《Foods》：A Preliminary Food–AI Readiness Framework for AI-Enabled Hyperspectral Systems in Fungal and Mycotoxin Risk Management: A Critical Narrative Review
真菌污染和真菌毒素仍然是谷物、坚果、油籽和加工食品链中的重要危害。对于谷物处理者、加工商、储存设施、质量保证实验室和技术开发人员而言，实际挑战不仅在于检测，还在于确定何时人工智能（AI）赋能的光学输出已充分记录，以支持接收、保留、分拣或将材料提交进行验证分析。这项由结构化证据评估支持的批判性叙事综述，研究了人工智能（AI）赋能的高光谱成像（HSI）在真菌和真菌毒素风险管理中的应用。聚焦的证据图谱包含一项合并的20项研究证据图谱，包括17项光谱成像研究和三项情境性非成像近红外研究，涉及黄曲霉毒素、伏马菌素、脱氧雪腐镰刀菌烯醇（DON）、玉米赤霉烯酮（ZEN）、赭曲霉毒素A（OTA）、真菌状态和共污染；未发现符合既定语料库标准的棒曲霉素特异性AI-HSI研究。大多数证据仍基于实验室，具有受控污染、有限的独立验证、不完整的转移测试或缺乏生产线级示范。该综述提出了初步的食品-人工智能部署准备框架（F-AIDRF），这是一种非监管性评估工具，涵盖分析有效性、算法鲁棒性、可解释性和可审计性、可转移性和维护、操作可行性以及决策整合。F-AIDRF以描述性方式应用，旨在揭示缺失证据，而非认证技术。对于食品行业读者，它提供了一个实用词汇，用于在投资、试点测试或监管用途之前比较筛选-分拣-确认系统。
1. Introduction
引言指出真菌污染和真菌毒素在作物生产、收获、干燥、储存、运输、加工和零售阶段均可进入食品链，谷物、坚果、油籽、香料及其衍生物易受影响。污染不均匀且高度依赖环境，传统实验室方法（如HPLC、LC–MS/MS、ELISA）虽灵敏但耗时，无法满足高通量分拣和即时决策需求。高光谱成像（HSI）作为一种非破坏性技术，结合空间信息和波长相关光谱，可记录与真菌定殖、结构损伤等相关的模式。人工智能（AI）在此背景下不仅是统计附加工具，更决定如何将高维光谱-空间数据转化为食品安全类别或操作行动。AI-HSI管道需要从样本选择、参考方法对齐、预处理、特征提取、模型训练、阈值设定到部署后监测的全流程评估。准确性不足以衡量食品安全效用，需综合考虑灵敏度、特异性、假阴性率等指标。可转移性是将实验室可行性转化为可靠应用的关键，要求监测、重新校准、外部评估和明确的确认引用规则。本综述综合了AI赋能HSI在真菌和真菌毒素风险评估中的应用，比较平台、处理策略和模型架构，审查安全关键性能、可解释性、可转移性和模型生命周期要求，并提出初步的食品-人工智能部署准备框架（F-AIDRF）。
2. Review Type, Scope, and Structured Evidence Appraisal
2.1 Review Type, Scope, and Evidence Selection
本文为批判性叙事综述，辅以结构化证据评估，非协议注册的系统综述。最终证据识别检查截至2026年7月1日，无下限日期，通过Web of Science、Scopus、PubMed等数据库检索。符合条件的原始证据包括英语同行评审光谱成像研究，具有与可追溯化学、分子、微生物、视觉或验证实验参考相关的预测或分类模型。聚焦图谱包含合并的20项研究证据图谱，包括17项光谱成像研究和三项情境性非成像近红外研究，以及5篇综述、7篇方法论论文和EU、Codex、FDA监管或指导来源。未发现棒曲霉素特异性AI-HSI原始研究符合语料库标准。
2.2 Critical Appraisal, Evidence Profile, and Framework Derivation
每项原始研究的评估记录了端点类别、光学测量单位、参考分析单位、单位对齐或错位、污染来源、传感器和波长配置、预处理、模型类型、数据分区和验证、泄漏控制状态、安全关键指标、可解释性、可转移性、操作相关性和临时F-AIDRF阶段。评估为单作者提取，非独立复制或正式偏倚风险评分。F-AIDRF编码遵循明确决策规则，每个域包含强制性标准、理想标准、证据示例和裁决规则。准备阶段R0至R5为描述性标注，非经验截断或认证。单作者编码导致评估保守，需独立重新评估后框架才能用作验证工具。
