Độc tố vi nấm trong thực phẩm là mối quan tâm lớn đối với an toàn thực phẩm và sức khỏe cộng đồng trên toàn thế giới. Việc nhiễm độc tố vi nấm trong các sản phẩm nông sản thực phẩm mà con người sử dụng là một rủi ro lớn đối với sức khỏe. Các phương pháp phổ biến để phát hiện độc tố vi nấm bao gồm phương pháp sắc ký, thường kết hợp với khối phổ (có độ chính xác cao nhưng tốn thời gian để chuẩn bị mẫu và đòi hỏi kỹ thuật viên có tay nghề cao). Trí tuệ nhân tạo (AI) đã được giới thiệu như một kỹ thuật mới để phát hiện độc tố vi nấm trong thực phẩm, mang lại độ tin cậy và độ chính xác cao. Các nghiên cứu gần đây về việc sử dụng các phương pháp AI để phát hiện độc tố vi nấm trong thực phẩm. Phương pháp tiếp cận mới đã chứng minh rằng nhiều công nghệ AI có thể được liên kết với nhau. Các mô hình học sâu (deep learning), thuật toán học máy (machine learning algorithms) và mạng nơ-ron nhân tạo đã được triển khai để phân tích các tập dữ liệu phức tạp từ các nền tảng phân tích khác nhau. Bài báo này tập trung vào sự tiến bộ của AI để tích hợp đồng thời với các công nghệ cảm biến thông minh hoặc các kỹ thuật khác như quang phổ, cảm biến sinh học và kỹ thuật hình ảnh để phát hiện độc tố vi nấm nhanh chóng và hiệu quả hơn. Việc sử dụng AI có thể cách mạng hóa các hệ thống giám sát độc tố vi nấm, cải thiện an toàn thực phẩm và bảo vệ sức khỏe cộng đồng trên toàn thế giới.

Ô nhiễm độc tố vi nấm là mối nguy nghiêm trọng cho nguồn cung cấp thực phẩm và sức khỏe cộng đồng toàn cầu. Hầu hết các chất chuyển hóa thứ cấp độc hại này được tạo ra bởi các loài nấm như Aspergillus, Penicillium và Fusarium và được tìm thấy trong nhiều loại sản phẩm nông nghiệp như ngũ cốc, hạt, gia vị và trái cây sấy khô. Các nghiên cứu trên người và động vật đã chỉ ra rằng việc tiếp xúc với độc tố vi nấm từ việc tiêu thụ thực phẩm bị ô nhiễm không chỉ gây bệnh cấp tính (ví dụ: độc tính với gan và độc tính với thận) mà còn gây bệnh mãn tính (gây ung thư và ức chế miễn dịch) [1–3].

Các phương pháp truyền thống để phát hiện độc tố vi nấm, chẳng hạn như sắc ký với khối phổ [ví dụ: sắc ký lỏng hiệu năng cao (HPLC), sắc ký khí-phổ khối (GC-MS), sắc ký lỏng-phổ khối (LC-MS), xét nghiệm miễn dịch liên kết với enzyme (ELISA)…] được biết đến rộng rãi do độ nhạy tốt và tiêu chuẩn nhận dạng mẫu; tuy nhiên, các phương pháp này là những quy trình tốn kém, mất thời gian đối với phương pháp sử dụng enzyme và yêu cầu nhân viên được đào tạo chuyên biệt. Các phương pháp này có các bước chuẩn bị mẫu phức tạp sử dụng kỹ thuật chiết tách, tinh sạch và phân tích có thể gây sai số. Hơn nữa, mô hình này đòi hỏi đầu tư trang thiết bị phân tích và vật tư tiêu hao với chi phí lớn trong các bối cảnh hạn chế về nguồn lực, ngoài ra còn yêu cầu giám sát thường xuyên trong chuỗi sản xuất thực phẩm [4].

Trong những năm gần đây, lĩnh vực trí tuệ nhân tạo (AI) đã phát triển nhanh chóng, trở thành một công cụ khả thi để chuyển đổi các lĩnh vực nghiên cứu khoa học như phân tích điện não đồ; phát hiện khối u; nhận dạng nấm và phát hiện và nhận dạng màng sinh học [5-8]. Công nghệ AI mở rộng khả năng cải thiện an toàn thực phẩm bằng cách cho phép nhận dạng và phân tích các độc tố vi nấm trong thực phẩm [9–11]. Trí tuệ nhân tạo đề cập đến nhiều phương pháp và kỹ thuật tính toán khác nhau cho phép máy tính đánh giá và học hỏi từ dữ liệu và tìm ra các mẫu để có được khả năng đưa ra quyết định gần như độc lập với con người. Các kỹ thuật học máy (ML) như học có giám sát, bao gồm các phương pháp như máy vectơ hỗ trợ (SVM), rừng ngẫu nhiên (RF) và mạng nơ-ron nhân tạo (NN), đang bắt đầu cho thấy triển vọng trong việc xử lý các tập dữ liệu phức tạp được tạo ra bởi nhiều phương pháp phân tích khác nhau [12–14].

