《Science & Justice》：On-site strip-type drug test kit enhanced by AI-based image analysis
编辑推荐：
AI图像分析便携式毒药试纸CNN-GRU模型主观性减少碘铂酸盐反应
Sora An|Joong Lee|Sangki Lee|Heesun Chung
韩国顺天市顺天学院大学法医学系，邮编16419
摘要
由于涉及在饮料中掺入毒品的犯罪事件不断增加，对能够快速、准确检测毒品的技术需求也在上升。本文介绍了一种条带式毒品测试套件的开发与验证，该套件用户友好、便于携带，减少了对人体有害的试剂消耗，并产生的废弃物较少。然而，条带式毒品测试套件的一个缺点是结果依赖于视觉解读，而这种解读可能因用户技能、光线条件及颜色微妙变化而有所不同。为了解决这一问题，本研究采用了一种分析方法，通过利用新开发的条带式毒品测试套件产生的颜色反应图像来减少不确定性并便于进行定量评估。具体而言，我们开发了一种基于人工智能（AI）图像分析技术的自动识别算法。利用7,295张测试套件图像，我们评估了多种深度学习模型的性能，包括卷积神经网络（CNN）、视觉变换器（ViT）以及CNN-GRU（CNN与门控循环单元的结合）。研究结果表明，CNN-GRU模型在准确性、精确度、召回率、F1分数和Cohen’s kappa值等所有参数上均表现优异，达到了满分1.0000。该模型的准确率远超32名警察在对比实验中的平均水平。本研究证明了基于AI的精确读数算法能够显著提高条带式毒品测试套件的自动化程度和可靠性，凸显了其在调查和法医场景中的潜在应用价值。
引言
根据联合国毒品和犯罪问题办公室（UNODC）的最新报告，过去十年全球吸毒者人数增加了约28.5%[1]。在韩国，利用毒品实施的犯罪（DFC）也急剧增加，犯罪人数从2017年的14,123人增加到2023年的27,611人[2]、[3]。特别是将毒品秘密添加到饮料中的DFC案件已成为严重的公共安全问题，首尔的几起备受关注的案例便是明证。这些事件凸显了对快速、可靠的现场毒品筛查系统的迫切需求，以便有效预防和调查DFC事件。
为应对这一日益严重的威胁，本研究重点关注了三种物质——甲基苯丙胺、氯胺酮和可卡因——它们是非法毒品市场中的关键成分，在法医案例中频繁出现[1]、[4]。虽然甲基苯丙胺和可卡因通常不被归类为“迷奸药物”，但它们在许多利用毒品实施的性侵犯（DFSA）案件中被检测到，这表明了它们在法医学上的重要性。在美国，1000起疑似DFSA案件中，有16.5%检测出安非他明/甲基苯丙胺，10.4%检测出可卡因及其代谢物[5]；而一项全球性研究显示，在22项研究中，有11项检测出可卡因（0.6–37.1%），18项研究中检测出安非他明（0.8–20%）[6]。另一方面，氯胺酮是一种已被广泛记录的与DFC相关的物质，持续涉及DFC和其他相关犯罪[7]。鉴于这些化合物在法医学上的重要性和在DFSA及查获毒品案件中的高检出率，便携式比色法被认为是现场识别和筛查的最有效手段。
比色法因其简单性、经济性和快速的视觉响应而被长期用于初步毒品检测。然而，传统的比色法通常直接使用硫酸和甲醛等有害试剂，这些试剂对健康和环境构成风险。此外，它们提供的结果具有定性特征，容易受到pH值、饮料颜色和用户解读的影响，从而降低了复杂样本矩阵中的分析可靠性[8]、[9]。在各种可用于初步检测的比色试剂中，碘铂酸盐被广泛用于薄层色谱（TLC）中，用于含胺类药物的可视化与鉴定[10]。由于这种试剂与甲基苯丙胺、氯胺酮和可卡因有独特的反应，因此被选为开发现场使用的条带式毒品测试套件的理想候选试剂。
基于这种试剂，本研究设计了一种条带式毒品测试套件，旨在实现快速、安全的现场检测，并尽量减少试剂的使用。这种方法旨在提供一种比传统比色测试更实用、更环保的替代方案，为便携式、更安全的现场筛查系统奠定基础。然而，比色反应的视觉解读仍然是一个主要挑战，尤其是在毒品浓度较低时，颜色变化不明显，边界区域难以区分，这往往导致解读不一致或主观化，从而影响比色检测的可靠性[11]。
