综述:基于人工智能的预测建模与智能监控系统,用于全球食品链中的霉菌毒素风险管控

《Journal of Stored Products Research》:Artificial intelligence–driven predictive modeling and smart surveillance systems for mycotoxin risk management in global food chains

【字体: 大 中 小 】 时间:2026年07月01日 来源:Journal of Stored Products Research 3.4

编辑推荐:

  塞缪尔·阿约费米·奥拉莱坎·阿德耶耶,印度泰米尔纳德邦金奈帕杜尔,印度技术科学学院食品技术系,邮编603103 摘要 人工智能驱动的预测建模与智能监控系统正在通过实现实时检测、预测污染趋势、提升食品安全监测水平以及优化全球食品供应链的决策过程,从而改变霉菌毒素风险管理的模式。本

  塞缪尔·阿约费米·奥拉莱坎·阿德耶耶,印度泰米尔纳德邦金奈帕杜尔,印度技术科学学院食品技术系,邮编603103

摘要
人工智能驱动的预测建模与智能监控系统正在通过实现实时检测、预测污染趋势、提升食品安全监测水平以及优化全球食品供应链的决策过程,从而改变霉菌毒素风险管理的模式。本综述旨在评估当前在人工智能驱动的预测建模及智能监控技术应用于霉菌毒素风险评估与控制方面的进展。研究遵循PRISMA指南,对2015年至2026年间的PubMed、Scopus、Web of Science和Google Scholar等数据库进行了系统性检索。在筛选出的1200篇文献中,最终纳入65项符合要求的研究。纳入标准为针对全球食品链中霉菌毒素风险的人工智能驱动预测建模与智能监控领域的经过同行评审的研究;排除标准则为重复文献、非英文文献以及无关研究。人工智能驱动的预测建模与智能监控系统利用机器学习算法和传感器数据,对全球食品链中的霉菌毒素污染进行预测、检测和监控。这类系统能够提升预警能力,改善食品安全决策,降低健康风险,并助力农业供应链中的高效污染管理。不过,这一领域仍在不断发展中。目前存在的不足包括标准化数据集匮乏、模型在不同地区的泛化能力较弱,以及气候、储存和运输数据整合不足等问题。此外,由于大多数相关解决方案仍处于试点或实验阶段,工业化应用程度有限,技术的成熟度也仅为中等水平。互操作性问题、算法透明度不足以及监管障碍同样制约了这些技术的普及。未来,应注重开发可解释且具有迁移能力的人工智能模型,运用物联网实现实时监控,建立全球数据共享平台,采用区块链技术实现追溯,运用边缘计算以及混合人工智能系统,以提高全球食品安全系统的可扩展性、稳定性及预警能力。

引言
霉菌毒素是由丝状真菌产生的有毒次级代谢产物,主要来自曲霉属、镰刀菌属和青霉属等菌种。这类物质会在玉米、小麦、大米、花生、高粱等各类主粮及饲料作物的生产、储存、运输和加工过程中频繁出现,对食品安全构成威胁(Khan等人,2024;El-Sayed等人,2022)。由于其化学性质稳定、分布广泛且具有严重的毒性作用,这类天然存在的污染物堪称最为持久且分布最广的食品安全隐患之一。接触霉菌毒素会导致多种不良健康后果,包括致癌、肝损伤、肾损伤、免疫功能下降、胎儿畸形、内分泌紊乱以及生长受阻,从而对人类和动物群体带来巨大风险(Mafe和Büsselberg,2024)。

在热带和亚热带地区,高温、高湿以及多变的气候条件为真菌繁殖和毒素生成提供了有利环境,因此霉菌毒素污染问题更为严重(Al-Falih,2024)。此外,气候变化也越来越被视为影响真菌生态、地理分布及污染模式的重要因素,这进一步加剧了人们对未来食品安全与粮食安全问题的担忧。据联合国粮食及农业组织估计,全球大量农产品每年都会受到霉菌毒素的影响,由此造成巨大的经济损失、贸易中断、农业生产力下降以及沉重的公共卫生负担(Eskola等人,2020)。