AI đã thu hút sự chú ý vì khả năng tự động trích xuất các tính năng phức tạp từ khối lượng dữ liệu lớn, khiến nó đặc biệt phù hợp để nhận dạng hình ảnh, phân tích quang phổ và giải thích dữ liệu cảm biến để phát hiện độc tố vi nấm [15,16]. Học sâu nâng cao (DL) là một tập hợp con của các thuật toán AI lấy cảm hứng từ cấu trúc và chức năng của não người [17]. Các mô hình DL như mạng nơ-ron tích chập (CNN), GoogLeNet, SqueezeNet, AlexNet, ResNet50… cũng đã cho thấy kết quả đầy hứa hẹn trong xử lý các tập dữ liệu phức tạp. Việc sử dụng các kỹ thuật do AI điều khiển này hứa hẹn sẽ nâng cao độ chính xác và độ nhạy, cũng như khả năng phát hiện và phân loại nhanh chóng các độc tố vi nấm trong nhiều loại ma trận thực phẩm [18].

Trong quá trình phát triển trên nhiều loại cây trồng và thực phẩm, chẳng hạn như ngũ cốc, các loại hạt, gia vị và các sản phẩm từ sữa, một số loại vi nấm tạo ra một loại hợp chất hóa học nguy hiểm tự nhiên được gọi là độc tố vi nấm [19]. Một số loại độc tố vi nấm nhất định có liên quan đến một số tác động có hại đến sức khỏe ở cả 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 hiếm gặp là tử vong [20–23]. 

Các loại độc tố vi nấm phổ biến nhất được tạo ra bởi các chủng vi sinh vật cụ thể như Aspergillus, Fusarium và Penicillium và bao gồm aflatoxin, fumonisin, zearalenone, ochratoxin và patulin [24]. Người ta đã chứng minh rằng lượng độc tố vi nấm nhiễm vào các sản phẩm nông nghiệp thay đổi rất nhiều tùy theo khu vực và bị ảnh hưởng bởi thời tiết hàng năm [25, 26]. Người ta ước tính độc tố vi nấm gây ra nguy cơ 60–80% nguồn cung cấp nông sản của thế giới [27].

Nhiễm độc tố vi nấm có tác động đáng kể đến kinh tế theo công bố của Latham, R.L và cộng sự, 2023 đã chứng minh rằng aflatoxin gây ra sự hư hỏng 4,2% lúa mì dùng làm thực phẩm trong khoảng thời gian từ năm 2010 đến năm 2020, có thể dẫn đến thêm 2,5 tỷ euro thiệt hại kinh tế [30, 31]. Do đó, việc xác định và kiểm soát độc tố vi nấm trong cây trồng và các mặt hàng thực phẩm là điều cần thiết để duy trì sức khỏe người tiêu dùng toàn cầu, đảm bảo an toàn thực phẩm và hỗ trợ nền kinh tế ổn định [28, 29].

Phát hiện độc tố vi nấm trong thực phẩm dựa trên trí tuệ nhân tạo, các kỹ thuật phát hiện độc tố nấm trong thực phẩm, các kỹ thuật học máy để phát hiện độc tố vi nấm, các kỹ thuật học sâu để phát hiện độc tố vi nấm, thuật toán mạng nơ-ron tích hợp, nhân tạo để phát hiện độc tố vi nấm trong thực phẩm. Cho đến ngày 10 tháng 9 năm 2024, 1.580 công trình nghiên cứu đã được công bố, cho thấy việc sử dụng các thuật toán ML để phát hiện độc tố vi nấm trong thực phẩm đã tăng nhanh chóng trong những năm gần đây [32]. 

Các kỹ thuật AI mang lại nhiều lợi thế, bao gồm độ tin cậy, hiệu quả về chi phí và khả năng xử lý sự không chắc chắn [33]. Các kỹ thuật AI cũng có khả năng giảm thời gian xử lý trong một số ứng dụng [34]. Tuy nhiên, hiệu quả của các kỹ thuật AI có thể thay đổi tùy thuộc vào nhiệm vụ cụ thể. Ứng dụng AI thường dựa vào quyền truy cập vào các tập dữ liệu lớn, chất lượng cao. 