为克服这些限制，基于人工智能（AI）的图像分析技术最近成为提高比色系统视觉解读客观性和一致性的有效方法。AI已在医学成像、工业质量检测和遗传学等多个领域得到成功应用，显示出高准确性和鲁棒性[12]、[13]、[14]。在分析化学中，AI与比色和光学传感平台的结合实现了便携式、智能手机辅助的图像评估和基于深度学习的标准化[15]、[16]、[17]，提高了灵敏度并减少了环境因素的影响[18]、[19]。在法医学领域，AI的应用也得到了报道，包括血迹模式识别、墨水分类和微量证据分析，展示了其在提高视觉证据解读客观性和可重复性方面的潜力[20]、[21]、[22]。尽管基于AI的图像分析在法医应用中仍在发展中，但持续的方法改进正在扩展其适用范围，强调了在实际现场条件下进行标准化和客观解读的必要性。
深度学习架构可以从比色图像中自动提取空间和色彩特征，为一致性和客观的分类提供计算框架[23]。卷积神经网络（CNN）能有效捕捉比色图案中的空间特征[24]、[25]，而门控循环单元（GRU）等循环架构则能学习序列或梯度变化，以识别细微的颜色变化[27]、[28]。同时，基于变换器的模型（如视觉变换器ViT）通过自注意力机制学习全局上下文关系[29]、[30]。通过比较这些互补的架构，本研究探讨了最有效的比色毒品测试结果解读框架。
所开发的方法结合了经过化学验证的碘铂酸盐条带式毒品测试套件和基于AI的图像分类框架。之前描述的CNN-GRU混合结构[31]为结合空间和序列特征提取提供了概念基础，实现了更稳定、一致的分类。这种化学比色法与深度学习分析的结合为客观、可重复的法医检测建立了方法论基础。
与以往主要针对生物或诊断检测的基于AI的比色研究不同，本研究将基于深度学习的图像分析应用于针对饮料中甲基苯丙胺、氯胺酮和可卡因的碘铂酸盐条带式毒品测试套件。通过将经过化学验证的比色反应与智能视觉分析相结合，本研究减少了主观性，确保了结果的一致性和可靠性。这也推动了全球范围内基于AI的法医筛查的发展趋势，促进了标准化和可重复的现场毒品筛查。
材料与方法
图1展示了基于AI的条带式毒品测试流程的整体工作流程。首先准备饮料样本，然后使用条带式毒品测试套件进行碘铂酸盐比色测试。随后对测试条带进行成像、预处理和裁剪，接着训练和验证九种基于深度学习的模型（CNN和ViT）进行图像分类。最后，将优化后的CNN-GRU模型的性能与人类解读结果进行比较。
条带式毒品测试套件
该条带式毒品测试套件在接触目标毒品后30秒内显示出清晰且可重复的颜色变化，颜色强度与浓度成正比。甲基苯丙胺、氯胺酮和可卡因的比色反应模式略有不同，但在中高浓度下，所有样本都与阴性样本有明显的颜色差异；而在低浓度（≤0.1%）时，颜色差异变得微妙，容易受到主观因素的影响。
讨论
基于碘铂酸盐的条带式毒品测试套件在各种饮料基质中表现出一致且可区分的颜色变化，证实了其化学稳定性和现场应用的适用性。虽然验证过程中使用了反映DFC案例的饮料基质，但该分析和检测方法也适用于查获的样本和其他现场法医筛查目的。尽管该系统实现了快速、敏感的检测，但在低浓度下颜色差异较为微妙
结论
本研究证明，将基于AI的图像分析与基于碘铂酸盐的条带式毒品测试套件相结合可以有效减少视觉解读中的主观性和人为错误。在评估的九种深度学习模型中，CNN-GRU模型表现出最高的分类性能，能够准确区分条带上的细微颜色变化。尽管实验是在受控实验室条件下进行的，但进一步使用更多样化的数据进行验证仍具有重要意义
CRediT作者贡献声明
Sora An：撰写——原始草稿、可视化、验证、软件开发、方法论设计、实验实施、数据分析、数据整理。Joong Lee：软件开发、数据整理。Sangki Lee：撰写——审稿与编辑、项目管理。Heesun Chung：撰写——审稿与编辑、监督工作、资源协调、项目管理、概念构思。
资助
本工作得到了韩国政府（科学技术信息通信部MSIT*和韩国国家警察厅**）资助的“研发成果商业化促进机构（COMPA）”项目（编号RS-2023–00230826）的支持。
* MSIT：科学技术信息通信部。
** 韩国国家警察厅。
利益冲突声明
作者声明以下可能构成潜在利益冲突的财务利益和个人关系：Heesun Chung表示获得了研发成果商业化促进机构的财务支持。如果还有其他作者，他们声明没有已知的可能影响本文研究的财务利益或个人关系。
