人工智能在食品安全領(lǐng)域的應(yīng)用探究

Exploration of Artificial Intelligence Applications in Food Safety

MAO Hailiang

（College ofForestry Engineering， Gansu Forestry Voctech University， Tianshui 741020， China）

Abstract： This paper summarizes the application of artificial intelligence （AI） in food safety risk monitoring， and summarizes in detail the application of AI in the improvement of public health system and the detection and identification of foodborne pathogens.In the future，we should promote the development of AI in the field of food safety and improve the level of food safety assurance by means of data sharing and integration technology，and the integration of AI and other emerging technologies.

Keywords： artificial intelligence; food safety; foodborne diseases; public health

食品安全是全球性的重大公共健康問題，關(guān)系到人們的身體健康以及社會經(jīng)濟(jì)的穩(wěn)定發(fā)展。世界衛(wèi)生組織指出，每年全世界有6億人因食用受污染的食品而患病，并有42萬人死亡，造成3300萬健康生命年損失（殘疾調(diào)整生命年）[。這不僅給個人和家庭帶來了沉重的負(fù)擔(dān)，而且對各國的醫(yī)療體系和經(jīng)濟(jì)發(fā)展造成了巨大壓力。

許多國家嚴(yán)重低估了食源性疾病的實際負(fù)擔(dān)。部分地區(qū)由于缺乏完善的公共衛(wèi)生監(jiān)測系統(tǒng)和針對食源性病原體的系統(tǒng)食品監(jiān)測，難以準(zhǔn)確掌握食源性疾病的流行病情況。即便在美國、英國等一些監(jiān)測體系相對成熟的國家，食源性疾病的有效防控依然面臨諸多難題。食品供應(yīng)系統(tǒng)的極端復(fù)雜性，涵蓋了從大規(guī)模工業(yè)化生產(chǎn)到小型本地經(jīng)營等多種模式，增加了監(jiān)管難度。此外，食源性疾病和污染事件的發(fā)生往往具有隨機性，傳統(tǒng)的檢測和監(jiān)測方法難以全面、及時地發(fā)現(xiàn)和應(yīng)對。

近年來，人工智能（ArtificialIntelligence，AI）技術(shù)取得了突破性進(jìn)展，其在數(shù)據(jù)處理、模式識別、預(yù)測分析等多個方面具有優(yōu)勢，可為食品安全風(fēng)險預(yù)測、監(jiān)測和管理提供有力支持，這為解決食品安全問題提供了新的思路和工具。AI技術(shù)能對海量的食品生產(chǎn)、加工、流通以及消費等環(huán)節(jié)的數(shù)據(jù)進(jìn)行深度挖掘和分析，從而實現(xiàn)對食品安全風(fēng)險的精準(zhǔn)預(yù)測、實時監(jiān)測以及快速響應(yīng)。這些應(yīng)用不僅有助于提高食品安全監(jiān)管的效率和準(zhǔn)確性，還能為公共衛(wèi)生部門提供及時的預(yù)警，從而更有效地預(yù)防和控制食源性疾病的傳播。因此，深入探討AI在食品安全領(lǐng)域的應(yīng)用具有重要的現(xiàn)實意義。

1AI在食品安全風(fēng)險監(jiān)測中的應(yīng)用

在食品供應(yīng)鏈中，從原材料采購、生產(chǎn)到最終產(chǎn)品銷售的每個環(huán)節(jié)都存在潛在的食品安全風(fēng)險。AI可以通過對供應(yīng)鏈數(shù)據(jù)的分析，建立風(fēng)險預(yù)測模型，提前識別出高風(fēng)險的環(huán)節(jié)和因素。BOUZEMBRAK等[以2000—2013年間歐盟食品和飼料快速預(yù)警系統(tǒng)報告的摻假數(shù)據(jù)為基礎(chǔ)，構(gòu)建了基于貝葉斯模型的預(yù)測系統(tǒng)。結(jié)果顯示，該系統(tǒng)能有效預(yù)測食品欺詐類型，為執(zhí)法部門提供了有力的決策支持工具。通過對這些風(fēng)險因素的提前預(yù)警，相關(guān)企業(yè)可以采取相應(yīng)的預(yù)防措施，如加強供應(yīng)商審核、優(yōu)化運輸路線和條件等，從而降低食品安全風(fēng)險。