Lạc là nguyên liệu có dầu phổ biến nhưng tiềm ẩn nguy cơ lây nhiễm vi nấm sản sinh độc tố Aflatoxin. Phương pháp trực quan hóa khứu giác đã được sử dụng để xác định aflatoxin B1 (AFB1) trong lạc [35]. Thành phần màu của hình ảnh đặc trưng cảm biến được xử lý trước đã được tối ưu hóa bằng cách sử dụng phương pháp trí tuệ nhân tạo liên quan đến thuật toán di truyền (GA) với mạng nơ-ron truyền ngược (BPNN) làm hồi quy. Các thuật toán học máy khác, bao gồm SVM, mạng nơ-ron nhân tạo (ANN) và hệ thống suy luận thần kinh mờ thích ứng (ANFIS) … đã được sử dụng để phát hiện hiệu quả aflatoxin và vi nấm sinh aflatoxin trong hạt lạc [36-38]. Kỹ thuật AI mới nhất, cụ thể là thuật toán biến áp, cũng đã xác định hiệu quả các độc tố vi nấm trong lạc [39].

Các loài vi nấm Aspergillus nidulans, Aspergillus niger, Penicillium citrinum, Aspergillus oryzae và Aspergillus versicolor (Hình 1) đã được nuôi cấy trên các mẫu thóc lúa mì [40]. Hình ảnh mẫu được chụp bằng hệ thống do các nhà nghiên cứu chế tạo bằng máy ảnh Sony Nex-6 (New York, N.Y., Hoa Kỳ). Các mô hình SVM, BPNN, CNN và mạng niềm tin sâu (DBN) đã được sử dụng để xây dựng các kỹ thuật nhận dạng vi nấm. Mô hình DBN có thể xác định loại vi nấm trong các bức ảnh mẫu với độ chính xác 100%. SVM và BPNN cũng được sử dụng để xác định mức độ lây nhiễm của thóc bằng cách sử dụng mũi điện tử [41]. 

Các thuật toán CNN đã được sử dụng kết hợp với hình ảnh siêu phổ (HSI) và bộ mã hóa tự động thưa thớt (SAE) để phân loại các loại hạt ngô mốc [42, 43]. 

Dựa trên phân tích mũi điện tử (là một bước đột phá công nghệ kết hợp giữa mảng cảm biến và các thuật toán AI để mô phỏng lại khứu giác của con người), các mô hình phân loại Penicillium expansum làm hỏng táo và các mô hình dự đoán hàm lượng patulin trong táo phù hợp để sản xuất nước táo đã được tạo ra. Một hệ thống dựa trên cảm biến sinh học đã được giới thiệu để đánh giá nhạy cảm các dư lượng kháng sinh trong sữa bò thô. Hệ thống này kết hợp công nghệ nano, cơ học quang học và thuật toán phát hiện quang phổ. Các mô hình ML cũng hữu ích trong việc xác định các vi khuẩn chính (phân biệt dựa trên khu vực địa lý) trong pho mát Địa Trung Hải… [44-50].

Các kỹ thuật ML phát hiện hiệu quả tình trạng ô nhiễm của cà phê bằng quang phổ NIR [51-52]. Một số nghiên cứu đã phát hiện ra các độc tố vi nấm bằng các kỹ thuật ML và DL trên bề mặt của các sản phẩm thực phẩm khác, như dầu ăn, hạnh nhân, sung và rượu [53-55]. Các nghiên cứu gần đây đã chứng minh hiệu quả của việc tích hợp quang phổ Raman với các phương pháp xử lý dữ liệu hiện đại để theo dõi chất lượng và độ an toàn của dầu ăn. Các mô hình học sâu như CNN và mạng nơ-ron hồi quy (RNN) đã đạt được hiệu suất tuyệt vời trong việc phát hiện ô nhiễm AFB1 trong dầu ăn, với độ chính xác 100% để xác định định tính và độ chính xác cao để phát hiện định lượng [53]. Hơn nữa, việc tích hợp phổ Raman với các phương pháp tiếp cận hóa học như bình phương tối thiểu một phần (PLS) đã cho thấy độ chính xác tốt trong việc dự đoán mức Aflatoxin B1 trong dầu lạc ép [56]. Các nghiên cứu gần đây đã xem xét các phương pháp tiếp cận không phá hủy để phát hiện aflatoxin trong hạnh nhân bằng các kỹ thuật quang học. Việc sử dụng hình ảnh huỳnh quang kết hợp với mạng nơ-ron sâu đã tạo ra kết quả khả quan với độ chính xác phân loại từ 84,7 đến 93,0% đối với các mẫu bị ô nhiễm [54]. Tương tự như vậy, sự kết hợp của phổ huỳnh quang với các thuật toán học máy đã phát hiện aflatoxin B trong hạnh nhân với độ chính xác 94% [57]. 

