《Postharvest Biology and Technology》：Applying convolutional neural networks to X-ray images to improve postharvest detection of fruit fly infestation
编辑推荐：
微焦点X射线计算机断层扫描（μCT）能够检测地中海实蝇（medfly）幼虫的内部危害。深度学习使受侵染果实的μCT图像自动化解读成为可能。深度学习能够识别与地中海实蝇侵染相关的局部μCT特征。果实水平（fruit-level）监督避免了信息性切片的人工选择。检
微焦点X射线计算机断层扫描（μCT）能够检测地中海实蝇（medfly）幼虫的内部危害。深度学习使受侵染果实的μCT图像自动化解读成为可能。深度学习能够识别与地中海实蝇侵染相关的局部μCT特征。果实水平（fruit-level）监督避免了信息性切片的人工选择。检测性能随侵染相关危害愈发可见而提升。
**整合μCT成像与深度学习改进柑橘采后实蝇侵染检测的论文解读**
**1. 研究背景与问题**
采后检验是水果贸易中确保符合进出口国植物检疫要求的关键环节。当前口岸常用的内部虫害检测方法多为破坏性取样，且可靠性有限。地中海实蝇（*Ceratitis capitata*）是全球性的检疫性害虫，寄主范围广泛，繁殖能力强，早期侵染阶段因卵和幼虫隐匿于果皮下且鲜有外部症状而极具隐蔽性。尽管已有化学防治、生物防治、大量诱捕及昆虫不育技术（SIT）等多种防控策略，但均无法完全阻止带虫果实进入采后流通环节，因此检验环节的高度可靠检测仍是管理上的关键缺口。X射线计算机断层扫描（CT）作为一种无损成像技术，可三维可视化果实内部结构，有潜力检测隐蔽的害虫危害。然而，CT图像的判读依赖专家人工进行，耗时且难以标准化，严重制约了其高通量商业化应用。近年来，人工智能（AI）与深度学习的发展为自动化解读CT图像提供了新途径。本研究首次评估了将微焦点X射线计算机断层扫描（μCT）与深度学习相结合，用于无损检测柑橘中地中海实蝇侵染的可行性，旨在探索建立自动化、可复制且与工业流程兼容的检测框架。
**2. 关键研究技术方法**
研究人员在人工穿刺和完整两类脐橙上进行了受控侵染实验，并以果实解剖作为金标准。主要技术方法包括：μCT扫描获取三维断层图像；人工影像学判读评估侵染特征；广义线性混合模型（GLMM）分析检测率的影响因素；深度学习模型进行自动化图像分类，涵盖从多类别切片级分类、果实级二分类到切片级分类与投票聚合、以及基于注意力机制的果实级弱监督多示例学习；采用Grad-CAM进行模型可解释性分析。研究样本来源于南非柑橘研究中心饲养的地中海实蝇，果实采自当地超市。深度学习分析仅基于穿刺果实数据集，包含189个经人工审核可用的扫描样本（141个侵染，48个对照）。
**3. 研究结果**
**3.1 手动μCT检查有效揭示侵染模式，尤其在穿刺果实中**
研究人员通过Spearman相关分析证实，手动μCT判读的实蝇相关危害与解剖确认的幼虫存在显著正相关（穿刺果实ρ = 0.645）。对穿刺果实，该系统灵敏度为0.83，特异度为0.86，正确分类比例达0.84。检测率随孵化时间显著增加，但受成虫密度影响不显著。未受侵染的穿刺果实对照组在长孵化期（10天）出现较高假阳性率，可能与后期腐烂造成的影像混淆有关。相比之下，完整果实的检测灵敏度大幅下降（0.26），但特异度较高（0.96），且其侵染率本身较低，这可能解释了检测性能的下降。
**3.2 深度学习实现基于μCT的自动化检测**
**3.2.1 数据集特征与模型开发**
研究人员通过逐步探索多种建模策略发现，多类别切片级分类性能接近随机水平，果实级体积模型（3D CNN、CNN-LSTM等）的AUC值也仅处于中低范围（0.50–0.61）。这些结果表明，侵染信号在果实内空间分布不均，简单地将整个果实标注为阳性无法有效捕捉局部特征，由此推动了向切片级分类及数据筛选策略的转变。
**3.2.2 切片级分类与投票策略**
鉴于侵染相关损伤通常仅存在于少数切片中，研究人员采用了切片级二分类结合投票聚合的策略。每个切片独立分类后，通过设定投票阈值汇总为果实级判定，使模型聚焦于局部的侵染特征，显著提升了对空间异质性侵染模式的检测鲁棒性。
**3.2.3 最终模型比较**
基于筛选后的数据集，四种预训练架构（MobileNetV2、NASNetMobile、DenseNet121、InceptionV3）在统一协议下进行了评估。DenseNet121取得了最高的整体准确率（0.88）和F1分数（0.92），且灵敏度达到1.00（95% CI 0.86–1.00），未漏检任何受侵染果实。InceptionV3则取得了最高的AUC（0.84）和特异度（0.80），显示出更保守的判定特性。
**3.2.4 模型可解释性与生物学验证**
Grad-CAM可视化分析显示，模型激活区域集中于与疑似侵染相关危害的内部组织区域，而非周边组织或背景，表明模型学习到了具有生物学意义的侵染特征，而非图像伪影，为自动化框架提供了额外的生物学验证。
**3.2.5 预处理对模型性能的影响**
标准化切片尺寸与方向、背景去除、剔除无信息切片以及对齐校正等预处理步骤，有效减少了与侵染无关的变异性，提升了输入数据的一致性，是最终模型取得良好性能的重要前提。
**3.2.6 基于Transformer和ACGAN增强的多类别扩展**
作为探索性扩展，研究人员利用辅助分类器生成对抗网络（ACGAN）进行数据增强，训练了Transformer模型进行九类别分类，在测试集上取得了73.5%的准确率和0.746的加权F1分数，表明μCT数据中的信息足以支持超出二分类的、更精细的分类任务。
**3.2.7 配方D：果实级监督无需切片筛选即可复现检测性能**
为规避切片级标注噪声，研究人员采用基于注意力机制的多示例学习（配方D），直接在果实水平进行弱监督。该模型在189个样本的完整数据集上取得了0.80的测试集AUC（95% CI 0.67–0.91），水果级交叉验证平均AUC为0.78 ± 0.11，且注意力权重集中于少数与幼虫虫道区域相对应的切片，成功复现了人工筛选的效果。与需要切片级筛选的配方C相比，在相同果实上AUC提升了0.32。
**4. 讨论与结论**
本研究证实了μCT与深度学习结合用于柑橘果实中地中海实蝇侵染自动化无损检测的可行性。手动判读与自动化分析均能有效检测出已形成可见内部组织变化的侵染。尤其重要的是，果实级弱监督公式无需人工选择信息切片即可获得同等检测性能，这为实际检验线的自动化应用奠定了基础。但研究同时指出，深度学习模型仅在穿刺果实上验证，完整果实的检测信号较弱，是未来研究的主要方向。当前性能虽优于随机水平，但尚不足以直接用于部署，主要受限于非侵染样本数量过少，无法精确估计特异度及确定操作点。未来需要扩充对照数据集，并重点改进成像协议以提升对早期、低对比度侵染特征的敏感性。总体而言，μCT与AI结合的无损检测技术展现出支持采后供应链规模化、非破坏性植物检疫监测的潜力，但其实际应用仍需在成像方法和数据集建设上持续优化。
