《Journal of Hazardous Materials》：Unveiling Uncertainty in Microplastic Quantification: Artificial Intelligence Integrated Raman Analysis
编辑推荐：
准确分析微塑料（MPs）至关重要，但μ-Raman光谱的低散射效率和耗时分析限制了应用。子采样策略虽能减少工作量，却导致量化偏差。本研究通过优化Raman采集条件（如633nm激光与SUS滤膜组合，20倍物镜最小化散射衰减），开发了具备残差自注意力机制的1D卷积神经网络（CNN），显著提升低信噪比和失焦条件下的光谱识别准确率（92.7% vs 传统模型85.4%）。量化子采样误差时发现，非均匀MP分布需40-70%的滤膜覆盖才能将均方根误差控制在10%以内，而均匀分布仅需3-35%。该研究为环境MP监测提供了AI增强的高效分析框架。
Min Young Oh | In-Chun Jeong | Kihyun Kim | Jeein Hong | Minseon Ju | Jaebum Choo | Ji-Hyun Kim | Sungguan Hong
韩国忠?大学自然科学学院化学系，首尔06974
摘要
准确的微塑料（MP）分析对于减轻全球微塑料污染至关重要。虽然μ-拉曼光谱技术具有高空间分辨率和分子特异性，但其低散射效率以及耗时的分析过程限制了其实际应用。为了减少分析负担，人们提出了子采样策略，即仅分析过滤器的一部分，但这会导致量化偏差。这种偏差可能会扭曲环境监测结果，并导致对微塑料相关健康影响的误解。在本研究中，我们全面优化了拉曼光谱的采集条件，并开发了一个人工智能（AI）模型，以增强对环境样本中微塑料化学和物理性质的可靠识别能力。我们的模型能够成功识别出在人工检测中经常被忽略的微塑料，准确区分低质量光谱与背景光谱，并实现尺寸和形态分析。利用这一经过验证的框架，我们在实际条件下定量评估了子采样所带来的不确定性。基于AI集成拉曼映射的定量模拟表明，对于现实世界样本中常见的非均匀分布，要使外推的微塑料数量的标准均方根误差低于10%，所需的过滤器覆盖面积（40–70%）比均匀分布（3–35%）更大，这表明假设微塑料分布均匀可能会导致结果偏差。我们还发现，频繁且小块状的采样是一种有效的策略，可以减少所需的覆盖面积。总体而言，本研究阐明了子采样策略的固有不确定性，并突出了AI集成μ-拉曼光谱技术在环境监测中实现准确高效微塑料分析的潜力。
引言
由于塑料的多功能性，它在现代生活和工业中得到了广泛使用[1]。然而，塑料产量的指数级增长给废物管理带来了重大挑战[2]。据报道，只有9%的塑料废物被回收，大部分被焚烧或填埋[3]。未回收的塑料一旦进入环境，会通过化学分解和物理风化作用分解成微塑料（MPs）[4],[5]。微塑料可以在环境要素中持续存在，吸收污染物，并通过各种环境介质渗透到生态系统中[6],[7],[8]。最近的研究甚至在极地和高山地区也发现了微塑料[9],[10]。此外，还在人类样本（包括血液、精液和卵泡液）中检测到了微塑料[11],[12],[13]。随着关于微塑料对人类健康和环境潜在不良影响的证据不断积累，对微塑料暴露情况进行彻底监测的需求变得越来越迫切[14],[15]。
在环境和生物相关基质中严格检测微塑料是阐明其迁移途径和评估人类暴露情况的先决条件，这两者对于减轻微塑料污染和管理相关健康风险都至关重要[16],[17]。因此，许多研究考察了微塑料在各种环境介质（如空气、土壤、海洋和淡水）、生物体（如海洋生物、陆地哺乳动物、鸟类和植物）以及食品产品中的存在[18],[19],[20],[21]。微塑料分析通常包括采样、预处理以及物理性质（尺寸、形态和颜色）和化学组成（聚合物类型和添加剂）的表征[22],[23]。用于微塑料检测的仪器大致分为视觉观察（如光学显微镜和扫描电子显微镜SEM）、热分析（如热解-气相色谱/质谱和热重分析-质谱TGA-MS）以及光谱方法（如μ-傅里叶变换红外光谱μ-FTIR、激光二极管红外光谱LD-IR和μ-拉曼光谱μ-Raman）[24],[25]。