研究人员表示，通过降低显微食物碎屑被误判为细菌的情况，一款用于快速识别食品细菌污染的深度学习工具准确性得到明显提升。当前针对叶类蔬菜、肉类和奶酪等食品的污染检测，多依赖细菌培养方法，通常需要数天至一周时间，并要求较高的专业操作能力。

俄勒冈州立大学助理教授马璐瑶与来自加州大学戴维斯分校、韩国大学和佛罗里达州立大学的研究人员合作，开发了一个基于深度学习的模型。该模型利用细菌微菌落的数字图像，实现对活细菌的快速检测与分类，研究称可在三小时内完成可靠检测。相关成果已发表在期刊《npj食品科学》上。

研究团队称，此次改进的关键在于训练模型区分细菌与显微食物碎屑。研究显示，若模型仅以细菌图像作为训练对象，食物碎屑被识别为细菌的误判概率超过24%；在将细菌与碎屑同时纳入训练后，增强模型消除了误判现象。

研究人员指出，细菌污染可能在食品生产链条的多个环节发生，从农场到加工厂均存在风险，潜在污染源包括动物、灌溉水、土壤和空气。美国食品药品监督管理局（FDA）估计，美国每年发生约4800万例食源性疾病，造成12.8万次住院和3000人死亡。

马璐瑶表示，在产品上市前尽早检测食源性病原体，对于防止疫情暴发、保护消费者健康以及减少高成本召回至关重要。

据介绍，研究团队在三种细菌菌株——大肠杆菌、李斯特菌和枯草芽孢杆菌——以及鸡肉、菠菜和科蒂哈奶酪的食物碎屑样本上测试了该深度学习模型。目前，研究人员正继续优化该人工智能系统，以推动其在行业场景中的应用。

论文合著者包括韩国大学的朴贤沃、佛罗里达州立大学的李正高以及加州大学戴维斯分校的尼廷·尼廷。马璐瑶隶属于俄勒冈州立大学食品科学与技术系及生物与生态工程系。