使用机器学习预测动物料中污染物的早期预警
L M van den Bulk1, R G Hobé2, W Hoenderdaal2
1Wageningen Food Safety Research, Wageningen, The Netherlands. leonieke.vandenbulk@wur.nl.
NPJ science of food
|November 21, 2025
概括
机器学习准确地预测动物料中的化学污染物,包括菌毒素,重金属,二氧化物和农药. 这支持基于风险的监测,并提高动物和人类的食品安全.
科学领域:
- 食品科学 食品科学 食品科学
- 计算毒理学计算毒理学
- 机器学习 机器学习
背景情况:
- 污染的动物料对动物和人类健康构成风险,并造成经济损失.
- 准确及时预测食品安全危害对于基于风险的动物料监测至关重要.
- 现有的监测方法可能不足以积极识别危险.
研究的目的:
- 开发和验证一种机器学习模型,用于预测动物料中四个关键污染物组的存在.
- 将各种外部驱动因素,包括社会经济和天气指标,纳入预测模型.
- 为风险管理人员创建决策支持系统,以提高动物料安全.
主要方法:
- 利用了各种料和国家的历史料安全监测数据 (2010-2023年).
- 采用整体模型设计,将社会经济和天气指标作为输入特征.
- 应用了CatBoost算法来预测污染物超过预定义值的概率.
主要成果:
- 在未见的数据上,CatBoost模型实现了四个污染物组的平均灵敏度为83%,特异性为73%.
- 该模型成功预测了超出污染物欧洲法律限制或指导值的可能性.
- 开发并测试了整合模型预测和数据的决策支持系统,以便在实践中应用.
结论:
- 机器学习,特别是CatBoost算法,为预测动物料中的化学污染物提供了有效的工具.
- 开发的决策支持系统增强了风险管理人员对潜在料污染的洞察力.
- 该研究支持通过主动监测改善决策,以保障动物和人类的食品安全.
