《Microplastics》：A Systematic Review of Artificial Intelligence and Machine Learning Techniques for Microplastic Detection and Analysis
编辑推荐：
微塑料是水生、陆地和大气系统中普遍存在的污染物，累积的证据表明其造成生态危害和人类暴露。传统工作流程（手动显微镜检查、FTIR和拉曼光谱）劳动强度大且依赖操作人员，这促使研究人员将人工智能（AI）和机器学习（ML）作为可扩展的替代方案。遵循PRISMA指南，研
微塑料是水生、陆地和大气系统中普遍存在的污染物，累积的证据表明其造成生态危害和人类暴露。传统工作流程（手动显微镜检查、FTIR和拉曼光谱）劳动强度大且依赖操作人员，这促使研究人员将人工智能（AI）和机器学习（ML）作为可扩展的替代方案。遵循PRISMA指南，研究人员检索了五个数据库；筛选了936条记录，其中113项原始研究符合纳入标准，并通过双审稿人提取在七个维度上进行分析。与深度学习占主导地位的假设相反，经典和化学计量学估计器（占研究的46.0%）至少与深度学习（36.3%）一样普遍，其中支持向量机是使用最多的单一算法家族（35.4%）。方法选择取决于输入模态而非技术新颖性：化学计量学分类器（如SVM和PLS）主导光谱数据（FTIR、拉曼；占研究的53.1%），而深度学习集中在基于图像的少数领域，其中表示学习优于手动特征工程。检测/识别仍是主要任务（65.5%），尽管19.5%的研究涉及吸附、毒性、分布和修复的预测建模。表征覆盖不均衡：88.5%和72.6%的研究报告了来源和聚合物类型，但尺寸和形状仅分别占50.4%和28.3%。报告的准确率通常超过90%，但来自异质、不可比较的数据集。未来进展取决于开放基准、标准化报告和可解释方法。
**1. 引言**
**1.1. 人类健康与生态动机**
饮用水中微塑料的检测日益增多，引起了对其潜在人类健康后果的科学关注。人类暴露主要通过摄入和吸入发生，皮肤接触被认为是次要途径。进入体内后，微塑料颗粒可能与细胞和分子系统相互作用，引发氧化应激、炎症反应和细胞毒性效应。近期证据证实微塑料存在于人类粪便、肺组织、血液和胎盘样本中，表明这些颗粒具有穿过上皮和内皮屏障的能力，从而实现全身分布和在体内的长期滞留。在胃肠道内，微塑料与肠道微生物群稳态破坏、肠道屏障功能受损以及局部炎症促进有关，这些均可能导致更广泛的代谢和免疫失调。吸入的微塑料纤维，通常来源于合成纺织品和空气颗粒物，已被证实与呼吸道刺激和类似职业性“塑料症”的状况有关，其特征是气道炎症和肺功能受损。除了物理存在外，微塑料通常携带复杂的化学添加剂和吸附的环境毒物混合物，包括双酚A（BPA）、邻苯二甲酸酯、多环芳烃（PAHs）和重金属，其中许多是已知的内分泌干扰物和致癌物。尽管长期流行病学数据仍然有限，但微塑料作为化学暴露载体的潜力强调了进行综合毒理学评估和制定监管框架的紧迫性。在生态学上，微塑料已在海洋、淡水、陆地和大气系统中被广泛记录，它们对生物多样性和生态系统功能构成多重风险。其微小尺寸增加了被多种生物摄入的可能性，导致机械损伤、胃肠道阻塞、营养吸收减少和生殖损伤。特别令人担忧的是微塑料通过食物网的生物累积和营养转移，这最终可能延伸到包括人类在内的顶级捕食者。除了物理影响，微塑料还作为污染物吸附的基质，促进持久性有机污染物（POPs）、痕量金属和病原微生物的传输，这一机制通常被称为“特洛伊木马效应”。微生物生物膜在微塑料上的定殖，统称为“塑料圈”，进一步复杂化了其生态作用，可能有助于机会主义和入侵物种的扩散。在陆地系统中，微塑料已显示会改变土壤结构、保水性和根系发育，表明其环境影响远不止于水生环境。大气传输是这一图景中日益被认识但相对研究不足的途径。