视觉观察有助于评估物理性质，但无法识别化学组成。热分析能够实现高灵敏度的定性和定量评估，然而它需要复杂的预处理过程，并且本质上是破坏性的，因此无法评估物理性质[26]。同时识别物理和化学性质是必要的，因为它们是评估生物可利用性和生态毒理学风险的重要指标[27]。从这个角度来看，光谱方法被认为是一种技术成熟的方法，因为它们可以通过分子指纹进行明确的化学识别，同时通过非破坏性检测确认物理性质[28],[29]。在光谱方法中，μ-FTIR存在明显的缺点，包括尺寸限制（>10 μm）和对水分子的敏感性[30]。作为替代方案，LD-IR可以快速检测小于10 μm的微塑料，但其实际应用受到光谱解释难度和可检测微塑料尺寸限制的制约[31],[32]。相比之下，μ-拉曼光谱具有高空间分辨率（<1 μm）、宽光谱范围，适用于有效的聚合物识别，并且对水分子不敏感，使其成为最常用的微塑料分析方法之一[33]。
基于μ-拉曼的工作流程包括视觉定位过滤器上捕获的塑料颗粒并获取其光谱[34]。然而，这一过程非常耗时且容易遗漏小型微塑料或将多组分微塑料误识别为单一微塑料[35],[36]。需要高倍率物镜来分辨更小的微塑料（约1 μm），这使得任务更加繁琐[37]。为了减轻分析负担和人为偏差，人们采用了自动化的拉曼映射技术来全面获取整个过滤器上的光谱数据[38]。尽管如此，这种方法仍然耗时，因为需要长时间的操作来获取完整的光谱数据[39],[40],[41],[42]。一种减轻时间消耗的方法是减少分析区域。一些研究提出了子采样策略，通过分析过滤器的一小部分来估算总微塑料数量，报告称0.846–50%的子采样面积可以产生可靠的总量估计[43],[44],[45],[46]。然而，这些外推策略依赖于微塑料空间均匀分布的假设[47]。基于子采样的估计表明，人类每周可能摄入1–5克塑料，但最近的研究认为这一估计值被大大高估了，这说明了子采样策略如何扭曲人类暴露和环境污染评估[48],[49],[50]。与此担忧一致的是，对先前发布的微塑料图像的评估显示过滤器上存在不均匀的空间分布，进一步突显了子采样方法在方法论上的不确定性[51],[52]。最近，许多研究探讨了人类样本中微塑料数量与相关健康影响之间的因果关系[53],[54],[55]。然而，子采样策略中的不确定性可能会严重扭曲健康效应，这凸显了改进微塑料检测和量化方法的迫切需求。
基于库匹配的光谱解释方法是主要方法。该方法涉及使用统计指标（如皮尔逊相关系数或Hit Quality Index (HQI) [56],[57]）将疑似代表聚合物的光谱与预先建立的光谱库进行比较。通常使用70–85%的匹配阈值将未知颗粒分配到特定聚合物类型[58],[59],[60]。拉曼光谱的一个公认缺点是其固有的低散射效率[33]。在现实世界的微塑料采样过程中，这种限制更加明显，因为诸如失焦测量、激光功率不足、采集时间有限以及纳米级塑料等因素会阻碍高质量光谱数据的获取[61],[62]。由于传统光谱库主要由信噪比（SNR）高的数据组成，在非理想条件下获取的光谱可能在库匹配过程中被错误分类或代表性不足[63]。常见的解决方法分为两类：光谱后处理以清洁光谱和物理或化学信号增强。光谱后处理技术（如平滑处理）可以提高可解释性，但这些方法处理大规模数据集时耗时较长，并且不能从根本上增强信号强度[64]。表面增强拉曼光谱（SERS）利用局部表面等离子体共振（LSPR）将信号强度放大高达1012倍，但其广泛应用受到复杂样品制备要求的限制，包括需要添加金属纳米颗粒来增强拉曼信号[65],[66],[67]。为了克服这些限制，人工智能（AI）已成为微塑料分析的强大工具[68],[69],[70],[71],[72]。AI模型可以从光谱数据集中有效提取有意义的特征，并捕捉因素之间的复杂关系，提供准确的高通量处理能力，显著减少手动工作量[73],[74]。值得注意的是，最近的研究表明，将人工生成的低质量光谱纳入多样化训练数据集可以进一步提高模型的鲁棒性，即使在低质量光谱数据普遍存在的情况下也能实现可靠分类[75],[76]。因此，将AI与μ-拉曼结合使用，为微塑料的准确识别提供了有前景的方法[77]。