2.3 Scope Boundaries and Interpretive Limits
本综述优先考虑光谱成像，因其空间分辨率对于筛选和单位级分拣至关重要。FT-NIR、便携式NIR、手持拉曼、电子鼻和智能手机系统仅在可转移性或便携性方面作为情境性证据讨论。研究结果不应推广至所有食品安全AI系统或所有真菌毒素，棒曲霉素、T-2/HT-2毒素、麦角生物碱等证据有限。
3. Scientific and Analytical Foundations
3.1 Hazard–Matrix–Reference Alignment
真菌污染跨越产前、收获、产后、储存、加工和分销阶段，危害不限于可见霉变。真菌生长和真菌毒素发生并非线性关系；AI赋能传感可能捕获定殖、水分再分布、生化降解等间接信号。污染异质性加剧风险，可靠AI模型需要可靠地面真值，HPLC和LC–MS/MS提供化学毒素值，ELISA提供筛选测量，真菌DNA等描述生物学状态而非毒素浓度。参考质量报告应包括采样计划、分析单位、提取回收率、基质效应、检测限、定量限、重复性、校准范围、参考方法精度和认证参考材料使用情况。真菌检测必须与毒素检测区分，采样和制备影响地面真值质量，自然污染数据集捕捉真实生物变异，人工接种或加标样品可用于受控开发但可能光谱差异。
3.2 Optical Platforms, Data Structure, and Pre-Processing
高光谱和多光谱系统在光谱范围、分辨率、采集模式、成本、数据量和分析适用性上不同。VIS–NIR成像捕捉颜色、色素、表面缺陷等；SWIR提供C–H、O–H、N–H键相关吸收模式；荧光HSI利用真菌代谢物荧光；多光谱成像使用选定波段降低硬件成本和计算负载。平台选择应遵循预期决策。高光谱图像为三维数据立方体，分析复杂，光谱受方向、品种、粒度、水分、储存历史、照明、温度、传感器噪声等影响。预处理直接影响可靠性，常用平滑、基线校正、归一化、标准正态变量变换、多元散射校正、Savitzky–Golay滤波、导数变换等。特征提取和波长选择减少维度，如主成分分析、竞争自适应重加权采样、连续投影算法等。
3.3 AI Learning Architectures, Data Fusion, and Model Governance
AI-HSI系统应理解为完整学习管道，从图像采集和校准开始，到背景去除、分割、光谱预处理、特征提取或表示学习，最后以决策规则结束。传统机器学习方法如偏最小二乘回归、支持向量机、随机森林等仍为中心；深度学习方法如卷积神经网络（CNN）、长短期记忆网络（LSTM）等可学习非线性表示但需更大数据集。数据分割应在独立样本、批次、收获水平进行，避免泄漏。评估应报告灵敏度、假阴性计数、阈值行为等。传感器和数据融合可在像素、特征或决策层进行，需证明安全关键性能改进。AI输出需转化为操作决策，阈值应反映假阴性成本和假阳性负担。模型治理包括版本控制、数据集记录、预处理程序、模型权重、决策阈值、校准更新和软件变更，以及监测域偏移。AI-HSI系统的有用性取决于六个对齐元素：代表性食品基质、可辩护的地面真值方法、合适的传感平台、适当的预处理、透明的模型开发和现实的验证。
4. Evidence Across Fungal and Mycotoxin Applications
4.1 Early Fungal Infection and Mold-Status Detection
早期真菌检测不同于真菌毒素测定，旨在真菌生长或早期生化变化。Yang等人使用VIS–NIR HSI和真菌孢子计数定义储存玉米中四种霉变状态，SAE-CNN-SVM模型实现了98.94%的识别率，但缺乏跨站点外部验证。Siripatrawan和Makino使用机器学习辅助HSI分类散装糙米中真菌污染，高斯SVM从400–1000 nm光谱达到93.4%准确率，但目标为污染比例而非毒素浓度。
4.2 Aflatoxin Risk Assessment in Cereals and Nuts