在都市和偏远地区的空气中，以及在高海拔云水中，已报道了空气传播的微塑料纤维和碎片，它们与冰核和云形成过程有关；在雾和降水中也有发现，表明湿沉降和干沉降可以将微塑料从陆地或海洋源头再分配到远处。与水生和沉积物基质相比，空气传播的微塑料带来了独特的分析挑战，包括颗粒丰度低、特征粒径小、普遍的纤维污染、复杂背景气溶胶干扰，以及相应的在采样和处理过程中严格的污染控制要求。如第4.2节所述，本综述中确定的AI/ML在微塑料中的应用绝大多数集中在水生、沉积物、土壤和实验室基质上；尽管空气传播微塑料具有既定的环境相关性，但在语料库中作为独特的分析目标基本上不存在，研究人员将在第5.5节中明确讨论这一空白。
**1.2. 综述的目的与范围**
人工智能（AI）和机器学习（ML）在环境监测，特别是在微塑料检测和表征中变得越来越重要。深度学习、计算机视觉和光谱集成学习已被证明可以减少劳动强度、操作员主观性和传统手动识别的有限通量，提高成像和光谱工作流程的精度、可扩展性和可重复性。需要注意的是，相关的基线不仅仅是手动显微镜检查和手动光谱解释：商业化的自动库匹配软件（例如，实验室仪器附带的供应商提供的FTIR/拉曼光谱数据库搜索工具）已经执行了一种受限的、非学习的自动聚合物识别形式，并在多个实验室中常规使用。这里回顾的AI/ML方法在三个方面与这些库匹配基线不同，并且在某些方面有所超越：它们直接从数据中学习判别特征，而不是依赖固定的光谱库查找；它们泛化到风化、混合或以前未见的颗粒特征，这些特征超出静态参考库的范围；在成像流水线的情况下，它们执行库匹配软件根本不处理的形态检测、分割和表征任务。在本综述中，以及在讨论AI/ML的贡献时（第5.1节），应相应地将比较理解为针对手动基线和现有自动库匹配工具，而不仅仅是针对手动分析。因此，将AI/ML应用于微塑料的原始研究数量迅速增长，促使对该领域进行系统评估。由于微塑料是一个相对较新的研究关注点，需要专门的分析技术，应用机器学习进行检测、分类和分析的文献仍然有限，尽管已经有几篇综合综述开始出现。这些现有综述的范围相对狭窄，往往集中在特定方法家族或单一基质类别，并且很少将微塑料表征（来源、形状/形态、尺寸、聚合物组成）与相关环境和健康影响以及底层计算方法的系统分析结合起来。本系统综述通过批判性地综合关于AI和ML驱动的微塑料检测、分类和量化的文献，填补了这一空白，涵盖了异质环境和实验室基质。它遵循PRISMA框架，评估了基于成像和基于光谱的方法，包括经典估计器、卷积神经网络（CNN）、迁移学习和目标检测框架、Transformer和多模态架构，以及可解释人工智能（XAI），应用于拉曼、FTIR、高光谱和显微镜数据。本综述的主要贡献包括：微塑料表征（来源、形状/形态、尺寸和聚合物类型）及相关环境和健康影响的综合背景，与计算文献共同处理；按模型家族组织的统一AI/ML方法分类法，并比较讨论每个家族内的代表性研究；跨研究性能综合，对比成像和光谱流水线，并阐明每种方法最有效的条件；对综述语料库的描述性分析，描述主要的学习范式、数据模态、分析任务和报告实践。
**2. 微塑料基础**
**2.1. 微塑料的定义**
根据广泛采用的同行评审定义，微塑料是尺寸小于5毫米的塑料颗粒或纤维，以各种形式存在，包括珠粒、碎片、颗粒、薄膜、泡沫和纤维。更正式的定义将微塑料（MPs）描述为从5毫米到1纳米（nm）的合成聚合物颗粒。这个宽泛的尺寸范围跨越了可见碎片到需要先进分析方法进行检测的近纳米级颗粒。
**2.2. 表征与分类**
**2.2.1. 基于来源的微塑料颗粒分类法**
微塑料被分为初级和次级类型。初级微塑料是为特定应用有意制造在微米尺寸的颗粒，广泛用于个人护理产品，如洗面奶和去角质化妆品，通常以微珠或微去角质剂的形式销售。工业喷砂也产生初级微塑料。次级微塑料是指通过环境中较大塑料物品的降解产生的小塑料颗粒，通常由物理磨损、光降解或化学风化导致，随着时间的推移将大塑料逐渐减小为微米和纳米级别的颗粒。
