《Microchemical Journal》：Artificial intelligence-driven emerging contaminants detection technology innovation: A review
编辑推荐：
人工智能驱动的新兴污染物检测框架研究综述了传统方法在灵敏度、抗干扰和高效性方面的瓶颈，提出融合机器学习与深度学习优化预处理、仪器分析及传感器技术，实现98.33%微塑料分类精度和pg/L级污染物识别。创新性构建的智能监测系统整合纳米材料、物联网与自动化技术，为系统化新兴污染物管理提供理论支撑。
杜云|段倩楠|张海龙|张宏芳|孙乐涵|梁燕|翟宝鑫|魏康
教育部合成与天然功能分子重点实验室，西北大学化学与材料科学学院，中国西安710127
摘要
新兴污染物（ECs）由于其持久性、生物累积性以及对生态系统和人类健康的危害而成为全球性挑战。传统的检测方法受到基质干扰、灵敏度低和多组分检测困难的限制，难以满足检测需求。人工智能（AI）的发展为ECs的检测提供了新的解决方案。本文综述了在样品预处理、仪器分析和传感技术方面ECs检测的进展，强调了AI在数据分析、模型优化和多模态融合中的关键作用。机器学习（ML）和深度学习（DL）算法帮助化学计量模型实现了98.33%的微塑料分类准确率和pg/L级别的污染物识别灵敏度，突破了传统瓶颈。本文提出了一种集成纳米材料、物联网和自动化技术的AI驱动智能监测框架，为ECs的准确识别和风险评估提供了支持。这种跨学科方法促进了智能高效的环境监测，为ECs管理提供了系统化的解决方案。
引言
近年来，诸如抗生素、内分泌干扰物质、持久性有机污染物和微塑料等新兴污染物在多种环境中被广泛检测到[1]、[2]。这些污染物通常以微量存在于空气、土壤、水和生物组织中。由于具有持久性、迁移性和生物累积性，它们会干扰生物生理功能，因此成为环境研究的新焦点[3]、[4]、[5]、[6]。当前研究表明，污水处理厂的排放物是ECs进入自然水体的主要途径[7]、[8]。传统的水处理技术无法完全去除这些污染物。因此，内分泌干扰化合物（EDCs）以及药品和个人护理产品（PPCPs）仍可能在二级甚至三级排放物中被检测到，导致它们在地表水、地下水和饮用水中广泛存在[9]、[10]、[11]。ECs的传播和转化对生态系统构成了诸多威胁，包括干扰动物激素平衡、诱发基因突变、降低生物多样性以及改变土壤养分循环[12]、[13]。此外，ECs可能通过食物链放大效应影响人类健康，其高生物毒性可导致水生生物和人类的慢性毒性、内分泌紊乱、抗生素抗性，并增加人类患生殖系统疾病、内分泌疾病、癌症、糖尿病和神经系统的风险[14]、[15]、[16]。
ECs的监测在环境科学和公共卫生中至关重要。它能够及时评估污染情况，防止污染扩散，并为环境政策制定提供必要的数据[17]、[18]、[19]。目前，ECs的检测主要依赖于复杂的大规模仪器，包括高效液相色谱法、荧光光谱法、毛细管电泳法和电化学发光免疫测定法[20]、[21]、[22]、[23]、[24]。例如，超高效液相色谱-质谱联用（UHPLC-MS）已被用于检测四环素类抗生素，检测限低至ng/mL[25]。此外，传感器和免疫测定技术越来越多地应用于快速ECs识别。微流控芯片和电化学传感器可以检测到浓度低至0.825 ppm的微塑料[26]、[27]。多种抗生素的免疫测定检测限为0.21–9.12 ng/mL[28]。然而，对于涉及多种来源、微量水平和复杂组成的ECs检测，传统仪器方法因操作复杂、成本高昂以及需要专业人才而面临挑战。随着研究规模的扩大，获取具有统计意义的环境风险数据需要成倍增加的样本分析量，这种现象被称为环境监测中的“维数灾难”，严重阻碍了ECs的识别和筛选效率[29]、[30]。