玉米是AI赋能黄曲霉毒素筛选研究最多的基质。Kim等人使用荧光、VIS–NIR、SWIR和拉曼HSI对122个自然污染玉米粉监管样品进行分析，在10 μg/kg截断值下荧光-QSVM和SWIR-LSVM均达到95.7%准确率且无假阴性。Zhou等人对单粒玉米使用NIR-HSI分类5个AFB1浓度组，五波长LDA模型达到95.56%总体准确率，但独立测试准确率降至88.67%。Bailly等人使用HPLC–MS分析超过500个玉米样品，仅7%污染，NIR对绝对定量不够精确但分类阈值可达97.4%准确率。Kabir等人对杏仁使用轻量级3D Inception-ResNet进行AFB1分类，验证准确率90.81%，表明杏仁形态复杂性使光谱分类更具挑战。
4.3 DON, ZEN, Fumonisins, OTA, and Co-Contamination
DON、ZEN、伏马菌素、OTA和共污染证据不如黄曲霉毒素成熟。Alisaac等人使用VIS–NIR和SWIR HSI研究小麦籽粒和面粉，反射率与真菌DNA和DON相关。Nadimi等人使用NIR-HSI检测加拿大西部红春小麦中的镰刀菌损伤籽粒和DON，3NN模型对镰刀菌损伤达到85%准确率，但对DON仅80%准确率和77%灵敏度，表明从间接光谱特征推断毒素存在的困难。Deng等人解决了ZEN和AFB1预测的可转移性问题，目标域校正提高了预测性能，但未完成完全验证的跨设备部署协议。OTA证据有限，Zhang等人结合HSI和可解释深度学习评估玉米渣中的ZEN和OTA，主要依赖人工污染材料。Kim等人对自然污染玉米粉进行共污染分类，SWIR-HSI达到95.7%准确率，解决多危害决策。
4.4 Decision Granularity: Single Kernels, Bulk Samples, and Multimodal Systems
单籽粒和散装样品测量服务于不同决策。单籽粒分析支持分拣去除污染单位，散装分析适用于批次接收和法规验证。定性模型需与行动阈值关联，阈值分类和精确量化是不同任务。多模态系统寻求结合多种传感优势，但融合需在安全关键性能上显示出优势，且不能仅因传感器可用而使用。
4.5 Current Challenges in AI-HSI Mycotoxin Translation
当前挑战包括自然污染多中心数据集获取有限、采样和参考方法不确定性报告不完整、人工或视觉独特污染设计、像素级或增强分裂导致数据泄漏、置信区间和校准报告薄弱、真菌状态与毒素浓度区分不清、以及生产线证据稀少。这些限制解释了为何有前景的模型常停留在概念验证或分析筛选阶段。
5. Safety-Critical Model Evaluation
5.1 Metrics, Thresholds, and Error Consequences
AI-HSI常以高准确率或强回归系数描述，但错误不对称：假阴性释放污染材料，假阳性造成浪费。总体准确率在污染罕见时可能误导，灵敏度、特异性、精确率、召回率、F1-score、AUC、假阴性率和阈值不确定性应同时报告。对于定量预测，R2需结合RMSEP、RPD、偏倚和浓度范围考虑。食品安全相关分类需完整混淆矩阵和类特异性误差分布。操作阈值应与预期行动匹配，报告阈值水平的误差比单独准确率更有用。
5.2 Prevalence, Contamination Design, and Validation Integrity
类不平衡常见于常规监测，平衡数据集有助于开发但需在现实流行率下测试。人工污染支持方法开发但可能不模拟自然复杂性。内部验证如随机训练-测试分裂可能高估性能，应在独立生物样本、批次或收获水平分割。外部验证需使用排除所有模型开发的材料，最好变化批次、收获年、品种等。设备转移仍困难，需区分内部验证、跨任务适应和真正硬件转移。参考方法不确定性需考虑，成像单位应与参考分析单位匹配。
6. Explainable AI and Expert Review
6.1 Interpretable Features, Mechanistic Plausibility, and Explanation Quality
本文区分机械可解释性和操作可审计性。可解释性识别与预测相关的波长、空间区域等，但非因果关系证据。SHAP、LIME等工具可分配特征贡献，但需注意相关性和因果性区别。注意力机制需扰动或消融测试验证。可辩护的解释需将影响波长与合理基质变化关联，如真菌定殖导致淀粉、蛋白质、脂质改变。像素级伪彩色图应视为模型衍生风险可视化，非化学证据。可解释性应测试模型是否依赖可信污染相关信息，而非不稳定背景或成像会话效应。
6.2 Human Oversight and Auditable Decisions
