Ứng dụng trí tuệ nhân tạo (AI) vào phát hiện độc tố vi nấm trong thực phẩm
1. Giới thiệu
Độc tố vi nấm từ lâu đã được coi là một trong những mối nguy lớn nhất đối với an toàn thực phẩm toàn cầu. Chúng thường xuất hiện ở mức độ thấp trong chuỗi thực phẩm, song do đặc tính bền vững và khả năng tích lũy, chúng có thể gây ra tác hại lâu dài đối với sức khỏe. Những tác động này bao gồm độc tính gan, thận, khả năng gây ung thư, ức chế miễn dịch và làm suy yếu sự phát triển ở trẻ em (Bennett & Klich, 2003). Trong nhiều thập kỷ, các phương pháp phân tích hóa học như LC-MS/MS và ELISA đã trở thành công cụ chính trong việc phát hiện mycotoxin. Tuy nhiên, mặc dù có độ chính xác cao, các phương pháp này thường đòi hỏi trang thiết bị hiện đại, quy trình xử lý phức tạp và nhân sự có trình độ chuyên môn, khiến chúng khó áp dụng ở quy mô giám sát diện rộng (Marin et al., 2013). Trước những hạn chế này, việc ứng dụng các kỹ thuật mới, đặc biệt là trí tuệ nhân tạo, đã trở thành xu hướng đầy triển vọng. AI có khả năng xử lý dữ liệu lớn, phân tích mẫu phức tạp và tự động hóa quá trình nhận diện, từ đó góp phần nâng cao hiệu quả và giảm chi phí trong kiểm nghiệm an toàn thực phẩm (IGIP, 2025).
2. Tác động của các kỹ thuật AI trong việc phát hiện độc tố vi nấm trong thực phẩm
Trong quá trình phát triển, bảo quản trên các loại cây trồng và thực phẩm như ngũ cốc, hạt, gia vị và sản phẩm từ sữa, một số loài vi nấm sinh ra các hợp chất hóa học nguy hiểm tự nhiên, được gọi là độc tố vi nấm. Các độc tố này có thể gây ra nhiều tác hại nghiêm trọng đối với sức khỏe con người và động vật, từ ngộ độc cấp tính đến các vấn đề mãn tính, bao gồm ung thư gan, và trong một số trường hợp, có thể dẫn đến tử vong. Các loại độc tố vi nấm phổ biến nhất thường được sản sinh bởi các chủng vi sinh vật như Aspergillus, Fusarium và Penicillium, với những tên tuổi quen thuộc như aflatoxin, fumonisin, zearalenone, ochratoxin và patulin. Lượng độc tố vi nấm nhiễm vào các sản phẩm nông nghiệp có thể thay đổi rất lớn tùy theo khu vực và điều kiện thời tiết hàng năm, với các nghiên cứu chỉ ra rằng sự nhiễm độc tố có thể ảnh hưởng đến 60–80% nguồn cung cấp nông sản toàn cầu.
Theo ước tính, độc tố vi nấm đang gây thiệt hại nghiêm trọng đối với ngành nông nghiệp. Một nghiên cứu gần đây của Latham, R.L và các cộng sự (2023) cho thấy aflatoxin đã gây ra thiệt hại khoảng 4,2% sản lượng lúa mì dùng làm thực phẩm trong giai đoạn từ 2010 đến 2020, tương đương với khoảng 2,5 tỷ euro thiệt hại kinh tế. Do đó, việc phát hiện và kiểm soát độc tố vi nấm trong cây trồng và thực phẩm là điều vô cùng quan trọng, không chỉ để bảo vệ sức khỏe người tiêu dùng mà còn để duy trì an toàn thực phẩm và hỗ trợ nền kinh tế ổn định.
Trong bối cảnh này, việc ứng dụng trí tuệ nhân tạo (AI) vào phát hiện độc tố vi nấm trong thực phẩm đã trở thành một xu hướng đáng chú ý. Các phương pháp phát hiện độc tố vi nấm truyền thống đang dần được thay thế hoặc hỗ trợ bởi các kỹ thuật học máy (machine learning - ML) và học sâu (deep learning - DL). Việc sử dụng các thuật toán mạng nơ-ron nhân tạo (ANN) và các kỹ thuật phát hiện khác đang ngày càng được triển khai để phát hiện chính xác và nhanh chóng sự hiện diện của độc tố vi nấm trong thực phẩm. Điều này chứng tỏ tiềm năng của AI trong việc nâng cao hiệu quả phát hiện, qua đó giảm thiểu rủi ro đối với sức khỏe cộng đồng và tăng cường an toàn thực phẩm.
