深度迁移学习集成新策略：高光谱显微镜下食源性细菌的精准鉴定

研究背景

食源性疾病对公共卫生构成重大风险，特定细菌尤其令人关注，因为它们可能导致疾病和住院治疗。在美国，食源性疾病每年估计导致900万例疾病、56000例住院和1300例死亡。许多国家已经建立了食源性病原体的监测计划，以加强食品安全措施并预防疫情的发生。现有的检测方法，如等温微量热测量、酶联免疫吸附测定和荧光标记，通常存在破坏性测量、昂贵的仪器和漫长的检测时间等缺点。

高光谱显微镜成像（HMI）作为一种非破坏性和快速的无标记检测方法，提供了生物样本的连续光谱图像信息，已用于活细胞/死细胞的判断，并在活单细胞分类中显示出效果。深度学习（DL）作为强大的机器学习方法，可以自动解释HMI数据，提高细菌检测的效率和准确性。为了解决有限训练数据大小和噪声引起的过拟合、高方差和泛化误差问题，集成学习（EL）作为一种有前景的方法，通过适当的策略结合多个模型来提高系统的整体性能。

Fig. 1. The proposed approach involves a four-classifier ensemble framework using a WAVE scheme with weights generated using Powell’s method.

创新点

本研究提出了一种基于深度迁移学习的集成方法，使用四种基础分类器（InceptionResNetV2、MobileNet、ResNet101V2和Xception）构建集成分类模型，以区分六种病原菌株的活细胞和死细胞。

Fig. 2. Architectural overview of MobileNet used in our work.

Fig. 3. Architectural overview of InceptionResNetV2 used in our work.

Fig. 4. Architectural of Xception model used in our work.

Fig. 5. Network architecture of ResNet101V2.

性能分析

对比了各个基础模型（InceptionResNetV2、MobileNet、Xception和ResNet101V2）以及提出的集成模型在不同数据集上的性能。

提出的集成模型在多个数据集上表现出色，Escherichia coli （EC），Listeria innocua（LI）和Salmonella Enteritidis（SE）的完美检出率为100%，Salmonella Typhimurium（ST）、Staphylococcus aureus（SA）和Salmonella Heidelberg（SH）的检出率分别为96.30%、87.13%和94.12%。因此，由于其高水平的效率，它可以被认为是鉴定食源性病原体的有效工具。

与其他集成方法的比较

将提出的集成方法与其他几种集成技术（Stack Ensemble、Majority Voting和Average Ensemble）进行了比较，结果表明提出的集成方法在分类准确率上优于其他方法。

结论

研究提出了一种基于深度迁移学习的集成方法，能够有效地鉴定食源性细菌，尤其是在数据有限的情况下。并且强调了进一步研究的必要性，以确认模型在实际食品工业设置中的有效性，并处理更广泛和多样化的细菌细胞数据集。最后提出了未来研究方向，包括扩大数据集以包含更多细菌菌株和其他成像方式，以及在更大的数据集上评估模型的性能。

参考文献：Asif S. A Novel Ensemble Approach with Deep Transfer Learning for Accurate Identification of Foodborne Bacteria from Hyperspectral Microscopy[J]. Computational Biology and Chemistry, 2024: 108238.