Identificação de anos de crescimento para Puerariae Thomsonii Radix com base em tecnologia de imagem hiperespectral e algoritmo de aprendizado profundo
Scientific Reports volume 13, Artigo número: 14286 (2023) Citar este artigo
Detalhes das métricas
Puerariae Thomsonii Radix (PTR) não é apenas amplamente utilizado na prevenção e tratamento de doenças, mas também é uma importante matéria-prima como fonte de amido e outros alimentos. Os anos de crescimento do PTR estão intimamente relacionados com a sua qualidade. A identificação rápida e não destrutiva do ano de crescimento é essencial para o controle de qualidade do PTR e de outros medicamentos tradicionais chineses. Neste estudo, propusemos uma estrutura de classificação baseada em rede neural convolucional (CNN) em conjunto com a tecnologia de imagem hiperespectral (HSI) para a rápida identificação dos anos de crescimento dos PTRs. Métodos de tratamento tradicionais (ou seja, correção de dispersão multiplicativa, variação normal padrão e suavização Savitzky-Golay) combinados com algoritmos de aprendizado de máquina (ou seja, floresta aleatória, regressão logística, Bayes ingênuo e aumento de gradiente extremo) foram usados como modelos de linha de base. Entre eles, a pontuação F1 dos modelos baseados em CNN baseados nas superfícies externas dos PTRs foi superior a 90%, superando todos os outros modelos de base. Esses resultados mostraram que era viável utilizar um algoritmo de aprendizagem profunda em conjunto com a tecnologia HSI para identificar os anos de crescimento do PTR. Este método fornece um método rápido, não destrutivo e simples para identificar os anos de crescimento do PTR. Pode ser facilmente aplicado a outros cenários, como para a identificação da localidade ou anos de crescimento de outras ervas tradicionais chinesas.
Pueraria Thomsonii Benth (PTB) é um tipo de videira perene, sua raiz está incluída na Farmacopeia Chinesa que é denominada Puerariae Thomsonii Radix (PTR). Os PTRs são enriquecidos com uma variedade de componentes químicos, como isoflavonas, terpenóides e cumarinas. Os PTRs são usados há muito tempo como um tipo de medicina tradicional chinesa. Têm aparente efeito terapêutico e demonstraram melhorar doenças cardiovasculares, anti-inflamatórias e analgésicas, têm efeito antidiabético, reduzem os efeitos do álcool, protegem o fígado, iluminam a pele, aumentam as mamas1,2,3,4, 5,6. Eles também são um tipo de alimento saudável e famoso na China e no Sudeste Asiático. Os PTRs têm alto valor econômico e demanda de mercado.
De acordo com a Farmacopeia Chinesa, o conteúdo de puerarina (C21H20O9) afeta a qualidade e o valor medicinal do PTR. Quanto maior o teor de puerarina num PTR, maior será a qualidade do PTR. PTRs com diferentes idades de crescimento variam no conteúdo de puerarinas. O conteúdo de puerarinas no PTR está diretamente relacionado ao número de anos de crescimento. Xiong et al.7 constataram que o TBP de 1 ano de idade apresenta baixo nível de puerarina, muito abaixo dos padrões da farmacopeia, ou seja, só pode ser utilizado como alimento ou matéria-prima. Por outro lado, o TBP com dois anos ou mais geralmente atinge o nível padrão de conteúdo de puerarina e pode ser usado na medicina tradicional chinesa. Estas descobertas indicam a importância de identificar os anos de crescimento dos PTRs porque os anos de crescimento estão diretamente relacionados com a qualidade e o valor económico e medicinal dos PTRs.
O ano de crescimento do PTR é geralmente identificado de acordo com a experiência objetiva ou por meio de testes físicos e químicos. No entanto, os PTRs com diferentes idades de crescimento têm aparências semelhantes; portanto, é difícil distinguir suas características e cores com base em um julgamento objetivo. No passado, a identificação química do PTR era realizada principalmente por cromatografia líquida de alto desempenho (HPLC)8,9, que é demorada, trabalhosa, cara e destrutiva. Portanto, parece que os dois métodos acima mencionados não podem ser utilizados para identificar os anos de crescimento dos PTRs com elevada precisão e eficiência e não podem satisfazer as necessidades da produção industrial.
Em comparação com a tecnologia espectral tradicional, a tecnologia de imagem hiperespectral (HSI) pode ser usada para coletar simultaneamente informações de imagem de superfície e informações espectrais de uma amostra testada. Muitos pesquisadores usaram o HSI para identificar anos de crescimento e controlar a qualidade dos medicamentos tradicionais chineses. Nos últimos anos, a precisão da identificação dos anos de crescimento para Glycyrrhizae Radix et Rhizoma10, Ophiopogonis Radix11, Ziziphi Spinosae Semen12 e Atractylodis Rhizoma13 atingiu 97,53%, 99,1%, 99,14% e 97,3%, respectivamente. Zheng et al.14 exploraram a autenticação de Armeniacae Semen Amarum e Persicae Semen com base na tecnologia HSI. Com base na análise comparativa de vários métodos de pré-processamento e modelos de identificação diferentes, os pesquisadores descobriram que o modelo de pré-processamento da segunda derivada e a análise discriminante de mínimos quadrados parciais eram a melhor combinação de modelos. A precisão da classificação atingiu 100%. Cheng et al.15 rastrearam 20 comprimentos de onda característicos usando o algoritmo de projeções sucessivas e estabeleceram vários modelos para identificar a origem do olíbano. Os resultados mostraram que as precisões da máquina de aprendizagem extrema e da análise discriminante linear foram de 100%. Até onde sabemos, nenhum relatório se concentrou na aplicação da tecnologia HSI na identificação de anos de crescimento do PTR. Métodos de aprendizagem profunda, como redes neurais convencionais (CNNs), têm sido amplamente utilizados em muitos campos, como classificação de imagens16, previsão de conteúdo17, etc., mostrando alto desempenho e boa generalização. Neste estudo, propusemos uma estrutura de classificação baseada em CNN para identificar anos de crescimento de PTRs com base em imagens hiperespectrais. Aqui, métodos de tratamento tradicionais (ou seja, correção de dispersão multiplicativa (MSC), variação normal padrão (SNV) e suavização Savitzky-Golay (SG)) em conjunto com vários modelos de aprendizado de máquina de última geração foram usados como métodos de linha de base para demonstrar a eficácia e superioridade do método proposto.