在食品生產(chǎn)加工過程中，實時監(jiān)測食品的質(zhì)量和安全狀況對于保障食品安全至關(guān)重要。傳統(tǒng)的監(jiān)測方法往往依賴于人工抽檢，存在一定的局限性和滯后性。而計算機視覺和傳感器融合等AI技術(shù)可以實現(xiàn)對生產(chǎn)加工過程的實時、在線監(jiān)測。WANG等[3]建立了計算活菌檢測系統(tǒng)，該系統(tǒng)能定期捕獲 60mm 直徑瓊脂平板內(nèi)細(xì)菌生長的相關(guān)顯微鏡圖像，并利用深度神經(jīng)網(wǎng)絡(luò)分析這些全息圖，以快速檢測細(xì)菌生長情況并進(jìn)行物種分類。

2AI在公共健康系統(tǒng)改進(jìn)中的應(yīng)用

2.1食源性疾病暴發(fā)的早期預(yù)警

及時發(fā)現(xiàn)和控制食源性疾病的暴發(fā)對于保護(hù)公眾健康至關(guān)重要。AI可通過對公共衛(wèi)生數(shù)據(jù)的分析，實現(xiàn)對食源性疾病暴發(fā)的早期預(yù)警。SADILEK等[建立了實時食源性疾病檢測模型，該模型通過分析匿名聚合的Google搜索和位置數(shù)據(jù)，能準(zhǔn)確識別存在食品安全問題的餐廳，其檢測出的不安全餐廳比例（ 52.3% ）是傳統(tǒng)檢查方法（ 24.7% ）的2.1倍。ZUO等[5]構(gòu)建了一種基于異常評分的風(fēng)險早期預(yù)警系統(tǒng)，通過無監(jiān)督自編碼器對中國某省份的一批乳制品進(jìn)行早期高效預(yù)警，預(yù)測準(zhǔn)確率和故障檢測率分別為0.9954和0.9024。此外，GENG等[建立了一種融合層次分析法的深度徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)預(yù)警建模方法，通過中國某省食品安全檢驗數(shù)據(jù)中的滅菌乳數(shù)據(jù)，驗證了所建立方法的有效性和實用性。通過對這些數(shù)據(jù)的實時監(jiān)測和分析，公共衛(wèi)生機構(gòu)可以在疾病暴發(fā)初期及時采取措施，如發(fā)布預(yù)警信息、加強食品監(jiān)管等，從而有效控制疾病的傳播范圍，減少對公眾健康的危害。

2.2 溯源分析

在食源性疾病暴發(fā)后，快速準(zhǔn)確地確定疾病的來源是控制疫情的關(guān)鍵。AI可以基于食品供應(yīng)鏈數(shù)據(jù)、病例分布數(shù)據(jù)等，進(jìn)行溯源與歸因分析。ZHANG等[收集了涵蓋美國不同地區(qū)、多種宿主及全球其他區(qū)域的1267個鼠傷寒沙門氏菌基因組，構(gòu)建了系統(tǒng)發(fā)育樹模型。該模型對8次人畜共患病暴發(fā)中的7次進(jìn)行正確溯源，確定50個關(guān)鍵遺傳特征，包括核心基因組突變和輔助基因。但是，該模型存在一定的局限性，需要持續(xù)更新基因組數(shù)據(jù)和訓(xùn)練。此外，還有另外兩項研究分別使用LOGITBOOST8]和機器學(xué)習(xí)算法對沙門氏菌和彎曲桿菌分離株進(jìn)行溯源。

3AI在食源性病原體檢測與鑒定中的應(yīng)用

3.1 快速檢測技術(shù)

