰消除,9项讨论了泄漏控制问题,6项进行了不确定性分析,4项阐述了模型的可解释性,8项说明了数据或代码的可用性。我们提出了一种以应用准备度为导向的评估框架,将分类器的性能作为评估要素之一,全面考量整个拉曼-人工智能工作流程。多准则决策分析结果表明,要实现该技术的实际应用,还需要建立包含代码的开放性基准测试、分组与外部验证机制、考虑不确定性的输出结果、针对峰值特征的可解释性、可追溯的预处理流程,以及跨基质、跨仪器的测试。在这些要素成为常规之前,关于该技术已具备实际应用条件的宣称仍应持谨慎态度。
引言:微塑料监测如今既被视为一种分析检测问题,也涉及水务机构、食品行业以及环境风险管理领域的决策问题。沿岸和海洋研究显示,不同位置的微塑料沉积量及其聚合物组成可能存在显著差异,而对生物体内的微塑料进行体积拉曼成像则可发现组织内部颗粒分布的不均匀性[1]、[2]。在与暴露相关的场景中,颗粒尺寸范围广、成分多样且基质复杂,这些都增加了来源判定和风险评估的难度,因此监测设计更应被视为一种推理问题,而非简单的识别任务[3]、[4]、[5]、[6]。拉曼光谱的优势在于能够提供颗粒层面的化学信息。然而在复杂基质中,其检测性能很大程度上取决于具体的工作流程。背景信号、混合颗粒、荧光现象以及环境差异都可能大幅影响检测结果的准确性[7]、[8]。因此,检测通量与极限灵敏度都取决于整个工作流程,包括所用仪器以及相应的预处理步骤。在信号强度较低或处于接近实际应用环境的条件下,人工智能和化学计量学模型被越来越多地用于提升分析结果的可靠性[9]、[10]、[11]。近期的微型拉曼光谱、高光谱拉曼光谱以及表面增强拉曼光谱研究显示,这类技术在灵敏度、检测速度以及自动化程度方面均有提升[12]、[13]。只有当模型设计与采样条件、表面增强拉曼效应的基底材料以及具体基质特征相匹配时,这些提升才能真正具有说服力[14]、[15]、[16]、[17]、[18]、[19]、[20]。目前,该技术已应用于家庭环境、土壤、空气、食品以及生物体样本等不同基质中[21]、[22]、[23]、[24]、[25]。图1展示了聚合物产物及其降解过程与不同形态微塑料之间的关系,以及对应的拉曼光谱、标注过的数据集和基于人工智能的分类方法。由于紫外线氧化、材料脆化以及物理破坏等因素会影响微塑料的二次形成,因此风化过程也被视为与暴露条件相关的因素[26]、[27]、[28]、[29]。在表面增强拉曼光谱研究中,基底的表面形态、信号重复性以及着色剂的干扰作用也同样重要,因为它们会影响到模型所使用的光谱数据[30]、[31]、[32]、[33]、[34]、[35]。尽管相关研究发展迅速,但目前的研究证据仍以基准测试为主。许多研究在经过精心挑选的数据集上获得了较高的内部分类准确率,还有一些研究采用了基于光谱层次的随机数据分割方法,这种方法可能会导致训练集和测试集之间出现信息泄露现象[36]、[37]、[38]、[39]。跨基质、跨实验室以及跨仪器的测试仍然较为少见[40]、[41]。因此,所观察到的准确率提升很可能源于特定的预处理方法、标签选择或采样时间窗口,而非真正的泛化能力[42]、[43]、[44]、[45]。目前最大的不足在于缺乏针对实际应用场景的报告。虽然有一些近期研究探讨了外部测试、检测通量以及复杂基质下的应用情况,但多数论文仍然更侧重于展示基准测试结果,而对不确定性、模型可解释性、重复性保障以及实际应用规则等方面的阐述相对不足[46]、[47]。这就导致了概念验证阶段的成功与在实际监测、筛查或风险评估中的应用之间存在差距[48]、[49]、[50]、[51]。以往的综述主要围绕三个核心问题展开:一部分研究探讨了机器学习在微塑料检测中的应用潜力[52]、[53],微塑料的存在位置[54],以及光谱技术如何辅助微塑料识别[55]、[56]。