3. Kỹ thuật trí tuệ nhân tạo trong phát hiện độc tố vi nấm trong thực phẩm
Các kỹ thuật trí tuệ nhân tạo (AI) đang chứng minh nhiều lợi thế nổi bật trong việc phát hiện độc tố vi nấm, bao gồm độ tin cậy cao, hiệu quả về chi phí, khả năng xử lý dữ liệu lớn cũng như khả năng giải quyết các tình huống chứa nhiều yếu tố không chắc chắn. Đặc biệt, AI giúp rút ngắn thời gian phân tích trong nhiều ứng dụng thực tế, tạo điều kiện thuận lợi cho việc kiểm soát an toàn thực phẩm trên quy mô lớn. Tuy nhiên, hiệu quả của AI phụ thuộc nhiều vào từng nhiệm vụ cụ thể và đặc biệt là chất lượng, quy mô của tập dữ liệu dùng để huấn luyện mô hình (Eskola et al., 2020).
Một trong những ví dụ điển hình là phát hiện aflatoxin B1 (AFB1) trong hạt lạc – một loại nguyên liệu phổ biến nhưng dễ nhiễm vi nấm sinh độc tố. Phương pháp “trực quan hóa khứu giác” đã được áp dụng, trong đó hình ảnh cảm biến màu được tiền xử lý và tối ưu hóa thông qua các thuật toán di truyền (Genetic Algorithm - GA), kết hợp với mạng nơ-ron truyền ngược (Backpropagation Neural Network - BPNN) để dự đoán hàm lượng AFB1 (Zhu et al., 2022). Ngoài ra, nhiều thuật toán học máy khác như máy vector hỗ trợ (Support Vector Machine - SVM), mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) hay hệ thống suy luận mờ thần kinh thích ứng (ANFIS) cũng được triển khai và cho kết quả hiệu quả trong phát hiện aflatoxin cũng như vi nấm sinh aflatoxin trong lạc. Đặc biệt, các thuật toán mới hơn, chẳng hạn như mô hình biến áp (transformer), đã được chứng minh có khả năng xác định độc tố vi nấm với độ chính xác cao.
Bên cạnh đó, các nghiên cứu nuôi cấy nhiều chủng nấm như Aspergillus nidulans, Aspergillus niger, Penicillium citrinum, Aspergillus oryzae và Aspergillus versicolor trên mẫu lúa mì đã mở ra cơ hội ứng dụng AI trong nhận dạng vi nấm bằng hình ảnh (Sun, Wang, Tu, Wang, & Pan, 2016). Dữ liệu thu thập được từ hệ thống chụp ảnh chuyên dụng sử dụng máy ảnh Sony Nex-6 đã được phân tích bằng các mô hình SVM, BPNN, CNN và mạng niềm tin sâu (Deep Belief Network - DBN). Trong đó, DBN cho kết quả xuất sắc với độ chính xác lên đến 100% trong việc phân loại nấm, trong khi SVM và BPNN cũng được áp dụng để đánh giá mức độ nhiễm nấm nhờ kết hợp với công nghệ “mũi điện tử” – một hệ thống cảm biến có khả năng mô phỏng khứu giác của con người (Gu, Wang, & Wang, 2019).
Ngoài lúa mì, các kỹ thuật AI kết hợp hình ảnh siêu phổ (HSI) và bộ mã hóa tự động thưa thớt (Sparse Autoencoder - SAE) đã chứng minh tính hiệu quả trong việc phân loại hạt ngô bị mốc. Tương tự, mũi điện tử tích hợp AI cũng được sử dụng để nhận diện Penicillium expansum gây hư hỏng táo và dự đoán hàm lượng patulin trong quá trình chế biến nước táo (Erdem & Senturk, 2024). Ứng dụng AI không chỉ giới hạn ở nấm mốc mà còn mở rộng sang phát hiện dư lượng kháng sinh trong sữa thô, nhờ hệ thống kết hợp công nghệ nano, cơ học quang học và các thuật toán phân tích quang phổ tiên tiến.
