人工智能在食品安全領域的應用探究

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，關系到人們的身體健康以及社會經濟的穩定發展。世界衛生組織指出，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（殘疾調整生命年）[。這不僅給個人和家庭帶來了沉重的負擔，而且對各國的醫療體系和經濟發展造成了巨大壓力。

許多國家嚴重低估了食源性疾病的實際負擔。部分地區由于缺乏完善的公共衛生監測系統和針對食源性病原體的系統食品監測，難以準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。食品供應系統的極端復雜性，涵蓋了從大規模工業化生產到小型本地經營等多種模式，增加了監管難度。此外，食源性疾病和污染事件的發生往往具有隨機性，傳統的檢測和監測方法難以全面、及時地發現和應對。

近年來，人工智能（ArtificialIntelligence，AI）技術取得了突破性進展，其在數據處理、模式識別、預測分析等多個方面具有優勢，可為食品安全風險預測、監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技術能對海量的食品生產、加工、流通以及消費等環節的數據進行深度挖掘和分析，從而實現對食品安全風險的精準預測、實時監測以及快速響應。這些應用不僅有助于提高食品安全監管的效率和準確性，還能為公共衛生部門提供及時的預警，從而更有效地預防和控制食源性疾病的傳播。因此，深入探討AI在食品安全領域的應用具有重要的現實意義。

1AI在食品安全風險監測中的應用

在食品供應鏈中，從原材料采購、生產到最終產品銷售的每個環節都存在潛在的食品安全風險。AI可以通過對供應鏈數據的分析，建立風險預測模型，提前識別出高風險的環節和因素。BOUZEMBRAK等[以2000—2013年間歐盟食品和飼料快速預警系統報告的摻假數據為基礎，構建了基于貝葉斯模型的預測系統。結果顯示，該系統能有效預測食品欺詐類型，為執法部門提供了有力的決策支持工具。通過對這些風險因素的提前預警，相關企業可以采取相應的預防措施，如加強供應商審核、優化運輸路線和條件等，從而降低食品安全風險。

在食品生產加工過程中，實時監測食品的質量和安全狀況對于保障食品安全至關重要。傳統的監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技術可以實現對生產加工過程的實時、在線監測。WANG等[3]建立了計算活菌檢測系統，該系統能定期捕獲 60mm 直徑瓊脂平板內細菌生長的相關顯微鏡圖像，并利用深度神經網絡分析這些全息圖，以快速檢測細菌生長情況并進行物種分類。

2AI在公共健康系統改進中的應用

2.1食源性疾病暴發的早期預警

及時發現和控制食源性疾病的暴發對于保護公眾健康至關重要。AI可通過對公共衛生數據的分析，實現對食源性疾病暴發的早期預警。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搜索和位置數據，能準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% ）是傳統檢查方法（ 24.7% ）的2.1倍。ZUO等[5]構建了一種基于異常評分的風險早期預警系統，通過無監督自編碼器對中國某省份的一批乳制品進行早期高效預警，預測準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神經網絡預警建模方法，通過中國某省食品安全檢驗數據中的滅菌乳數據，驗證了所建立方法的有效性和實用性。通過對這些數據的實時監測和分析，公共衛生機構可以在疾病暴發初期及時采取措施，如發布預警信息、加強食品監管等，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

在食源性疾病暴發后，快速準確地確定疾病的來源是控制疫情的關鍵。AI可以基于食品供應鏈數據、病例分布數據等，進行溯源與歸因分析。ZHANG等[收集了涵蓋美國不同地區、多種宿主及全球其他區域的1267個鼠傷寒沙門氏菌基因組，構建了系統發育樹模型。該模型對8次人畜共患病暴發中的7次進行正確溯源，確定50個關鍵遺傳特征，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，需要持續更新基因組數據和訓練。此外，還有另外兩項研究分別使用LOGITBOOST8]和機器學習算法對沙門氏菌和彎曲桿菌分離株進行溯源。

3AI在食源性病原體檢測與鑒定中的應用

3.1 快速檢測技術

傳統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可以與現代檢測技術相結合，提高病原體檢測的速度和準確性。YANG等[1建立了基于機器學習的紙張顯色陣列病原體識別系統，浸漬有發色染料的紙張基材與不同菌株產生的特異性代謝物相互作用后，可以產生獨特的顏色。經過訓練的系統可以區分活的大腸桿菌、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和單核細胞增生李斯特菌。HAN等[構建了一個深度學習回歸網絡，實現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

準確鑒定和分類食源性病原體至關重要。AI可以通過分析病原體的基因序列、形態特征等信息，實現對病原體的快速鑒定和分類。HO等[12]建立了細菌拉曼光譜數據庫，并應用深度學習構建模型，可準確對30種常見細菌和酵母菌分離株進行鑒定與分類，并預測對應的抗生素來治療。KANG等[13]成功開發一種AI輔助的高光譜顯微成像方法，可同時區分彎曲桿菌屬、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]基于細菌DNA樣本的拉曼光譜（其噪聲比全細胞樣本更少）用于對布魯氏菌屬和芽孢桿菌屬的15個物種進行分類。由于病原體識別的背景高度可變，開發更大的細菌識別數據庫至關重要，這將為未來的AI工具開發提供數據參考。例如，ZIELINSKI等[5]應用最先進的紋理分析方法（如形狀、大小、空間排列）對細菌的屬和種進行分類。采用深度卷積神經網絡對包含33種不同屬和種細菌的660張顯微鏡圖像數據庫進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行編碼和分類。這些技術的應用可以大大提高病原體鑒定的效率和準確性，為食品安全監管提供有力的技術支持。

4AI在食品安全領域的發展趨勢

未來，隨著AI技術的不斷發展和成熟，其在食品安全領域的應用將更加廣泛和深入。 ① 數據共享和整合技術的進步將有助于打破數據孤島，實現食品安全數據的高效共享和利用。同時，可解釋AI技術的發展將提高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的融合，如區塊鏈、物聯網等，將為保障食品安全提供更強大的技術支持。例如，區塊鏈技術可以實現食品供應鏈數據的不可篡改和可追溯，物聯網技術可以實現食品生產和流通過程的實時監測，與AI技術相結合，將進一步提升食品安全監管的效率和效果。此外，隨著相關法律法規和倫理準則的不斷完善，AI在食品安全領域的應用將更加規范和可持續。

5結語

AI為食品安全保障帶來了新的機遇和挑戰，其在食品安全風險預測與監測、公共健康系統改進、食源性病原體檢測與鑒定等方面的應用已經取得一定的成果，但仍面臨著數據獲取與整合、模型可解釋性、法律法規和倫理等諸多問題。未來，隨著技術的不斷進步和相關問題的逐步解決，AI有望在食品安全領域發揮更大的作用，為保障公眾健康和促進食品行業的可持續發展貢獻更大力量。

參考文獻

[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.