中國學者近日開發了一種名為 ForwardSpectralProbabilistic（FSP）的人工智慧機器學習框架，這項技術旨在解決食品安全檢測中微生物數據不完整的問題，提升風險偵測的準確性。相關研究已於本週三（28日）發表在《Frontiers in Microbiology》期刊。

FSP 框架由 Shanxi Vocational University of Engineering Technology 現代物流學院的田擎（Qing Tian）所開發。其核心設計理念是「可用性感知」（availability awareness），意即 FSP 僅在數據真實存在時才進行光譜、時間及上下文處理。它會遮蔽缺失的資訊，而非使用人為合成的替代數據，避免因捏造的數據而扭曲模型的學習效果。

該框架首先透過針對模態專屬的編碼器處理各類數據，如超光譜特徵、顯微影像及結構化表格記錄，將這些數據轉換至一個共享的潛在空間。潛在空間是一種能將複雜數據壓縮為更簡潔表示的抽象維度。同時，如天氣讀數或採集元數據等輔助資訊，則由上下文編碼器處理，並透過一個門控殘差融合機制進行整合。若樣本存在時間上的前身，FSP 還會利用 Forward Consistency Projector 來預測其潛在狀態。

研究團隊在四個微生物安全基準數據集上評估了 FSP 框架的效能，包括 Salmonella Serovar Hyperspectral Dataset、Microcolony Domain Adaptation Dataset，以及美國食品安全檢查局（USDA Food Safety and Inspection Service）的雞肉屠體樣本、Predicting Agricultural Water Quality dataset。結果顯示，在超光譜任務中，FSP 的平均準確度達 84.91%，宏觀 AUC 值為 95.31%，表現優於傳統的一維卷積網路。在雞肉樣本數據集上，FSP 的準確度為 87.18%，召回率為 75.36%，AUC 達 90.57%。即使在顯微鏡數據的領域適應（domain adaptation，一種讓模型適應不同數據來源的技術）測試中，FSP 也能在面對數據偏移時，其準確度和 AUC 值超越 EfficientNetV2-S 模型，突顯了採集元數據的重要性。

消融實驗（一種透過移除模型特定部分來評估其重要性的測試）進一步證實了 FSP「可用性感知」設計的關鍵性。研究結果表明，移除框架中的特定組成部分會導致性能顯著下降。儘管 FSP 展現出優異的性能，該研究也指出，目前尚未進行單一食品供應鏈端到端的完整評估，且在實際應用前仍需獨立的外部驗證。此類創新技術若能進一步發展成熟，未來可望為全球食品產業帶來變革，台灣相關業者亦可參考其概念，思考如何運用人工智慧強化食品安全檢測與管理，以因應日益複雜的供應鏈挑戰。

參考來源