传统上,霉菌毒素的检测与监测方法主要依赖实验室分析技术,如高效液相色谱法、酶联免疫吸附试验、气相色谱法以及基于质谱的技术(Maphaisa等人,2025)。尽管这些方法具有较高的分析灵敏度、特异性和可靠性,但它们存在操作成本高、样品制备要求严格、依赖专门的实验室设施,以及样品运输和分析过程中存在延迟等弊端(Singh和Mehta,2020)。因此,对于日益复杂且分布广泛的食品供应链而言,传统监测方法往往难以满足实时决策的需求。随着食品系统变得更加全球化、互联互通且对数据依赖度不断提高,人们越来越意识到仅靠传统的监测手段已不足以应对新出现的污染风险。于是,人们开始寻求更具预测性、主动性和适应性的食品安全管理体系,这类体系能够在污染事件发生之前识别风险,并在整个食品链中及时采取干预措施(Yohannis等人,2025)。

人工智能已成为解决上述问题并推动下一代食品安全系统发展的最具变革性的技术之一(Arslan,2025;Dhal和Kar,2025)。人工智能驱动的预测建模运用机器学习、深度学习、集成学习、强化学习以及先进的统计技术,对农业和食品生产系统中产生的大规模、异构且多维度的数据集进行分析(Kanicheril Ambikalekshmi等人,2026)。这些数据集涵盖了环境条件、气象变量、作物管理措施、储存参数、运输物流信息、实验室检测结果、遥感数据以及历史污染记录等。通过识别这些数据流中的复杂非线性关系和潜在模式,人工智能能够构建出预测模型,用于预测霉菌毒素的出现情况、评估污染风险,并为基于证据的干预措施提供支持(Kim等人,2025)。

除了预测功能之外,人工智能还逐渐成为农民、加工企业、监管机构、食品制造商以及供应链管理者的重要决策辅助工具,它能够将海量数据转化为可操作的洞察信息,从而提升运营效率并加强食品安全管理(Lopez等人,2026)。人工智能还能实现异常检测、自动监控以及自适应学习功能,这有助于更快速地应对新的污染威胁,同时减少对人工检查和传统监测方法的依赖(Balakrishnan等人,2025)。随机森林、支持向量机、人工神经网络、梯度提升算法以及集成学习模型等机器学习方法,在预测不同农产品及生产环境中的霉菌毒素出现情况方面展现了显著的效果(Inglis等人,2024)。近年来,卷积神经网络、循环神经网络、变换器、图神经网络以及混合人工智能框架等深度学习架构,在捕捉食品安全数据集中的复杂关系以及在不同环境条件下实现更精准的风险预测方面表现更为出色(Inglis等人,2024)。

智能监控系统的出现进一步拓展了人工智能在霉菌毒素风险管理中的应用潜力,它将预测分析技术与物联网、遥感平台、云计算基础设施、数字孪生、边缘计算以及大数据生态系统相结合(Moepi等人,2025)。这些相互关联的系统能够持续从农场、储存设施、运输网络、加工厂以及分销渠道收集和处理实时信息。借助物联网传感器,可以监测温度、湿度、含水量、二氧化碳浓度以及储存条件等关键环境变量,而这些因素都会影响真菌的生长和毒素的产生。结合基于人工智能的预测模型,这些系统能够发出早期预警,帮助及时采取缓解措施,比如针对性检查、优化储存条件、调整作物分配以及实施供应链干预措施(Sharma和Shivandu,2024)。卫星图像、无人机平台、高光谱成像以及地理空间监测系统等遥感技术,则能够提供大规模的环境信息,进一步强化监控能力,这些信息还可被纳入预测风险模型中(Kazanskiy等人,2025)。与此同时,基于云计算的基础设施则可以实现数据的集中存储、可扩展的分析功能,以及让不同利益相关者和不同地区的用户能够便捷地获取信息(Xing等人,2026)。