这些研究固然有价值,但并未解决更为具体的问题,即何时高精度模型才能真正具备在监测、筛查或风险评估中应用的可靠性[57]。然而,这些相关的综述并没有回应一个关键的转化问题:尽管已有研究阐明了拉曼光谱、傅里叶变换红外光谱、表面增强拉曼光谱以及成像技术在微塑料识别方面的优势,也有研究介绍了用于微塑料检测的各种人工智能模型,但整体而言,目前尚不清楚拉曼-人工智能工作流程是否拥有足够多独立、可重复且能适应不同基质条件的证据,从而能够在开发环境之外用于实际的监测或筛查工作[55]、[58]、[59]、[60]、[61]、[62]、[63]。因此,本综述重点探讨在将拉曼-人工智能微塑料分析技术视为可投入实际应用之前所需具备的证据,而不仅仅是经过基准测试的结果。我们会对整个分析流程进行全面评估,包括样本基质、拉曼检测方式、采集元数据、预处理方法、模型类型、验证设计、报告内容以及应用宣称等方面。基于此,本综述提出了四个相互关联的问题:首先,分析不同基质、检测方式、分析任务以及模型类型中,拉曼-人工智能相关研究的分布情况;其次,找出当前缺失的采集、预处理、验证以及报告方面的要素;第三,确定哪些基质、仪器或任务类型的变更最可能影响模型的泛化能力;最后,探讨应优先采取哪些方法,才能推动该技术从仅依赖基准测试结果的发展阶段迈向具备实际应用能力的阶段。为回答这些问题,本综述首先对不同基质、检测方式、分析任务以及人工智能模型之间的关联进行梳理,随后审查相关研究的采集与预处理环节的报道情况,再根据不同的分析任务评估模型的性能,同时分析模型的分区独立性、外部验证情况、不确定性、可解释性以及重复性表现,最后通过多准则决策分析确定优先采取的行动,以推动该技术从依赖基准测试的结果向具备实际应用能力的方向发展。表1列出了这些评估标准。最后一列列出的是具有代表性的参考综述,并非完整的参考文献列表;所有相关的拉曼-人工智能研究文献均整理在补充表S1中。因此,本综述并非另一份算法性能排名榜单,其贡献在于通过统一的评估框架,对61项拉曼-人工智能相关研究进行综合性分析,涵盖了文献分布情况、报告缺陷审查、验证失败原因分析、针对不同任务的性能评估以及多准则决策分析带来的优先级建议。在此框架下,实际应用准备度被视为一项证据标准,而非表明当前的拉曼-人工智能系统已经可以直接用于监管或日常操作的说法。
方法部分:证据库的构建是通过一套基于明确规范的搜索与筛选流程完成的,主要的Scopus检索操作是在2026年1月22日进行的。Scopus作为主要索引数据库,同时通过正向和反向引文追踪功能,从符合条件的全文文献中进一步筛选资料,以此减少数据库覆盖范围带来的偏差。不过,通过引文追踪并未发现额外的符合条件研究。检索逻辑要求四个概念要素同时出现,即与微塑料相关的关键词。
研究特征与样本类型:所纳入的研究虽然多为近期发表的,但质量参差不齐。在61项研究中,有43项(70.5%)发表于2023年至2025年,这一数字反映出该技术应用速度较快,但尚未经过长期实践检验。相比研究数量,样本类型的构成更能反映实际情况。水环境相关研究占27项(44.3%),实验室控制环境下的研究占18项(29.5%),而土壤、沉积物、生物体以及空气环境中的相关研究数量则相对较少。在更为清洁或标准化的环境中开发的模型,面临的基质变化、数据恢复等问题相对较少。
各评估标准的报告情况:图5A显示,在八项不同的评估标准中,报告情况存在显著差异。在报告频率较高的标准中,限制因素的相关报告较为常见,共有47项研究进行了此类报告,占比为77.0%;其次是关于实际样本纳入情况的报告,有35项研究进行了相关说明,占比为57.4%。相比之下,关于训练集与测试集划分情况的明确报告仅16项研究提及,占比为26.2%;交叉验证相关报告有11项,占比为18.0%;外部验证相关报告也有16项,占比为26.2%;模型可解释性相关报告仅4项,占比为6.6%;不确定性分析相关报告有6项,占比为9.8%;数据或代码可用性相关报告有8项,占比为13.1%。各项评估标准的平均报告频率……
