一项突破性研究展示了一种利用高光谱成像（HSI）和先进机器学习算法来快速、无损评估灵芝质量的方法。该新方法有望通过大幅缩短传统化学检测所需的时间和成本，从而彻底革新中药行业的质量控制。

灵芝因其抗氧化、抗菌、抗炎及抑制肿瘤的特性而闻名，并长期在医疗保健和营养领域得到应用。然而，由于种植条件、采收时间和地域差异，灵芝的品质可能大相径庭。虽然高效液相色谱（HPLC）和核磁共振（NMR）等传统检测方法精确可靠，但它们通常耗时、具有破坏性，并需要复杂的样品前处理过程。

针对这些挑战，研究团队转而采用了高光谱成像技术——这是一种能跨越宽广波长范围同时捕捉空间和光谱数据的技术。通过在可见光近红外（VNIR）和短波红外（SWIR）波段对样品进行扫描，研究人员成功收集了灵芝菌盖（GLC）及其粉末形态（GLP）化学成分的全面数据。研究重点关注两种关键化合物：具有增强免疫作用的多糖以及维生素 D 前体麦角甾醇。

为了将大量光谱数据转化为有意义的预测结果，团队采用了三种机器学习模型：反向传播神经网络（BPNN）、决策树（DT）和极限学习机（ELM）。其中，通过遗传算法（GA）并结合基于投票的特征选择方法优化后的 ELM 模型表现尤为出色，其多糖和麦角甾醇的预测决定系数（R² 值）分别高达 0.96 和 0.97。

此外，研究人员还试验了包括主成分分析（PCA）在内的多种先进数据处理技术，以及迭代和基于投票的遗传算法方法，以提取最相关的光谱波长。基于投票的遗传算法通过整合多次独立的 GA 运行，有效减少了波长选择的随机性，显著提升了模型的整体稳定性。

值得注意的是，研究发现完整的灵芝菌盖在预测中比其粉末形态更为可靠。这一结果归因于粉碎处理虽然可以提高样品均一性，但可能会破坏蘑菇的天然结构，从而影响那些对精确光谱分析至关重要的化学相互作用。

该研究不仅以灵芝检测作为示例，展示了高光谱成像与机器学习结合在无损质量评估中的巨大潜力，还预示着这一技术在农业、食品安全和药品生产等多个行业中的广泛应用前景。各行业均可从中受益，借助这一技术快速且准确地评估产品质量，而无需损坏样品。

这一开创性工作不仅为传统医学领域的快速质量检测设定了全新标准，更为高光谱成像技术的广泛应用开辟了新道路。通过简化检测流程，该方法有望促进更一致的质量控制，增强消费者信心，并推动食品及医药产品安全领域的进一步创新。

来源：Frontiers