融合AI与光谱：NAS-Unet方法攻克病菌检测难题！

食源性病原体（如沙门氏菌、李斯特菌、金黄色葡萄球菌等）是全球公共卫生的重大威胁，据世界卫生组织统计，每年约6亿人因食用污染食品患病，42万人死亡，其中儿童占比40%，对医疗系统和经济造成沉重负担。传统检测方法包括培养法、免疫测定、基因探针和阻抗法等，但存在耗时（培养法需24-48小时）、灵敏度低（免疫测定假阳性率高）、成本高（基因探针）和特异性差（阻抗法）等局限性。表面增强拉曼光谱（SERS）技术因其快速、灵敏（可检测单分子水平）和无损分析优势，成为病原体检测的新兴工具，但SERS光谱受病原体相似生物组分（如核酸、蛋白质）和噪声干扰，导致光谱相似度高，难以区分。深度学习技术（如卷积神经网络CNN）能自动提取复杂特征并处理噪声数据，但传统机器学习在SERS分类中准确率有限（如随机森林仅69%）。神经架构搜索（NAS）可自动优化网络结构，但现有方法缺乏针对SERS数据的定制化设计。

本研究创新性地集成SERS与深度学习，采用自动化混合网络设计（ADMIN）策略，结合NAS技术优化CNN架构，引入U-Net和注意力机制，旨在提升分类准确率和特征识别能力，为食品安全提供高效、可靠的检测方案。

研究内容

图1. OTSU数据清洗图。

通过ADMIN策略搜索得到最优NAS-Unet架构（6层网络），在22种食源性病原体SERS数据测试中实现平均准确率92.77%。混淆矩阵显示，李斯特菌、葡萄球菌和志贺氏菌的主要错误集中于亚类误分类，表明这些菌种内部特征相似度高，而大肠杆菌和沙门氏菌误识别率较高，提示种间特征相似性。U-Net结构和注意力机制（Attn模块）的引入增强了模型对关键光谱特征（如特征峰）的识别能力，Attn模块贡献输出10%，加速搜索收敛并提升可解释性。训练过程中采用早停和dropout（=0.05）策略防止过拟合，损失曲线显示稳定收敛。与传统堆叠结构相比，最优架构采用“skip”操作减少冗余计算，在噪声数据中表现更优泛化性，参数数量少但计算复杂度（FLOPs）较高，平衡了性能与效率。

图2. 通过神经网络搜索得到最优结构图。

系统搜索6、8、9、10和12层网络深度，发现准确率随深度增加先升后降，8层和9层堆叠结构性能最优（准确率>90%），因平衡表达力和训练稳定性。深层网络（如10和12层）因梯度问题性能下降，但引入U-Net架构（含下采样和上采样）增强特征融合，提升分辨率。5折交叉验证显示NAS-Unet在不同深度均保持高准确率，且参数效率高。搜索空间包含残差卷积、Transformer、图卷积和门控注意力模块，BDNAS算法使用Gumbel Softmax优化架构分布，实现高效梯度搜索。结果表明网络深度需根据任务复杂度定制，非盲目加深，U-Net结构在SERS数据处理中具显著优势。

图4. ResNet模型分类结果。

比较ResNet-8和ResNet-16模型在22种病原体分类中的性能，ResNet-8平均准确率88.09%，ResNet-16为89.18%，增加网络深度并未显著提升性能，可能因深层网络带来梯度消失/爆炸和过拟合风险。ROC曲线显示两者性能相近，但ResNet-16参数量和计算复杂度更高。参数对比表明，NAS-Unet以更少参数实现更高准确率（92.77%），归因于U-Net结构对噪声的鲁棒性和注意力机制的特征聚焦能力。ResNet-16在噪声数据中可能学习无关信息，导致泛化性下降，而NAS-Unet通过优化架构更好地捕获光谱上下文信息，适用于生物样本的复杂数据。

图7. 不同模型在Bacteria-ID数据集上的分类性能。

在公开Bacteria-ID数据集（30种细菌）上测试模型泛化能力，通过迁移学习评估。轻量级NAS-6模型性能最差（因参数少、表达力弱），而ResNet-16和NAS-8性能相似，NAS-12（12层U-Net）表现最佳，表明深层网络在迁移学习中特征提取能力更强。结果强调模型选择需权衡深度、复杂度和任务需求：轻量网络适合便携设备快速检测，深层网络适合复杂数据泛化。未来需扩展搜索空间（如多分支架构）以提升泛化性，适应不同应用场景。

本研究成功将SERS与深度学习融合，通过ADMIN策略和NAS技术优化了CNN架构，开发出高效、高精度的食源性病原体检测方法。最优NAS-Unet模型在22种病原体上达到92.77%平均准确率，显著优于传统方法（如ResNet）。U-Net结构和注意力机制增强了特征识别能力和模型可解释性，BDNAS算法实现了自动化架构搜索。研究还验证了模型在Bacteria-ID数据集上的泛化性能，表明深层网络在迁移学习中更具优势。该方法为食品安全监测提供了快速、可靠的解决方案，减少食品污染和浪费，支持可持续食品系统。未来工作将扩展搜索空间，引入更多网络模块，以进一步提升模型泛化能力和实际应用价值，如便携设备部署和实时检测。环境方面，该技术有助于降低食源性疾病生态足迹，符合环境保护目标。

原文链接：https://doi.org/10.1016/j.jhazmat.2025.137581