共计 1231 个字符，预计需要花费 4 分钟才能阅读完成。
国际研究团队近日展示了一项突破性技术：通过结合高光谱成像（HSI）与机器学习（ML），人工智能（AI）可以在食品到达消费者之前，在田间和工厂中检测受污染的食品。这项技术有望每年挽救 400 万人的生命。
由南澳大利亚大学领导的这项研究发表在《毒素》期刊上，详细描述了如何利用 HSI 和 ML 来识别霉菌毒素——由真菌产生的危险化合物，这些化合物可能在食品的生长、收获和储存过程中污染食品。
霉菌毒素会导致一系列严重的健康问题，如癌症、免疫力下降和激素相关疾病。根据世界卫生组织的数据，包括霉菌毒素在内的食源性污染每年导致 6 亿人患病和 420 万人死亡。联合国粮食及农业组织估计，全球约 25% 的作物受到产生霉菌毒素的真菌污染，这凸显了解决这一威胁的经济和健康必要性。
论文的主要作者、南澳大利亚大学博士生 Ahasan Kabir 表示，传统的霉菌毒素检测方法耗时、昂贵且具有破坏性，因此不适合大规模实时食品加工。“相比之下，高光谱成像——一种捕捉具有详细光谱信息的图像的技术——使我们能够快速检测和量化整个食品样本中的污染，而不会破坏它们，”Kabir 说道。
Kabir 及其在澳大利亚、加拿大和印度的合著者评估了 HSI 在检测谷物和坚果中有毒化合物的有效性，这些食品是世界上产量最高的食品，也是许多国家的经济支柱。从种植到储存，这些食品在温暖潮湿的环境中极易受到真菌和霉菌毒素的污染。
“HSI 捕捉霉菌毒素的光学足迹，当与机器学习算法结合时，它可以根据细微的光谱变化快速分类受污染的谷物和坚果，”Kabir 说道。
研究人员回顾了超过 80 项关于小麦、玉米、大麦、燕麦、杏仁、花生和开心果的最新研究。研究结果表明，集成 ML 的 HSI 系统在检测关键霉菌毒素方面始终优于传统技术。
“根据项目负责人南澳大利亚大学教授 Sang-Heon Lee 的说法，这项技术在识别黄曲霉毒素 B1 方面特别有效，黄曲霉毒素 B1 是食品中发现的最具致癌性的物质之一，”Lee 教授说道。“它为工业食品安全提供了一个可扩展、非侵入性的解决方案，从杏仁分选到小麦和玉米货物的检查。”
这种方法的主要优势之一是能够实时工作。研究人员表示，随着进一步的发展，HSI 和 ML 可以部署在加工线上或手持设备中，通过确保只有安全、未受污染的食品到达消费者手中，从而减少健康风险和贸易损失。
该团队目前正在使用深度学习和 AI 改进该技术，以提高其准确性和可靠性。该研究得到了联邦政府研究培训计划的支持，并获得了 SureNut Australia 的额外资助。
“使用机器学习集成高光谱成像检测谷物和坚果中的霉菌毒素：综述”发表在《毒素》期刊上。DOI: 10.3390/toxins17050219。
该论文由 Ahasan Kabir、副教授 Ivan Lee 和教授 Sang-Heon Lee（南澳大利亚大学）；教授 Chandra Singh（加拿大莱斯布里奇学院）；以及助理教授 Gayatri Mishra 和 Brajesh Kumar Panda（印度理工学院卡拉格普尔分校）共同撰写。