总之，本研究的目标是：(i) 优化拉曼测量条件，以确保获取高质量的光谱以进行可靠的数据分析；(ii) 开发一个能够快速准确分类复杂、受噪声干扰和低质量拉曼光谱的AI模型；(iii) 评估微塑料量化中子采样策略相关的不确定性，并确定准确量化所需的最小子采样面积（图1）。我们假设，将优化的拉曼采集条件与强大的AI模型相结合，可以减少微塑料量化中分数采样策略的固有不确定性，从而实现高效准确的协议。因此，本研究提出了一个实现准确高效微塑料量化的新框架，并推动了环境监测的进步。
微塑料
聚乙烯（PE）、聚丙烯（PP）、聚苯乙烯（PS）、聚对苯二甲酸乙二醇酯（PET）和聚氯乙烯（PVC）从韩国化学工业测试与研究机构（KTR）获得，聚碳酸酯（PC）从Namyang Corporation（韩国）获得。为了生成具有不同形态的微塑料（球形、纤维状、碎片状和薄膜状），这些聚合物经过了物理研磨处理。每种原材料首先浸入液氮中冷却，然后...
最佳过滤器和激光波长
为了确定最佳的拉曼采集条件，我们评估了四种常用的过滤器（SUS、GF、PVDF和NC）在两种激光源（633 nm He–Ne激光和785 nm二极管激光）下的表现，采集参数相同（激光功率100%，采集时间0.50 s）。在785 nm激光激发下，PVDF过滤器（800–900 cm?1、1436 cm?1，信噪比SNR: 30.04）和NC过滤器（854 cm?1、1050–1200 cm?1、1289 cm?1、1370 cm?1，信噪比SNR: 25.62）显示出明显的光谱峰值，而GF过滤器则显示出宽频带...
目标聚合物
选择了五种目标聚合物（PE、PP、PS、PET和PVC），因为它们的全球产量大且应用广泛，这使得它们成为各种环境介质中最常检测到的微塑料[104]。PE和PP因其轻质、耐用性和低成本而被广泛用于包装膜、容器、盖子和纤维。PS常见于一次性用品，如杯子、托盘和绝缘材料。PET则广泛应用于饮料瓶...
结论
在本研究中，我们优化了拉曼采集条件，开发了一个用于拉曼映射的AI模型，并量化了子采样策略带来的不确定性。使用633 nm激光的SUS过滤器提供了最强的信号，20倍放大倍数被确定为最小化失焦衰减的最佳选择。为了准确有效地识别低质量拉曼光谱，我们开发了一个无池化的1D卷积神经网络（CNN），该网络具有残差自注意力机制，其性能优于传统的AI模型...
环境影响
本研究强调了AI集成μ-拉曼光谱技术在环境样本中监测和测量微塑料（MPs）方面的潜力。通过将优化的拉曼采集条件与增强型1D CNN相结合，我们的模型即使在信噪比低和失焦的条件下也能可靠地区分微塑料和背景信号。对子采样策略的全面评估表明，不足的空间覆盖范围可能导致显著偏差，这强调了...
CRediT作者贡献声明
Kihyun Kim： 数据整理。In-Chun Jeong： 写作——原始草稿、可视化、方法论。Min Young Oh： 写作——原始草稿、可视化、验证、方法论。Minseon Ju： 数据整理。Jeein Hong： 数据整理。Jaebum Choo： 写作——审稿与编辑。Sungguan Hong： 写作——审稿与编辑、监督、资源管理、概念化。Ji-Hyun Kim： 写作——审稿与编辑、可视化、监督、方法论。
利益冲突声明
作者声明他们没有已知的利益冲突或个人关系可能影响本文所述的工作。
致谢
本研究得到了韩国环境产业技术研究院（KEITI）的支持，该研究由韩国环境部（MOE）资助的微塑料测量和风险评估计划资助[资助编号RS 2021-KE001594]。此外，还得到了韩国国家研究基金会（NRF）的资助[资助编号2021R1F1A1062534]和全球科学研究中心计划（资助编号RS-2024-00411134）的支持。