在新的工业革命背景下，人工智能（AI）结合大数据驱动的分析，提高了ECs的检测效率和风险评估的准确性[31]、[32]、[33]。利用传感器、遥感、无人机和智能平台等先进技术，AI实现了实时环境数据收集和远程监测。经典机器学习算法如支持向量机（SVM）、K-最近邻（KNN）、随机森林（RF）和人工神经网络（ANN）辅助化学计量模型，提高了污染物检测效率[34]、[35]。例如，利用高光谱数据和DenseNet对绿藻进行分类，准确率达到97.94%[36]。此外，将SEM成像与U-Net和VGG16神经网络结合使用，可以实现微塑料的定量和形状分类。U-Net模型的IoU为0.75，VGG16的形状分类准确率达到98.33%[37]。AI还可以预测污染事件，提供实时环境质量数据[38]，通过分析大数据预测环境趋势并评估环境政策的影响，为环境管理提供科学决策支持[39]、[40]。AI在该领域的应用提高了数据处理效率和准确性，并通过自动化和智能化降低了环境监测和治理成本。
尽管AI在ECs监测方面具有巨大潜力，但由于ECs在环境和食物链中的动态和复杂暴露，构建标准化的AI驱动检测框架仍面临挑战。如图1所示，本文从四个方面系统回顾了ECs分析的进展和瓶颈：复杂的样品预处理、主流仪器、新的传感方法和化学计量模型，以满足ECs检测的最新需求。本文进一步探讨了AI在克服技术瓶颈中的关键作用。AI可以优化样品预处理，辅助色谱-质谱数据分析，并提高传感器的灵敏度和抗干扰能力。多模态数据融合为痕量污染物识别和实时监测提供了新方法。本文在总结当前进展的基础上，展望了智能传感器网络和自动化平台等未来趋势，为新一代ECs智能监测系统提供了理论和技术基础。
部分摘录
固相萃取
固相萃取（SPE）是一种基于液-固吸附平衡的样品预处理技术。它通过固定相的选择性吸附将目标物质与杂质分离并富集[41]。该过程以“吸附-洗脱”为中心，包括四个步骤：活化、样品加载/吸附、洗涤去除杂质和洗脱/收集。它不需要复杂的反应[42]。SPE可以高效纯化样品，富集低浓度的目标物质
光谱分析技术
光谱分析技术是一种用于定性和定量分析的痕量检测方法。它依赖于ECs与电磁波相互作用产生的特征信号[80]。其原理是当污染物分子吸收、发射或散射光子时，会发生能级跃迁，形成具有材料特异性的光谱特征。通过分析这些特征参数，可以确定污染物的类型和浓度[81]。
光学传感器
光谱传感技术通过检测目标物质与电磁波相互作用产生的特征光学信号（如荧光、拉曼散射）来定性和定量分析污染物（见图S4）。其核心是将光学信号转换为可量化的电信号[107]。该技术具有响应速度快、操作简便和实时监测的特点。然而，它也面临基质干扰复杂等挑战
化学计量模型
化学计量模型是基于数学统计和算法逻辑的分析工具系统。主要包括传统化学计量模型、机器学习模型和深度学习模型（见图S7）。它们主要分析来自ECs检测的高维数据（光谱、色谱图、传感器数据），实现目标污染物的定性识别、定量分析和干扰信号的去除。其核心原理是在不同数据之间建立有效的关联
AI驱动的EC检测框架
AI驱动的EC检测框架以多学科技术整合为核心，将AI深入整合到采样预处理、筛选与识别、智能传感器优化、风险评估和监测网络构建的整个过程中。它克服了传统检测方法的局限性（效率低、准确性差、协同性不足），形成了从数据收集到决策支持的闭环技术系统
贡献
AI在ECs检测过程中的整合：本文详细介绍了ML和DL等算法如何与样品预处理、仪器分析、传感器和化学计量模型相结合，为构建完整的协作式智能检测和分析链提供了清晰的视角。
提供潜在的AI解决方案：本文探讨了AI在解决痕量污染物识别中的常见问题（如复杂基质干扰和灵敏度低）方面的潜力
结论
ECs对生态环境和人类健康构成了日益严重的威胁。传统检测方法在灵敏度、通量和效率方面难以满足当前需求。AI的出现为ECs检测带来了重大突破。将其整合到样品预处理、仪器分析和传感器技术中，提高了检测的准确性、效率和智能化水平。本研究构建了一个AI驱动的智能监测框架
CRediT作者贡献声明
杜云：撰写——原始稿件、可视化、验证、监督、软件、资源、项目管理、方法论、调查、正式分析、数据管理、概念化。
段倩楠：撰写——审稿与编辑、撰写——原始稿件、验证、监督、软件、资源、项目管理、方法论、调查、资金获取、正式分析。
张海龙：可视化、验证、监督、软件、资源、项目
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
本工作得到了国家自然科学基金（编号42307546）和陕西省环境监测与痕量污染物预警重点实验室开放基金（编号SHJKFJJ202325）的支持。
