论文标题：Machine Learning Applied to the Detection of Mycotoxin in Food: A Systematic Review

论文链接：https://www.mdpi.com/2072-6651/16/6/268

期刊名：Toxins

期刊主页：https://www.mdpi.com/journal/toxins

霉菌毒素是由某些真菌产生的有毒次级代谢产物，常见于谷物、坚果、香料、乳制品等食品中，对食品安全和公共健康构成严重威胁。传统检测通过液相色谱-质谱联用、高效液相色谱、ELISA等方法可以准确的检测到霉菌毒素的存在，但这些方法存在耗时长、成本高、对专业设备与人员依赖性高，难以满足大规模筛查的需求。近年来机器学习 (Machine Learning, ML)方法以其高效、低成本、可扩展性强等优点，在霉菌毒素检测领域备受关注。爱尔兰梅努斯大学Alan Inglis博士团队在toxins期刊系统回顾2013–2023年间，ML在霉菌毒素检测中的应用研究,分析不同ML方法的性能、优缺点、数据类型和应用场景，指出当前研究中存在的问题并提出未来的发展方向。

机器学习在食品霉菌毒素检测中的应用：系统综述

机器学习方法

从广义上讲，机器学习方法可以分为三类，即监督学习(Supervised Learning, SL)、无监督学习(Unsupervised Learning, UL) 和强化学习(Reinforcement Learning, RL)。目前在霉菌毒素检测领域，主要采用监督学习和无监督学习方法，其中监督学习（特别是神经网络和随机森林）是主要的检测方法，无监督学习主要用于数据预处理环节。本研究将ML过程整理为为以下五个步骤：

1. 数据收集：该过程从收集原始数据开始，原始数据可以来自许多来源或站点；

2. 数据准备：将收集的原始数据进行分析前的准备，通常涉及清理和格式化数据；

3. 数据拆分：准备好的数据可以拆分为三部分。这些是训练数据、验证数据和测试数据；

4. 模型选择：根据数据类型，选择无监督或监督学习模型；

5. 模型训练、评估和预测：该过程涉及用训练数据训练模型，使用验证数据优化模型的超参数，最后使用测试数据评估其整体性能。

典型的机器学习过程

研究过程与结果

研究团队使用Scopus数据库，关键词包括“mycotoxin”与多种ML相关术语（如神经网络、随机森林、SVM、增强等）。筛选出91篇相关文献并重点分析其中30篇。本研究对于霉菌毒素的研究涵盖玉米、小麦、大麦、花生、燕麦等多种作物，主要检测对象包括黄曲霉毒素、伏马菌素、脱氧雪腐镰刀菌烯醇等，主要基于以下数据类型进行检测与预测：

1. 气象数据（温度、湿度、降雨量等）：用于预测霉菌毒素发生风险。

2. 农业管理数据：前茬作物、农药使用、品种选择等。

3. 作物物候与品种数据：不同品种对真菌感染的敏感性不同。

4. 光谱数据（高光谱、多光谱成像）：目前最常用的数据类型，适用于非破坏性检测。

5. 电子鼻数据：用于检测挥发性有机物，辅助分类。

分析结果表明目前最常用的方法是神经网络，其次是随机森林、梯度提升、支持向量机和决策树/贝叶斯网络等。

最流行的机器学习方法

• 神经网络（尤其是CNN）：擅长图像和非线性建模但是黑箱、计算成本高、易过拟合，对小麦赤霉病的检测准确率接近100%，对花生黄曲霉毒素检测的准确率高于95%；

• 随机森林：鲁棒性强、调参少，但是容易黑箱、不适合极大规模数据，该方法对玉米青贮毒素分类准确率>90%；

• 梯度提升（GBM/XGBoost）：预测能力强、支持多种损失函数，但是计算资源消耗大、易过拟合，对玉米黄曲霉毒素预测准确率为96.8%可以大幅降低监测成本。

• 支持向量机：适合小样本、高维数据的分析，存在调参复杂、对核函数敏感的缺点，对小麦赤霉病分类准确率可达到96.5%；

• 决策树/贝叶斯网络：可解释性强、适合处理缺失数据，但是易过拟合（DT）、计算复杂（BN），CART方法检测小麦DON毒素准确率可以达到88–92%。

通过对文献的系统分析，研究团队指出当前ML方法在霉菌毒素检测中仍面临许多挑战。首先由于大多数研究未公开代码或者数据，存在可重复性差的问题。其次由于缺乏标准化，不同研究之间数据、指标、模型配置差异大，难以比较。同时目前的高准确率（>90%）多来自实验室控制环境，真实场景下可能表现不佳，存在潜在过拟合风险。最后高成本设备（如高光谱相机）限制了其实际应用。

因此该领域在未来仍需不断努力提高模型的可解释性，推动开放数据与代码，增强研究的透明度，制定标准化报告流程，统一超参数与性能指标，开展跨模型、跨数据集的系统比较研究，探索低成本检测技术（如多光谱、电子鼻等），降低成本，不断推动其工业应用步伐。

研究总结

机器学习，尤其是神经网络和随机森林方法，在霉菌毒素检测中展现出巨大优势和潜力，检测准确率可以高达90%。然而，当前研究仍处于初期阶段，未来应不断提高研究透明度、推动流程的标准化、降低成本，拓展该领域的实际应用和产业化发展。

Toxins 期刊介绍

主编：Jay Fox, University of Virginia, Charlottesville, USA

期刊主要涵盖了由生物体产生的各类毒素领域的相关研究。

2025 Impact Factor:4.0

2025 CiteScore:8.3

Time to First Decision:18 Days

Acceptance to Publication:3.6 Days