Không chỉ dừng lại ở ngũ cốc, lạc hay sữa, các mô hình học máy đã cho thấy hiệu quả cao trong phát hiện nhiễm độc tố vi nấm ở nhiều loại thực phẩm khác. Cụ thể, kỹ thuật quang phổ cận hồng ngoại (NIR) kết hợp học máy đã được sử dụng thành công để xác định mức độ ô nhiễm trong hạt cà phê (Ruttanadech et al., 2023). Ngoài ra, các phương pháp dựa trên quang phổ Raman kết hợp với mạng nơ-ron tích chập (CNN) và mạng nơ-ron hồi quy (RNN) đã đạt độ chính xác 100% trong phát hiện định tính AFB1 trong dầu ăn, đồng thời mang lại hiệu suất cao trong phát hiện định lượng. Sự tích hợp giữa Raman và các phương pháp hóa học như bình phương tối thiểu một phần (PLS) cũng cho kết quả đáng tin cậy trong dự đoán nồng độ AFB1 trong dầu lạc ép (Zhu, Jiang, & Chen, 2022).
Đối với hạnh nhân – một loại hạt dễ bị nhiễm aflatoxin – các nghiên cứu gần đây tập trung vào phương pháp không phá hủy bằng kỹ thuật quang học. Việc sử dụng hình ảnh huỳnh quang kết hợp với mạng nơ-ron sâu đã cho kết quả phân loại khả quan, với độ chính xác đạt từ 84,7% đến 93,0%. Kết hợp phổ huỳnh quang với các thuật toán học máy cũng cho phép phát hiện aflatoxin B trong hạnh nhân với độ chính xác lên đến 94% (Bertani et al., 2020). Những nghiên cứu này cho thấy tiềm năng to lớn của AI trong việc xây dựng các phương pháp kiểm tra nhanh, chính xác và tiết kiệm, góp phần kiểm soát độc tố vi nấm hiệu quả hơn trong nhiều loại thực phẩm khác nhau.
3. Ưu điểm và thách thức trong việc ứng dụng AI
So với các phương pháp truyền thống, AI mang lại nhiều ưu điểm nổi bật. Thứ nhất, AI có khả năng xử lý nhanh chóng một lượng lớn dữ liệu trong thời gian ngắn, giúp tăng tốc độ phát hiện đáng kể. Thứ hai, AI giảm thiểu sự phụ thuộc vào thao tác thủ công của con người, từ đó hạn chế sai sót và nâng cao tính nhất quán trong kết quả. Thứ ba, các mô hình AI linh hoạt và có thể tích hợp với nhiều loại công nghệ phân tích khác nhau, từ quang phổ cho đến cảm biến sinh học, mở rộng phạm vi ứng dụng trong thực tiễn sản xuất và kiểm định.
Tuy nhiên, để triển khai thành công, AI vẫn phải đối mặt với nhiều thách thức. Chất lượng dữ liệu là một trong những rào cản lớn nhất. Để huấn luyện các mô hình AI đạt hiệu quả cao, cần có tập dữ liệu đủ lớn, đa dạng và được gắn nhãn chính xác, điều này không dễ dàng trong bối cảnh thực phẩm có nguồn gốc và điều kiện bảo quản rất khác nhau. Ngoài ra, khả năng khái quát hóa của mô hình còn hạn chế, khi nhiều hệ thống AI hoạt động tốt trong điều kiện phòng thí nghiệm nhưng chưa chắc ổn định trong thực tế sản xuất. Độ tin cậy và khả năng giải thích của mô hình cũng là một thách thức khác, bởi nhiều mô hình học sâu vẫn được coi là “hộp đen”, khó được cơ quan quản lý chấp nhận như bằng chứng pháp lý. Bên cạnh đó, hạ tầng tính toán và yêu cầu pháp lý chuẩn hóa vẫn chưa thực sự hoàn thiện, khiến việc ứng dụng AI vào kiểm nghiệm thực phẩm chưa thể triển khai rộng rãi (IGIP, 2025).