**2.2.2. 基于形状/形态的微塑料颗粒分类法**
片状微塑料以其扁平、薄且柔韧的形态为特征，通常呈现出大表面积与极有限厚度的组合。它们主要来源于轻质消费塑料的劣化，如购物袋、食品包装膜和农用地膜。薄膜状微塑料也薄而柔韧，但可能更易折叠、起皱或撕裂。纤维状微塑料是最常报告的形态类型之一，以其细长的线状几何形状为特征，具有高长径比。碎片状微塑料高度不规则且有棱角，来源于刚性大塑料物品的渐进式降解。珠粒/颗粒状微塑料光滑、圆润，粒径分布窄。泡沫状微塑料密度低、多孔，主要来源于膨胀聚合物，如发泡聚苯乙烯（EPS，俗称聚苯乙烯泡沫）和聚氨酯绝缘材料。
**2.2.3. 基于尺寸的微塑料颗粒分类法**
目前没有普遍接受的塑料碎片分类系统。一个常用的框架将塑料颗粒分为四个主要尺寸类别：纳米塑料（1–1000 nm），进一步细分为真纳米塑料（1–100 nm）和亚微塑料（100–1000 nm）；微塑料（1–1000 μm或某些定义中高达5 mm）；中观塑料（1–10 mm）；和大塑料（>1 cm）。这些阈值主要基于实际考虑（特别是检测限和分析技术），而非严格的生态或毒理学标准。本综述采用上述尺寸分类框架，以保持与最广泛引用的环境文献的一致性。
**2.2.4. 基于聚合物类型的微塑料颗粒分类法**
表5列出了基于聚合物组成的微塑料分类，突出了环境样品中最常见的合成聚合物。包括聚乙烯（PE）、聚丙烯（PP）、聚对苯二甲酸乙二醇酯（PET）、聚酯（PES）、聚氯乙烯（PVC）、聚苯乙烯（PS）、聚碳酸酯（PC）和尼龙/聚酰胺（PA）等。了解微塑料的聚合物来源至关重要，因为不同聚合物表现出不同的密度、降解行为和吸附能力，最终影响其环境命运和毒性特征。
**3. 方法论**
本系统综述根据PRISMA指南设计和报告，确保透明度、可重复性和方法学严谨性。搜索策略、纳入标准和提取程序由作者团队内部商定，并在筛选前固定。在五个主要书目数据库（Scopus、Web of Science、PubMed、IEEE Xplore和ScienceDirect）中进行了全面文献检索。搜索结合了与微塑料和人工智能/机器学习相关的术语，使用布尔运算符连接。检索限于同行评审的英文出版物，涵盖2018年1月至2025年12月（最终检索于2026年1月15日执行）。还手动筛选了检索到的文章和相关先验综述的参考文献列表（反向引文搜索）。研究如果满足以下条件则符合纳入标准：(i) 同行评审并以英文发表；(ii) 应用人工智能或机器学习技术进行微塑料检测、识别、分类、量化或形态/物理化学表征；(iii) 涉及环境或实验室基质。排除标准包括：未使用计算AI/ML组件、与环境微塑料无关、方法学细节不足或结果不可重复、以及社论、评论或缺乏完整方法学的会议摘要。数据库检索共获得936条记录。去除307条重复记录后，629条唯一记录通过标题和摘要进行筛选。筛选由两名审稿人独立进行，分歧通过讨论或咨询第三方解决。在此阶段，401条记录因不相关被排除，剩下228篇报告进行全文评估。全文评估后，115篇文章被排除，主要原因包括缺乏AI/ML组件、缺乏环境微塑料重点或方法学细节不足。113项研究满足所有纳入标准，被纳入最终定性综合。对于每项纳入研究，将一组结构化变量提取到标准化电子表格中：书目详细信息、AI/ML方法和模型架构、数据模态、分析任务、解决的微塑料特征、基质、数据集大小和来源，以及报告的性能指标。对提取的数据进行叙述性综合，并通过描述性频率分析进行总结。为了描述微塑料研究中AI/ML应用的格局，研究人员对语料库中的113项研究进行了描述性频率分析，涉及七个维度：机器学习范式、特定算法家族、输入数据模态、分析任务、研究范围、微塑料来源以及报告的颗粒表征标准。