基于机器学习的预测Clostridium在猪肉中的增长,使用可解释的人工智能
Volkan Ince1, Mohamed Bader-El-Den1, Jack Alderton2
1Computer Science, University of Portsmouth, Winston Churchill Ave, Portsmouth, PO1 3GY UK.
Journal of food science and technology
|February 25, 2026
概括
机器学习和可解释的AI准确地检测肉类中的有害细菌. 整合基因测序显示,腐烂细菌可以抑制有害类型,改善食品安全预测.
科学领域:
- 食品科学 食品科学 食品科学
- 微生物学 微生物学
- 计算生物学 计算生物学
背景情况:
- 肉类中的细菌生长构成了食品安全风险.
- 预测有害细菌的生长对于食品质量保证至关重要.
研究的目的:
- 使用机器学习 (ML) 检测猪肉中的有害细菌.
- 通过可解释的人工智能 (XAI) 分析其他细菌对有害生长的影响.
主要方法:
- 在猪肉样本中进行细菌多样性分析的基因测序.
- ML算法和XAI用于细菌生长预测和影响分析.
- 排除低丰度细菌 (<0.1%,0.25%,0.5%) 以专注于主要种群.
主要成果:
- 在肉类腐烂细菌和有害细菌之间发现了显著的负相关性 (r=-0.385,p<0.05).
- ML模型的准确性达到0.89,包括"日"变量用于预测.
- XAI表示,腐烂细菌可以减少特定介质中的有害细菌生长.
结论:
- 综合基因测序,ML和XAI为细菌动力学提供了新的见解.
- 这种方法增强了预测性食品安全,质量控制和保质期延长.
- 这些发现支持改善食品安全策略和减少行业损失.