傳統(tǒng)的食源性病原體檢測方法通常需要較長的時間，難以滿足快速檢測的需求。AI可以與現(xiàn)代檢測技術(shù)相結(jié)合，提高病原體檢測的速度和準(zhǔn)確性。YANG等[1建立了基于機器學(xué)習(xí)的紙張顯色陣列病原體識別系統(tǒng)，浸漬有發(fā)色染料的紙張基材與不同菌株產(chǎn)生的特異性代謝物相互作用后，可以產(chǎn)生獨特的顏色。經(jīng)過訓(xùn)練的系統(tǒng)可以區(qū)分活的大腸桿菌、大腸桿菌O157：H7和其他病原體，并能同時識別生菜上的大腸桿菌O157：H7和單核細(xì)胞增生李斯特菌。HAN等[構(gòu)建了一個深度學(xué)習(xí)回歸網(wǎng)絡(luò)，實現(xiàn)了可量化的像素級別檢測花生中的黃曲霉毒素，整體識別率在 95% 以上，在花生仁的識別率方面也超過90% 。

3.2 鑒定與分類

準(zhǔn)確鑒定和分類食源性病原體至關(guān)重要。AI可以通過分析病原體的基因序列、形態(tài)特征等信息，實現(xiàn)對病原體的快速鑒定和分類。HO等[12]建立了細(xì)菌拉曼光譜數(shù)據(jù)庫，并應(yīng)用深度學(xué)習(xí)構(gòu)建模型，可準(zhǔn)確對30種常見細(xì)菌和酵母菌分離株進(jìn)行鑒定與分類，并預(yù)測對應(yīng)的抗生素來治療。KANG等[13]成功開發(fā)一種AI輔助的高光譜顯微成像方法，可同時區(qū)分彎曲桿菌屬、大腸桿菌、李斯特菌屬、葡萄球菌屬和沙門氏菌屬等5種常見食源性病原體。SIL等[14]基于細(xì)菌DNA樣本的拉曼光譜（其噪聲比全細(xì)胞樣本更少）用于對布魯氏菌屬和芽孢桿菌屬的15個物種進(jìn)行分類。由于病原體識別的背景高度可變，開發(fā)更大的細(xì)菌識別數(shù)據(jù)庫至關(guān)重要，這將為未來的AI工具開發(fā)提供數(shù)據(jù)參考。例如，ZIELINSKI等[5]應(yīng)用最先進(jìn)的紋理分析方法（如形狀、大小、空間排列）對細(xì)菌的屬和種進(jìn)行分類。采用深度卷積神經(jīng)網(wǎng)絡(luò)對包含33種不同屬和種細(xì)菌的660張顯微鏡圖像數(shù)據(jù)庫進(jìn)行分析來獲取圖像描述符，然后用

支持向量機或隨機森林對其進(jìn)行編碼和分類。這些技術(shù)的應(yīng)用可以大大提高病原體鑒定的效率和準(zhǔn)確性，為食品安全監(jiān)管提供有力的技術(shù)支持。

4AI在食品安全領(lǐng)域的發(fā)展趨勢

未來，隨著AI技術(shù)的不斷發(fā)展和成熟，其在食品安全領(lǐng)域的應(yīng)用將更加廣泛和深入。 ① 數(shù)據(jù)共享和整合技術(shù)的進(jìn)步將有助于打破數(shù)據(jù)孤島，實現(xiàn)食品安全數(shù)據(jù)的高效共享和利用。同時，可解釋AI技術(shù)的發(fā)展將提高AI模型的可解釋性，使其決策過程更加透明和可信。 ② 人工智能與其他新興技術(shù)的融合，如區(qū)塊鏈、物聯(lián)網(wǎng)等，將為保障食品安全提供更強大的技術(shù)支持。例如，區(qū)塊鏈技術(shù)可以實現(xiàn)食品供應(yīng)鏈數(shù)據(jù)的不可篡改和可追溯，物聯(lián)網(wǎng)技術(shù)可以實現(xiàn)食品生產(chǎn)和流通過程的實時監(jiān)測，與AI技術(shù)相結(jié)合，將進(jìn)一步提升食品安全監(jiān)管的效率和效果。此外，隨著相關(guān)法律法規(guī)和倫理準(zhǔn)則的不斷完善，AI在食品安全領(lǐng)域的應(yīng)用將更加規(guī)范和可持續(xù)。