然而,食品系统的日益数字化也带来了数据治理、互操作性、隐私保护、网络安全以及负责任的人工智能应用等方面的新挑战(Singh,2025)。有效的人工智能驱动监控系统依赖于来自不同组织、不同监管区域以及不同供应链参与方的海量高质量数据。但目前许多农业食品相关数据集仍然处于分散状态,标准不统一,这限制了数据之间的互操作性,也降低了预测分析的效能(Dakhia等人,2025)。因此,建立标准化的数据架构、互操作的信息框架以及统一的报告规范,对于实现食品系统之间无缝的数据交换与整合至关重要。联邦学习等新兴的隐私保护技术则提供了非常有前景的解决方案,它允许在无需共享敏感或专有信息的情况下,通过分布式数据集共同训练人工智能模型(Dhal和Kar,2025)。通过去中心化的学习方式,联邦人工智能不仅能够提升预测性能,还能解决数据所有权、保密性以及合规性等方面的问题。在那些利益相关者可能不愿分享涉及商业机密的生产、物流或污染数据的食品系统中,这类方法显得尤为重要(Fendor等人,2025;Horst等人,2025)。

影响人工智能在食品安全领域应用的另一个重要因素是其可解释性和可信度(Zhan等人,2026)。尽管先进的机器学习和深度学习模型往往能实现很高的预测精度,但许多模型本质上属于复杂的“黑箱”系统,其内部的决策过程很难被理解。这种缺乏透明度的特点会降低利益相关者的信任度,也会阻碍监管机构的认可,尤其是在那些决策可能带来重大经济和公共卫生影响的食品安全领域(Kuppusamy等人,2024)。因此,可解释人工智能成为了重要的研究方向,该领域致力于开发能够提高人工智能预测结果透明度、可解释性以及可问责性的方法(Sari等人,2025)。可解释性框架有助于利益相关者了解影响模型输出的各种因素,增强他们对预测系统的信任,便于监管机构进行监督,同时也为做出负责任的决策提供支持。而“可信人工智能”这一更广泛的概念则不仅包含可解释性,还包括公平性、稳健性、可问责性、透明度、安全性以及伦理治理等方面,这些都被视为人工智能在农业食品系统中得到广泛应用的必要前提(Uzunov和Angeliska,2026)。

人工智能驱动的预测建模与智能监控系统的重要性不仅体现在霉菌毒素的检测方面,还关系到粮食安全、经济可持续性、法规合规性以及供应链的韧性(Balakrishnan等人,2025)。这些技术能够大幅减少食物损失,提高资源利用效率,优化检测工作,强化追溯体系,还有助于确保各类食品符合由国际食品法典委员会以及欧洲食品安全局等机构制定的国际食品安全标准(Kirubakaran等人,2026)。与区块链技术以及数字追溯框架的结合,进一步提升了食品供应链的透明度、可问责性以及数据的防篡改能力。在当今消费者越来越重视产品透明度、可持续性以及真实性的背景下,这类能力显得尤为重要(Balta等人,2025)。

尽管在相关技术方面已经取得了显著进展,但人工智能驱动的霉菌毒素监控系统的技术成熟度仍然相对较低,大多数解决方案仍处于技术成熟度4级到6级之间,因此大多只能应用于试点研究、研究环境或受控的运营场景中(Focker等人,2025;Adeyeye和Adeyeye,2026)。虽然已有许多研究证明了将人工智能、物联网、遥感技术以及预测分析相结合用于污染预测的可行性,但能够全面运行、具备互操作性且可在全球范围内推广的监控生态系统仍然十分有限(Chen等人,2026;Gharibzahedi和Savas,2025)。目前仍存在的难题包括数据稀缺、数据集不平衡、外部验证不足、模型迁移能力有限、计算资源需求高、基础设施不足以及不断变化的监管框架等(Aggarwal等人,2024;Focker等人,2025;Inglis等人,2024)。此外,大多数预测模型在适用范围上仍存在地域限制,在不同作物种类、生产系统以及不同气候条件下的通用性也不够强(Maphaisa等人,2025)。