多准则决策分析的设计与假设:为了从识别现有缺陷转向确定优先处理事项,我们采用了多准则决策分析框架,该框架将方法学上的缺陷与实际应用价值相结合。对于每一项研究,其证据缺陷程度被定义为100减去第4节中统计出的对应评估标准的报告频率百分比。而实际应用价值则通过1到5分的评分标准进行衡量,1分表示几乎不会对跨场景的可靠性、重复性以及技术应用准备度产生任何积极影响,5分则表示对该方面的提升具有至关重要的推动作用。各项评分均经过了标准化处理……
主要研究发现:目前,拉曼-人工智能微塑料分析技术已不再主要受限于缺乏合适的算法。现有的研究案例涵盖了微型拉曼光谱、表面增强拉曼光谱、高光谱拉曼光谱、拉曼光谱与傅里叶变换红外光谱结合使用、化学计量学方法、机器学习算法以及深度学习模型等多种技术手段。目前更大的挑战在于如何将已在控制环境下经过测试的模型应用到新的基质、仪器或实验室环境中。在许多研究中,最突出的成果仍然是模型在内部数据集上的分类准确率,而那些能够让这一准确率在不同场景下保持稳定的关键因素却往往没有被充分重视。
结论:本综述表明,拉曼-人工智能微塑料分析技术已经超越了早期概念验证阶段,但仅仅依靠高准确率已不足以保证其实际应用价值。现有研究显示,该技术在 water环境及实验室控制环境中的分类性能相当不错,但很多研究成果仍然基于内部测试数据。目前仍需解决的问题是,当样本基质、检测仪器、实验室环境、预处理方法或应用场景发生改变时,这一整套分析流程是否依然能够保持稳定可靠的性能。
意义阐述:本综述的独特价值在于,它将拉曼-人工智能微塑料分析技术的研究重点从“高精度分类器”相关研究转向“可投入实际应用的分析流程”这一视角,进而依据这一标准对现有的研究证据进行系统性评估。它没有停留在单纯的算法性能比较层面,而是将拉曼光谱检测方式、预处理方法、人工智能模型类型、验证设计以及报告详细程度等要素有机结合,明确了当前的研究现状在哪些方面还无法支撑该技术在实际监测、筛查等场景中的可靠应用。
资金支持:本研究未获得公共部门、商业机构或非营利组织提供的任何专项资助。
作者贡献说明:Dahlang Tahir负责综述与编辑、结果验证、研究监督、形式化分析以及概念构思工作;Isnaeni Isnaeni负责原始稿件的撰写、结果验证、方法设计、形式化分析以及概念构思工作;Nurul Muthmainnah Ramlan负责原始稿件的撰写、结果可视化、形式化分析以及概念构思工作;Nasyrah R. Muhammad Nur负责原始稿件的撰写、结果可视化、方法设计、形式化分析、数据整理以及概念构思工作。
关于写作过程中生成式人工智能及人工智能辅助技术的声明:在撰写本文的过程中,作者仅使用ChatGPT来协助语言编辑和提升文本的可读性。在使用该工具之后,作者对文本内容进行了仔细审核和修改,并对最终发表的内容承担全部责任。
利益冲突声明:作者声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。
R. Muhammad Nur Nasyrah | Nurul Muthmainnah Ramlan | Isnaeni Isnaeni | Dahlang Tahir
印度尼西亚马卡萨哈桑丁大学物理系,邮编90245
生物通微信公众号
生物通新浪微博
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