5結(jié)語

AI為食品安全保障帶來了新的機遇和挑戰(zhàn)，其在食品安全風(fēng)險預(yù)測與監(jiān)測、公共健康系統(tǒng)改進(jìn)、食源性病原體檢測與鑒定等方面的應(yīng)用已經(jīng)取得一定的成果，但仍面臨著數(shù)據(jù)獲取與整合、模型可解釋性、法律法規(guī)和倫理等諸多問題。未來，隨著技術(shù)的不斷進(jìn)步和相關(guān)問題的逐步解決，AI有望在食品安全領(lǐng)域發(fā)揮更大的作用，為保障公眾健康和促進(jìn)食品行業(yè)的可持續(xù)發(fā)展貢獻(xiàn)更大力量。

參考文獻(xiàn)

[1]WorldHealthOrganization.WHO estimatesofthe global burden of foodborne diseases：foodborne diseases burden epidemiology reference group 2007—2015[EB/OL]. [2015-12-01]（2025-03-12）.https：//www.who.int/publications/i/ item/9789241565165.

[2]BOUZEMBRAK Y，MARVIN HJ P.Prediction of food fraud typeusingdata from Rapid Alert System for Food and Feed （RASFF） and Bayesian network modelling[J].Food Control，2016，61：180-187.

[3]WANGH，CEYLANKOYDEMIRH，QIUY，etal. Earlydetectionandclassificationoflivebacteriausingtimelapsecoherent imagingand deep learning[J].Light：Scienceamp;

Applications，2020，9：118.

[4]SADILEKA，CATYS，DIPRETEL，etal.Machinelearned epidemiology：real-timedetectionof foodborneillnessat scale[J].NPJDigitalMedicine，2018，1（1）：36.

[5]ZUOE G，DU XS，AYSAA，etal.Anomaly score-based riskearly warning system for rapidly controlling food safety risk[J].Fo0ds，2022，11（14）：2076.

[6]GENG Z Q，SHANG D R，HAN Y M，et al.Early waming modelingand analysis based onadeep radial basis functionneural network integrating an analytic hierarchy process： a case study for food safety[J].Food Control，2019，96：329-342.

[7]ZHANGS，LI S，GUW，etal.Zoonotic sourceattribution ofSalmonella enterica serotype Typhimurium using genomic surveillance data，United States[J].Emerging InfectiousDiseases， 2019，25（1）：82-91.

[8]MUNCKN，NJAGEPMK，LEEKITCHAROENPHON P，etal.Applicationofwhole-genomesequencesandmachine learning insourceattributionofSalmonella Typhimurium[J].Risk Analysis，2020，40（9）：1693-1705.

[9]ARNINGN，SHEPPARDSK，BAYLISSS，etal.Machine learning to predict the source of campylobacteriosis usingwhole genome data[J].PLoS Genetics，2021，17（10）：e1009436.

[10]YANGM，LIUX，LUOY，etal.Machinelearning-enabled non-destructive paper chromogenic array detection of multiplexed viable pathogens on food[J].Nature Food，2021，2（2）：110-117.

[11]HAN Z Z，GAO J Y.Pixel-level aflatoxin detecting based on deep learning and hyperspectral imaging[J].Computers andElectronics inAgriculture，2019，164：104888.

[12]HO C S，JEANN，HOGAN CA，etal.Rapid identification of pathogenic bacteria using Raman spectroscopy and deep learning[J].Nature Communications，2o19，10：4927.

[13]KANGR，PARKB，OUYANGQ，etal.Rapid identification of foodborne bacteriawith hyperspectral microscopic imaging and artificial intelligence classification algorithms[J].FoodControl，2021，130：108379.

[14]SILS，MUKHERJEER，KUMBHARD，etal.Raman spectroscopy and artificial intelligence open up accurate detection of pathogens fromDNA-based sub-species level classification[J]. Jounal ofRaman Spectroscopy，2021，52（12）：2648-2659.

[15]ZIELINSKI B，PLICHTA A，MISZTAL K，et al.Deep learning approach to bacterial colony classification[J].Plos One，2017，12（9）：e0184554.