对纳入研究的方法学质量和偏倚风险进行了评估，使用了一套针对AI/ML研究改编的结构化标准，考虑数据集描述的清晰度、验证策略的充分性、预处理和模型选择过程的透明度、报告性能指标的适当性和完整性，以及开放数据或源代码的可用性。每个标准由两名独立审稿人按三点顺序量表评分，产生每项研究0到10的复合分数。复合分数低于4/10，或数据集描述和验证策略标准均得分为0，被视为方法学细节不足的证据，并用作排除标准。本综述根据PRISMA 2020声明报告，但未在公共注册库（如PROSPERO）中前瞻性注册，这被承认为一项局限性。鉴于纳入研究的方法学异质性，本综述报告叙述性、描述性频率综合，而非定量元分析。
**4. 跨微塑料表征维度的AI/ML方法**
基于第3节的描述性概述，本节以叙述形式综合了所审查的研究。它首先检查所使用的机器学习方法及其如何映射到数据模态，然后遵循第2.2节中介绍的表示轴（来源、形状/形态、尺寸和聚合物类型），最后转向环境和健康维度。一个核心观察结果是，没有单一的算法范式主导该领域；相反，方法选择与数据模态和分析目标紧密耦合。经典和传统估计器在整个语料库中至少与深度学习一样普遍，这一平衡是由大量光谱和表格预测工作驱动的，在这些工作中，可解释、数据高效的模型具有优势。在经典家族中，支持向量机是使用最频繁的算法，因其在处理振动光谱典型的小型高维数据集时的鲁棒性而受到重视。基于树的集成（随机森林和梯度提升树）同样广泛存在，特别是在特征重要性提供一定可解释性的表格预测任务中。化学计量学判别技术（PLS、SIMCA、LDA）在光谱分类中保留了一个独特的利基，它们利用预处理光谱的线性结构。相比之下，深度学习主导了基于图像的工作流程。卷积神经网络，通常从ImageNet预训练骨干网络微调以缓解数据稀缺，是形态分类的主力。目标检测器（如YOLO家族和Faster R-CNN）用于定位和计数单个视野中的许多颗粒，而分割架构（如U-Net和Mask R-CNN）用于精确的像素级轮廓描绘以进行尺寸和形状分析。数据稀缺也激发了生成式增强，即使用生成对抗网络合成额外的训练图像。在序列和表格建模环境中也出现了循环和深度前馈网络，最新的贡献采用了Transformer、自编码器和多模态融合架构，共同利用成像和光谱输入。贯穿所有这些，可解释AI方法（如SHAP和Grad-CAM）越来越多地被整合，以识别驱动预测的光谱波段或图像区域，解决了阻碍监管采用的“黑箱”问题。关于输入数据，光谱和光谱成像模态占主导地位，涵盖拉曼、FTIR/ATR-FTIR、近红外、SERS和高光谱技术。常规成像（光学和电子显微镜、全息术、荧光和基于相机的采集）是主要模态。表格或其他非光谱、非图像数据是另一个模态。按分析目标分类，检测和/或识别是最常见的任务，由74项研究（65.5%）解决。值得注意的是，有22项研究（19.5%）专门用于预测和建模任务，包括毒性、吸附和吸附能力、沉降速度、去除效率和微塑料丰度的估计。按来源表征，微塑料的常规区分是初级和次级颗粒。来源是语料库中最常记录的描述符，但很少被用作直接分类目标，因为相同聚合物的初级和次级颗粒无法仅通过成像或光谱可靠区分。相反，机器学习间接地解决来源问题，通过建模风化本身的光谱和形态特征，或者从成像推断形状。形状是形态表征维度，是成像流水线的主要目标，但也是报告最不一致的属性之一，在约四分之一的语料库中出现。纤维和碎片是最常研究的形态类型。方法学上，形态表征利用了完整的计算机视觉工具包，包括迁移学习、数据增强和实例分割。尺寸在约一半的审查研究中报告，但报告的范围和表达方式存在显著异质性。机器学习工作流程中，尺寸通常是衍生量而非分类标签，通过分割模型和像素到刻度校准计算。纳米尺度的可靠表征仍然是最具挑战性的领域。