基于高效且可解释的深度学习对马勃属（Elaphomyces）形态重叠物种进行细粒度分类

《Scientific Reports》：Efficient and explainable deep learning for fine-grained classification of morphologically overlapping species of the truffle genus Elaphomyces

　　

摘要

准确区分形态学上相互重叠的大型真菌物种仍然是真菌分类学中长期面临的挑战，尤其当种间差异仅限于细微的超微结构特征时。本研究提出了一种基于可解释深度学习的细粒度分类框架，用于利用高分辨率扫描电子显微镜图像对四种亲缘关系密切的Elaphomyces（羊肚菌属/鬼笔马勃属）物种的孢子表面进行精细分类。研究不仅关注模型准确率，还评估了不同的架构设计与混合决策策略如何捕捉具有生物学意义的微形态模式。结果表明，轻量级和中等规模的模型通常比若干更深层的架构产生更稳定、更可靠的分类结果，说明在网络图像数据集有限的情况下，仅增加网络深度并不能保证性能提升。最佳的混合配置达到了98.13%的准确率，并提供了与分类学信息相关的孢子表面特征的可视化证据。在预定义的独立留出验证设计下，研究结果表明，模型效率、分类器兼容性和生物学可解释性可能对所研究真菌图像的分类比单纯的架构复杂性更具影响力。总体而言，所提出的框架为真菌分类学、生物多样性评估以及其他涉及细微表型变化的生物分类任务提供了一个客观且具有可解释性的初步框架。