尽管综合风险预测非常重要,但包括环境、农业、经济、物流、基因组以及社会数据在内的多源数据流的整合工作仍然进展缓慢(Gavai和Heringa,2026;Alvito等人,2022)。同样,人工智能系统在现实世界的食品供应链中的实际应用也较为有限,而且目前还缺乏用于评估模型性能、可靠性、稳健性以及是否符合监管要求的标准化框架(Focker等人,2025)。联邦学习、可解释人工智能、数字孪生、基础模型、多模态人工智能系统、图神经网络以及自主决策支持架构等新兴技术则为解决这些问题以及推动下一代食品安全系统的发展提供了良好的发展方向(Zarbakhsh等人,2025)。因此,有必要对目前的进展、存在的问题、实施障碍、治理考量以及未来的发展机遇进行全面梳理,以便更好地了解人工智能驱动的预测建模与智能监控系统如何改变霉菌毒素风险管理的模式,进而为打造更安全、更有韧性、更加透明且可持续的全球食品供应链贡献力量(Shawon等人,2026)。

人工智能驱动的预测建模与智能监控系统为全球食品链中的霉菌毒素风险管理提供了一种全新的管理方式(Deshmukh等人,2025)。虽然在模型开发以及试点应用方面已经取得了显著进展,但数据质量、技术成熟度、互操作性以及监管接受度等方面的问题仍然制约着这些技术的大规模应用(Zazueta-Vega等人,2026)。要通过跨学科研究、技术创新以及全球协作来弥补这些不足,才是充分发挥人工智能在保障全球食品系统安全、稳定与可持续发展方面作用的根本途径(Focker等人,2025)。本综述对人工智能驱动的预测建模及智能监控技术在食品链全流程中的霉菌毒素风险管理应用进行了全面评估。该文综合了目前关于人工智能在早期检测、实时监控、污染预测以及决策支持方面作用的各项研究证据,同时指出了相关技术挑战、实施障碍,以及提升全球食品系统在食品安全性、可追溯性、抗风险能力及可持续性方面的未来发展方向。

研究设计与方法
本研究遵循《系统评价和元分析首选报告项目》(PRISMA 2020)指南,采用系统评价方法,系统地识别、筛选、评估并整合了2015年1月至2026年1月间发表的关于利用人工智能驱动的预测模型与智能监测系统来管理全球食品链中霉菌毒素风险的各类研究证据(Page等人,2021)。该研究的设计旨在确保方法上的透明度、可重复性及严谨性。

人工智能在霉菌毒素风险预测中的新兴作用
人工智能与机器学习技术正通过能够在污染达到危险水平之前就对真菌生长及毒素产生情况实现预测性评估,从而逐步改变霉菌毒素风险管理的模式(图2)(Aggarwal等人,2024)。由曲霉、镰刀菌和青霉等物种产生的霉菌毒素会污染谷物、坚果、水果、香料以及动物饲料,给全球带来沉重的公共卫生和经济负担(Aggarwal等人,2024)。由于真菌的生长受到多种因素的影响……

利用人工智能与机器学习处理气候变化数据并绘制霉菌毒素高发区地理分布图
气候变化已成为影响全球农业系统中真菌生长、霉菌毒素污染以及食品安全风险的最重要因素之一(表2)。气温上升、降雨模式变化、长期干旱、洪水以及大气中二氧化碳浓度增加都在改变真菌的生存环境,促使曲霉、镰刀菌和青霉等产毒真菌更加易大量繁殖(Duchenne-Moutien和Neetoo,2021)。

用于霉菌毒素检测与监测的智能生物传感器及可穿戴检测平台
智能生物传感器与可穿戴检测平台作为一种具有变革意义的技术,正在被广泛应用于农业和食品供应体系中,以实现快速霉菌毒素检测及持续的食品安全监控(图3)(Tong等人,2025;Szelenberger等人,2024)。传统的实验室检测方法,如高效液相色谱法、气相色谱法以及酶联免疫吸附试验,虽然具备较高的灵敏度和准确性,但存在……

声明
伦理审批与参与同意:无需。
出版同意:无需。
资金支持:本研究未获得任何资金资助。
利益冲突声明:作者声明不存在任何利益冲突。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号