AI-HSI应支持而非替代专家判断。在筛选-分拣-确认工作流中，低风险材料可常规处理，高风险或不确定材料需隔离并确认。审查者应评估波长化学合理性、阈值接近程度、采集条件有效性和模型是否在验证域内。可解释性需有记录治理，包括校准检查、模型版本控制、定期重训练、漂移监测、不确定性阈值、操作员培训和确认测试规则。最终决策应可追溯至基质、参考方法、采集条件、模型版本、解释输出和审查者。
7. Transferability, Domain Shift, and Model Lifecycle Management
7.1 Domain Shift and Calibration Transfer
域偏移指光谱与目标之间关系从开发环境变化，如储存湿度、品种、季节、基质、污染机制、样本呈现和参考标签变化。Deng等人展示了跨小麦和花生基质、AFB1和ZEN靶标、两台NIR仪器的挑战。模型训练于人工污染材料可能学习沉积毒素溶液等签名而非自然复杂性。校准转移使用数学方法使不同仪器光谱可比，但需保留污染相关信息。跨产品或跨真菌毒素适应不证明硬件可转移性，真正转移需对另一台操作设备光谱进行独立验证。
7.2 Transfer Learning, Model Drift, and Controlled Updating
迁移学习使用源域知识改进目标域。Deng等人显示直接转移不可靠，但保留源特征提取器并用目标域数据重新校准最终回归器可提高性能。迁移可能驻留在通用光谱特征中，目标域定标因基质、毒素和采集条件差异仍是必要的。部署开始模型生命周期，需监控漂移，包括技术指标和食品安全指标。自动重训练不安全，每次更新应作为新版本在变更控制下处理，包括保留历史基准、新目标域样本、独立外部验证、阈值特异性假阴性分析等。
8. Deployment-Ready AI-Enabled Hyperspectral Systems
8.1 Pilot-Line Translation, Throughput, and Sorting
操作证据应定量报告，如每秒处理单位数、传送带速度、图像采集时间、端到端决策延迟、剔除触发时序和准确性等。大多数AI-HSI研究仍为实验室概念验证，受控照明、固定方向、小数据集和离线计算。工业使用需足够吞吐量，全光谱HSI计算需求大，驱动对简化波段多光谱系统的兴趣。单籽粒筛选对异质性污染有价值，但剔除机制与分类器同等重要，移动籽粒分析提供更强工业可行性证据。
8.2 Traceability, HACCP Integration, and Governance
每个检查记录应捕获批次或供应商标识符、日期时间、产品基质、传感器设置、模型和校准版本、置信度分数、决策类别、操作员行动、分拣结果和任何确认结果。AI-HSI应嵌入基于HACCP的食品安全管理，在HACCP系统中可服务于前提计划、操作性前提计划或关键控制程序。部署成本超出相机本身，包括照明、传送带、计算、校准标准、维护、软件、培训等。监管接受取决于预期用途，AI-HSI最适用于接收筛选、单籽粒分拣、确认分析优先化和储存/加工早期预警，不宜替代HPLC、LC–MS/MS等最终法规决定。
8.3 Regulatory Context, Decision Thresholds, and Confirmatory Analysis
监管和筛选阈值不可互换。EU Regulation 2023/915、Codex CXS 193-1995、FDA CPG Sec. 555.400等提供商品特定最大水平和采样要求，但未将AI-HSI确立为官方参考分析替代品。研究应说明管辖权、商品类别、分析物、采样单位、参考方法和行动阈值依据。
8.4 Complementary Optical Technologies and the Boundary of This Review
证据图谱以HSI和光谱成像为中心，FT-NIR、便携式NIR、手持拉曼、电子鼻和智能手机工具可能互补，但传感器物理、数据单位和部署证据不同，未全面评估。F-AIDRF可能适应这些技术，但每个技术需特定标准。
9. Food–AI Deployment-Readiness Framework
9.1 Framework Development, Intended Users, and Limits
F-AIDRF源于语料库中反复出现的差距：弱单位对齐、参考质量报告不完整、依赖人工污染、外部验证有限、假阴性