4. Kết luận
Nhìn chung, trí tuệ nhân tạo đang mở ra một kỷ nguyên mới trong phát hiện độc tố vi nấm, góp phần nâng cao hiệu quả kiểm soát an toàn thực phẩm. Những nghiên cứu gần đây đã chứng minh rằng AI, đặc biệt là học sâu kết hợp với công nghệ quang phổ và cảm biến sinh học, có thể mang lại độ chính xác cao và khả năng ứng dụng thực tiễn. Tuy nhiên, để AI thực sự trở thành công cụ phổ biến, cần sự phối hợp chặt chẽ giữa giới nghiên cứu, cơ quan quản lý và doanh nghiệp trong việc xây dựng cơ sở dữ liệu chất lượng, thiết lập chuẩn mực pháp lý, đồng thời phát triển các hệ thống minh bạch và có thể giải thích. Trong tương lai, việc tích hợp AI với các công nghệ mới như blockchain có thể mang lại hệ thống giám sát toàn diện, minh bạch và đáng tin cậy hơn, góp phần đảm bảo an toàn thực phẩm toàn cầu.
Khoa Công nghệ thực phẩm
Tài liệu tham khảo:
Ahsan, M.M.; Luna, S.A.; Siddique, Z. (2022). Machine-Learning-Based Disease Diagnosis: A Comprehensive Review. Healthcare, 10, 541. https://doi.org/10.3390/healthcare10030541
Bennett, J.W.; Klich, M. (2003). Mycotoxins. Clin. Microbiol. Rev., 16, 497–516. https://doi.org/10.1128/CMR.16.3.497-516.2003
Beia, I.S.; Ciceoi, R.; Beia, V.E.; Bădulescu, L.; Smedescu, D.I.; Fîntîneru, A. (2023). Mycotoxins-incidence, impact on feed, food safety, food chain and economic losses. Sci. Pap. Ser. Manag. Econ. Eng. Agric. Rural Dev., 23, 85–94.
Bertani, F.R.; Businaro, L.; Gambacorta, L.; Mencattini, A.; Brenda, D.; Di Giuseppe, D.; De Ninno, A.; Solfrizzo, M.; Martinelli, E.; Gerardino, A. (2020). Optical detection of aflatoxins B in grained almonds using fluorescence spectroscopy and machine learning algorithms. Food Control, 112, 107073. https://doi.org/10.1016/j.foodcont.2019.107073
Eskola, M.; Kos, G.; Elliott, C.T.; Hajšlová, J.; Mayar, S.; Krska, R. (2020). Worldwide contamination of food-crops with mycotoxins: Validity of the widely cited ‘FAO estimate’ of 25. Critical Reviews in Food Science and Nutrition, 60(17), 2773–2789. https://doi.org/10.1080/10408398.2019.1658570
Erdem, A.; Senturk, H. (2024). Smartphone-controlled aptasensor for voltammetric detection of patulin in apple juice. Sensors, 24, 754. https://doi.org/10.3390/s24030754
Gu, S.; Wang, J.; Wang, Y. (2019). Early discrimination and growth tracking of Aspergillus spp. contamination in rice kernels using electronic nose. Food Chem., 292, 325–335. https://doi.org/10.1016/j.foodchem.2019.04.054
Ruttanadech, N.; Phetpan, K.; Srisang, N.; Srisang, S.; Chungcharoen, T.; Limmun, W.; Youryon, P.; Kongtragoul, P. (2023). Rapid and accurate classification of Aspergillus ochraceous contamination in Robusta green coffee bean through near-infrared spectral analysis using machine learning. Food Control, 145, 109446. https://doi.org/10.1016/j.foodcont.2022.109446
Sun, K.; Wang, Z.; Tu, K.; Wang, S.; Pan, L. (2016). Recognition of mould colony on unhulled paddy based on computer vision using conventional machine-learning and deep learning techniques. Sci. Rep., 6, 37994. https://doi.org/10.1038/srep37994
Zhu, C.; Deng, J.; Jiang, H. (2022). Parameter Optimization of Support Vector Machine to Improve the Predictive Performance for Determination of Aflatoxin B1 in Peanuts by Olfactory Visualization Technique. Molecules, 27, 6730. https://doi.org/10.3390/molecules27196730
Zhu, C.; Jiang, H.; Chen, Q. (2022). High precisive prediction of aflatoxin B1 in pressing peanut oil using Raman spectra combined with multivariate data analysis. Foods, 11, 1565. https://doi.org/10.3390/foods11101565