数字时代加速分类学：一种识别隐秘淡水螺类的深度学习方法

《PLOS Computational Biology》：Speeding up taxonomy in the digital age: A deep learning approach for identifying cryptic freshwater snails

　　

隐秘物种复合体对生物学家构成了根本性挑战，因为这些物种表现出极小的形态差异，需要整合形态学、遗传学和生物地理学来进行鉴定。在此，研究人员提出了一种深度学习方法，以支持淡水螺属Radomaniola（Hydrobiidae）的物种鉴定，该属是来自巴尔干地区的一个形态学隐秘类群。该方法通过结合贝壳图像、形态测量数据和采集地元数据（可选地包含系统发育信息），再现了分类学专家的整合工作流程。尽管训练样本不足700个，涵盖20个视觉上相似的物种且类别规模严重不平衡，该系统仍取得了较高的鉴定性能。严格控制虚假相关性（例如由特定采集地成像条件或过于精确的地理元数据所产生的相关性）对于确保网络学习到具有生物学意义的特征至关重要。在所有实验中，整合多种数据类型并联合优化有意义的嵌入（embeddings）和分类，始终优于仅基于图像和仅基于分类的基线方法。在训练期间见过的采集地标本上，研究人员取得了宏观平均F₁分数（macro-averaged F₁ score）0.93。尽管在评估来自先前未采样地点标本时该分数最低降至0.14，但通过使用2–3个新标记标本进行重训练可迅速恢复。此外，模型的前三准确率（top-3 accuracy）在所有设置下始终保持在80%以上。这些结果表明，相对轻量级的深度学习模型可以在真实的分类学工作流程中提供实用的决策支持。

物种可靠鉴定是分类学研究和众多生物学领域的基础，然而全球分类学专家短缺，且许多类群存在形态相似的隐秘种，使传统鉴定流程耗时且依赖稀缺的专业知识。淡水螺属Radomaniola（Hydrobiidae）是一个典型的形态隐秘类群，其物种间贝壳形态差异极微小，传统分类需结合解剖、遗传和地理信息。现有机器学习方法通常需要大量均衡标注图像，而真实分类学数据集往往规模小、类别不平衡且具有地理结构。为此，研究人员开发了一种多模态深度学习系统，旨在模拟分类学家的综合工作流程，以支持隐秘物种的鉴定。该研究成果发表于《PLOS Computational Biology》。

研究人员使用了697个Radomaniola标本，涵盖20个物种和31个采集地，标本由专家依据解剖和遗传特征鉴定，采集历时18年。系统整合了贝壳图像、形态测量（壳长、壳宽、壳口长、壳口宽、体螺层宽和次体螺层宽）和采集地元数据（国家、栖息地类型、地质信息），并可选结合遗传信息（基于系统发育树的cophenetic距离）。研究人员通过虚假相关性分析发现，精确地理坐标和温度等数据可使简单分类器100%预测物种，这些特征导致模型记忆采集地而非学习生物学特征，因此仅保留国家级别的地理信息，并去除图像背景、统一尺寸和方向。系统采用预训练的MobileNetV3-small卷积神经网络（CNN）提取图像特征，与上采样的测量和元数据拼接，通过Siamese网络学习嵌入，优化对比损失（contrastive loss，其中动态边界基于遗传距离）及自监督InfoNCE损失，同时联合优化分类的交叉熵损失。模型以端到端方式训练，使用Adam优化器，通过过采样处理类别不平衡。

研究结果分多个方面。在已知地点性能方面，图像结合测量和元数据显著优于仅用图像；联合学习嵌入和分类进一步提高了性能；结合自监督嵌入和未标记测试数据带来了最大改进。宏平均F₁分数达到0.93，但小样本类的方差很大。在嵌入学习方法比较中，对比损失和InfoNCE自监督方法表现最佳，且通过K近邻（KNN）分类器评估嵌入优于直接使用分类头，联合训练嵌入和分类能改善嵌入质量。在未知地点性能方面，当测试标本来自训练中未见的采集地时，性能急剧下降（宏平均F₁降至0.14），但top-3准确率仍保持在0.71–0.82，提示可提供候选列表。分析表明，同种不同采集地的个体视觉差异可能接近种间差异，模型在嵌入空间中按采集地而非物种聚类，反映真实的种群水平结构。在未知物种性能方面，模型对已知物种R. curta可靠识别，但对R. kephalovrissonia识别困难，错误预测往往落在系统发育邻近的物种上；t-SNE可视化显示未知类群R. tritonum形成独立簇。自监督模型经过温度缩放和Youden's J统计量校准后，低置信度预测与错误预测高度对应，为实际使用提供了判断机制。在增量标签性能方面，仅需从新采集地添加1–5个标记标本重训练，即可快速恢复高准确率。在缩减数据集规模实验中，将训练集减至约120个标本时，性能方差增大，但自监督模型仍略优，中位top-3准确率可达1.0。

讨论部分指出，多模态输入和相似性学习是提升隐秘种识别性能的关键，且形态变异在Radomaniola中主要按种群而非物种结构化，这解释了地点迁移时的性能下降。遗传信息的加入并未显著改善结果，可能是由于形态进化与系统发育脱节。增量学习使系统能适应新地点，但静态模型不适用于此类类群，需要持续重训练；不过重训练在标准硬件上仅需不到5分钟。局限性包括仅评估单一属、依赖高质量图像、分类变量无法泛化到新国家，以及未知物种分析基于单次训练。结论部分翻译：总体而言，研究结果表明，多模态Siamese网络模型可以作为分类学工作流程中的有效决策支持工具。它们可以在标准硬件上快速训练和重训练，能够合理处理有限和不均衡的数据，并随着新鉴定结果的出现进行更新。虽然它们不能替代解剖学或遗传学分析，但可以减少重复性比较工作，帮助将专家注意力集中于最模糊的标本和种群。因此，该方法最好在整合分类学框架中理解，补充而非替代其他证据。模型对标本进行分诊并呈现候选，而最终判定仍由分类学家负责。更广泛地说，数据高效的多模态机器学习方法即使数据集有限也能支持生物多样性研究，尤其在分类学专业知识稀缺的地区，有助于生物多样性监测和保护。