一篇最新發表於《Food Production, Processing and Nutrition》期刊的綜述研究，深入探討了人工智慧（AI）在食品風險評估領域的應用。這份由 Nady Khairy Elbarbary 與其同事共同撰寫的報告指出，機器學習、深度學習、Transformer-based models以及Explainable AI（可解釋人工智慧，指讓 AI 模型的決策過程能被人類理解的技術）等技術，正全面革新全球的食品安全系統，從被動檢查轉向主動預防。

全球食品供應鏈日益複雜，使得食品安全管理面臨巨大挑戰。傳統上依賴事後檢測的方法，已不足以應對層出不窮的食源性疾病與食品詐欺問題。這項研究為理解這些先進技術在危害識別、污染偵測、預測微生物學以及更廣泛的食品安全決策中的應用，提供了一個關鍵的框架。這項研究回顧了從 2020 年 1 月到 2026 年 6 月期間，在 Web of Science、Scopus、PubMed、ScienceDirect、SpringerLink 和 Google學術搜尋等六個主要科學資料庫中，從 1,212 份文獻中篩選出的 86 篇關鍵研究，顯示 AI 已成為食品風險評估的重要工具。

研究指出，機器學習是現代食品風險評估的基石，它透過從數據中學習規律，來預測和決策。Logit模型、隨機森林（Random Forest）、Support Vector Machines以及XGBoost等演算法（指讓電腦執行特定任務的指令集，例如辨識圖像或預測結果），已廣泛應用於預測微生物污染、分類食源性危害，並評估抗菌素耐藥性的風險。例如，這些模型能有效估計沙門氏菌屬（Salmonella）、李斯特單胞菌（Listeria monocytogenes）和大腸埃希氏菌（Escherichia coli）等病原體的生長動力學，將食品安全從過去的溯源追蹤轉變為預測性的、有證據基礎的決策。

深度學習架構則為處理大規模、高維度數據帶來獨特優勢。Convolutional Neural Networks（卷積神經網路）在影像式污染偵測和高光譜分析方面表現出色；而Recurrent Neural Networks與Long Short-Term Memory networks則適合處理微生物生長動態和保質期預測等時間序列數據。深度學習能自動從原始數據中學習分層特徵，減少了人工特徵工程的需求，但通常需要大量的運算資源和標註完善的數據集。此外，Transformer-based models也正被引入食品安全領域，用於法規文件的文字探勘、危害偵測和多模態風險評估，例如BERT和Vision Transformers等模型在分類食品安全事件和分析高光譜影像方面已展現潛力。

為了提升AI模型的應用透明度，Explainable AI（XAI）技術扮演了關鍵角色。SHapley Additive exPlanations（SHAP）和Local Interpretable Model-agnostic Explanations（LIME）等方法，有助於相關方理解AI模型的預測驅動因素，對於獲得法規機構的接受和建立利益相關者的信任至關重要。

儘管潛力巨大，人工智慧在食品安全領域的全面部署仍面臨多重挑戰。主要問題包括食品安全數據的碎片化、異質性和不平衡，影響了模型的訓練與表現。許多已發表的研究所採用的內部驗證方法，可能高估了模型在實際世界中的性能，而缺乏獨立的外部驗證是一個關鍵的缺口。此外，部分先進AI模型「黑箱」式的運作方式，以及缺乏統一的驗證標準和法規框架，也阻礙了其廣泛應用。資料隱私、網路安全和演算法偏差等問題，也需在AI廣泛應用前加以解決。

展望未來，研究預期食品安全領域的AI應用將由聯邦學習、數位分身和區塊鏈等新興數位技術的整合所驅動。基礎模型和多模態學習框架，可望進一步整合基因組學、代謝組學和環境數據，推動領域發展。作者們強調，要充分實現人工智慧在提升食品安全系統準確性和效率上的潛力，標準化基準協議、獨立外部驗證和發展Explainable AI方法至關重要。

參考來源

查看原始文章 ↗