聚合物类型是第二频繁报告的属性，是光谱学的自然领域。涉及的聚合物主要是主导全球生产和环境样品的商品塑料。聚合物识别的方法学格局是分叉的：经典和化学计量学分类器仍然占主导地位，而深度模型越来越多地直接处理原始或最小预处理的频谱。一个反复出现的复杂问题是环境风化，它改变了光谱并降低了分类器在老化颗粒上的性能。成像流水线虽然擅长形态，但通常无法解析聚合物类型，这强调了光谱和成像模态的互补性，并激发了多模态融合方法。在环境和健康影响方面，语料库中相当大且不断增长的部分将机器学习应用于微塑料的环境和健康影响，主要是预测和建模。最大的分支涉及共污染物在微塑料表面的吸附和吸附，回归模型将颗粒和溶液性质与吸附能力联系起来。第二个分支预测毒性终点，而相关组模拟污染物在聚合物降解过程中的迁移和浸出。在更大空间尺度上，机器学习用于预测微塑料在海洋、淡水、土壤和大气中的发生、丰度和分布。在工程领域，模型预测处理过程中的去除效率。总之，这一集群表明机器学习在微塑料研究中的作用正在从颗粒识别扩展到环境命运、生态后果和修复性能的预测。然而，人类健康终点的直接建模仍然相对罕见。
**5. 讨论**
第4节呈现的综合支持四个跨领域观察。第一，方法选择由数据模态而非技术新颖性主导。经典和化学计量学估计器与深度学习一样普遍，这种模式不是方法学保守主义，而是对数据的理性反应，因为该领域由光谱和表格输入主导，经典方法在这些条件下具有统计效率和抗过拟合能力。深度学习集中在基于图像的少数领域。第二，成像和光谱流水线是互补的，而不是竞争的，这使得多模态融合成为决定性方法学问题。成像深度学习擅长形态表征，但无法解析聚合物身份，而光谱机器学习恢复聚合物身份但传达很少形态信息。完整的颗粒指纹需要所有属性，因此多模态融合是缩小表征差距的自然途径。第三，机器学习的作用正在从检测扩展到环境风险预测。尽管检测和识别仍是最常见目标，但19.5%的语料库致力于预测建模，这重新定位了机器学习在定量环境风险评估中的角色。明显的空白是人类健康，直接的建模仍然罕见。第四，该领域的分析能力已超过其报告和验证惯例，使报告的性能难以比较。表征覆盖不均匀，尺寸和形状的报告不足，而形状的不足尤其引人注目。报告的性能虽然高，但来自不同数据集，难以跨研究比较。本综述还讨论了与其他综述相比的定位，并提出了未来方向，包括共享基准数据集、多模态融合、自监督和迁移学习、可解释性和轻量级模型。
**6. 结论**
本系统综述审查了113项应用人工智能和机器学习进行微塑料检测、表征和影响评估的原始研究，在统一的方法分类法和表征轴（来源、形状、尺寸和聚合物类型）下进行综合。一个反复出现的发现是，没有单一的AI/ML技术主导该领域。支持向量机是最常用的算法，其次是基于树的集成和卷积神经网络，选择几乎完全由输入数据类型驱动，而非新颖性或感知的最先进状态。经典估计器在光谱和表格预测任务中占优势，而深度学习在基于图像的形态分类和分割中占主导地位。三个结论突出：该领域主要由数据模态而非算法时尚塑造；成像和光谱流水线是互补的，多模态融合是完整颗粒表征最有希望的途径；机器学习的作用正在从检测扩展到预测，重新定位为环境风险评估工具，尽管人类健康终点的直接建模仍然明显不足。这些进展受到结构性弱点的制约：小型、实验室生成和非标准化数据集；对风化和现场样本的泛化有限；稀缺的共享基准；不一致的报告，最明显的是形状报告不足和尺寸处理的异质性；以及可解释性和可重复性的持续差距。报告性能的异质性本身就是一个核心发现，它警告不要将头条准确率视为进展的证据。人工智能对微塑料研究的决定性贡献将更多地取决于该领域是否愿意采用开放数据集、共同基准、标准化报告和透明、可解释的方法，而非更强大的模型。实现这一议程将使人工智能和机器学习从展示可行性转向提供微塑料污染挑战所需的可靠、可扩展和可随时监管的监测。
