便携式近红外光谱结合机器学习快速检测肉鸡胸肉肌病

《Poultry Science》：Portable near-infrared spectroscopy combined with machine learning for rapid detection of broiler breast myopathies

　　

摘要：生长相关的胸肉肌病是现代肉鸡生产中遇到的主要肉品质缺陷之一，影响胸肉质量，并需要将受影响的鸡胸肉转用于进一步加工。本研究旨在评估一款口袋型近红外（NIR）光谱仪检测肉鸡胸肉白纹肉（WS）、木质胸（WB）和意大利面条肉（SM）的可行性。研究人员共从8个鸡群和多个屠宰日采集了来自一个商业杂交系和一个肉鸡种鸡系的4579只肉鸡样本，并由一名 trained 评估员对WS、WB和SM严重程度进行分级。使用便携式光谱仪（740-1070 nm）在标准化解剖位置对胸肉表面扫描5次，并在化学计量学分析前对光谱进行平均。数据清洗后保留4500个样本，建立偏最小二乘判别分析（PLS-DA）模型（70%训练集；30%测试集），并使用平衡准确率（BA）、灵敏度和特异性进行评估。结果显示，测试集的BA在50%至78%之间，具体取决于分类场景。SM以及单独的WS或WB模型判别能力有限（≤56%），反映了类别不平衡和与其他并发肌病的光谱重叠。无缺陷（ND）与WS和/或WB（75%）、ND与任一缺陷（75%）、WS严重程度（74%）以及WB严重程度（73-74%）获得了中等判别能力。BA最高的模型出现在对比ND鸡胸肉与WS相关肌病（78%）或WB相关肌病（77%）时。对于ND与任一缺陷模型，灵敏度和特异性分别为67%和82%，表明识别ND鸡胸肉的能力高于识别缺陷鸡胸肉。变量重要性分析显示了缺陷特异性光谱区域：SM为800-900 nm（与水吸收相关），WS为900-950 nm（与脂质特征相关），WB为1000-1070 nm（与蛋白质/胶原蛋白相关吸收相关），反映了潜在的生化改变。总之，口袋型NIR光谱仪可作为加工线上检测肉鸡复合胸肉肌病的实用、快速初筛工具，但单独和低患病率的缺陷仍难以可靠分类。

本研究系统评估了便携式近红外光谱（NIR）结合机器学习在商业化肉鸡生产条件下检测胸肉肌病的可行性。研究背景方面，现代肉鸡育种追求快速生长和高效饲料转化，导致生长相关肌病（白纹肉WS、木质胸WB、意大利面条肉SM）高发，影响肉品质并造成显著经济损失。传统检测依赖人工视觉和触觉评分，主观性强且难以适应高速加工线。因此，开发快速、客观的筛查技术具有重要应用价值。研究人员于2022至2024年间开展两阶段研究，共采集4579只肉鸡样本，涵盖商业Ross 308杂交肉鸡（n=4481）和与Ross 308遗传相关的FLX品系（n=98），样本来自法国某商业屠宰场的8个鸡群和16个屠宰日，鸡龄43至49天。使用SCiO?口袋型近红外光谱仪（波长范围740-1070 nm）在胸肉表面5个标准化解剖位置进行扫描，经数据清洗和马氏距离异常值筛选后保留4500个样本。研究人员建立12种不同分类场景的偏最小二乘判别分析（PLS-DA）模型，并系统评估其性能。

研究结果表明，模型性能根据分类场景呈现梯度差异。SM特异性模型和孤立WS/WB模型判别能力有限（平衡准确率BA≤56%），主要归因于类别不平衡（SM仅占4.9%）和肌病并发导致的光谱重叠。中等判别能力（BA 73-75%）见于ND与WS和/或WB、ND与任一缺陷、WS严重程度和WB严重程度等实际二元分类场景。最高判别能力（BA 77-78%）出现在区分ND与WS相关肌病组合及WB相关肌病组合的模型中，说明并发缺陷比单一缺陷具有更明显的光谱差异。所有模型中特异性（82-96%）均高于灵敏度（50-68%），表明模型更擅长识别正常鸡胸肉而非缺陷鸡胸肉。以ND对任一缺陷模型为例，在1000个鸡胸肉中约307个缺陷样本能被正确识别，但151个缺陷样本会漏检，同时98个正常样本会被误判。

变量重要性分析揭示了三类肌病的特异性光谱指纹：SM主要影响800-900 nm区域（水吸收相关），WS主要影响900-950 nm区域（C-H和O-H合频吸收，与肌内脂质积累相关），WB主要影响1000-1070 nm区域（蛋白质/胶原蛋白相关吸收，与纤维化和结缔组织沉积相关）。这些光谱-生化关联为模型判别提供了机制解释，并证实虽然SCiO?波长范围有限，但每种肌病仍产生可区分的NIR指纹。

讨论部分指出，马氏距离阈值选择需平衡去除异常光谱与保留真实生物学变异。过严阈值（≤3）会导致SM组合和WS单独样本损失高达30%以上，而选择≤20阈值保留了98.98%的清洗后数据。与文献报道的高精度模型（如Wold等获得99-100%的WB检测准确率）相比，本研究的多批次、多屠宰日数据集更具异质性，性能差异主要源于实验设计对泛化能力的优先考虑。未来实际应用应定位为加工线上的一级筛查工具，而非完全自动化的分级决策；也可作为鸡群健康监测手段，通过定期采样跟踪群体水平肌病发生率变化。

研究局限性包括：某些缺陷（特别是SM和孤立肌病）患病率低导致类别不平衡；仅评估短波近红外范围（740-1070 nm）；未对扫描样本进行近邻组成、胶原蛋白含量等直接理化测量以验证光谱解释。未来需结合便携式NIR与直接理化表征，并在商业加工条件下进行独立验证。

研究结论：本研究表明口袋型近红外光谱仪（SCiO?；740-1070 nm）在受控实验条件下可作为快速、非破坏性检测肉鸡胸肉肌病的可行工具。最优PLS-DA模型在区分正常鸡胸肉与呈现WS、WB及其常见组合的鸡胸肉时实现77-78%的平衡准确率，而孤立肌病和低患病率的SM缺陷仍难以可靠分类。变量重要性分析确认传感器捕获了与水分布、脂质积累和蛋白质/胶原蛋白沉积相关的生物相关性光谱特征。尽管这些结果支持短波便携式NIR用于初步肌病筛查的潜力，但仍需在商业加工条件下进一步验证，特别是考虑快速单次扫描采集和加工线自动集成的需求。除鸡胸肉分类外，该技术还可能作为客观的鸡群质量监测工具，用于评估肌病发生的变化并支持遗传、营养、饲养管理和鸡群管理的持续改进。