Mặc dù AI giúp phát hiện các mặt hàng thực phẩm sinh độc tố vi nấm, nhưng cho đến khi các thách thức và hạn chế về công nghệ của hệ thống AI được giải quyết, các kỹ thuật như vậy không thể được sử dụng để đạt hiệu quả tối đa. Các vấn đề như vậy bao gồm nhiều ứng dụng khác nhau trong lĩnh vực phát hiện độc tố vi nấm bằng AI.

1. Chất lượng dữ liệu là điều bắt buộc để đảm bảo rằng các thuật toán AI có những gì chúng cần để đào tạo và xác thực. Tuy nhiên, việc thu thập các tập dữ liệu lớn bao gồm nhiều loại hồ sơ độc tố vi nấm và ma trận thực phẩm chịu ảnh hưởng của nhiều điều kiện môi trường khác nhau có thể là một thách thức. Ví dụ, tính hiếm của dữ liệu có chú thích để đào tạo các mô hình AI là một nút thắt lớn trong việc chuyển các phương pháp này sang các loại độc tố vi nấm mới được xác định hoặc các loại thực phẩm ít được nghiên cứu.

2. Sắc ký và quang phổ là hai trong số nhiều phương pháp trong phòng thí nghiệm được sử dụng để phát hiện độc tố vi nấm và tiến hành các phân tích hóa học phức tạp. Các hệ thống AI phải có khả năng phân tích các tập dữ liệu quang phổ hoặc sắc ký phức tạp về các mẫu biểu hiện và tích hợp nhiều phương thức dữ liệu. Việc xây dựng các mô hình AI có thể khái quát hóa tốt trên nhiều phương thức phát hiện và ma trận thực phẩm khác nhau vẫn là một thách thức kỹ thuật đáng kể [58].

3. Tình trạng mà các mô hình AI được đào tạo trên một số tập dữ liệu nhất định hoạt động tốt trên dữ liệu đào tạo nhưng lại gặp khó khăn khi khái quát hóa sang dữ liệu mới, chưa biết. Cần có các phương pháp tiếp cận chính quy hóa và phương pháp xác thực tinh vi để cung cấp khả năng khái quát hóa mô hình mạnh mẽ trên nhiều lô sản xuất, vị trí địa lý và hoàn cảnh môi trường khác nhau.

4. Do tính phức tạp vốn có của mô hình DL, thường dẫn đến các dự đoán hộp đen, nên việc đưa ra kết luận dựa trên phát hiện dựa trên AI là một thách thức. Một rào cản đối với khả năng chấp nhận và tin cậy của các bên liên quan trong lĩnh vực thực phẩm và các cơ quan quản lý là khả năng diễn giải các mô hình như vậy [59].

5. Cơ sở hạ tầng máy tính hiệu suất cao và các thuật toán hiệu quả là một trong nhiều tài nguyên tính toán cần thiết để triển khai các thuật toán AI để phát hiện độc tố vi nấm theo thời gian thực [60].

6. Sẽ rất hữu ích khi phát hiện độc tố vi nấm hiệu quả nhờ ứng dụng các kỹ thuật dựa trên AI kết hợp với các phương pháp thông thường như sắc ký và xét nghiệm miễn dịch [61].

7. Việc phát triển và triển khai các hệ thống AI để phát hiện độc tố vi nấm có thể tốn kém vì chúng cần được trang bị phần cứng, phần mềm và kiến thức phù hợp chưa phù hợp với doanh nghiệp vừa và nhỏ [18].

8. Việc giải quyết các vấn đề đạo đức liên quan đến tác động của AI đối với các quy định về an toàn thực phẩm và tuân thủ quy định là rất quan trọng. Đối với sự an toàn của người tiêu dùng và việc áp dụng trong ngành, các hệ thống phát hiện độc tố vi nấm do AI điều khiển phải chứng minh được trách nhiệm, tính minh bạch và tuân thủ các yêu cầu pháp lý [62].

9. Việc thiết lập các phương pháp và hướng dẫn chuẩn hóa để phát hiện độc tố vi nấm bằng AI là rất quan trọng để đảm bảo tính nhất quán giữa các cơ quan quản lý và phòng thí nghiệm. Bằng cách hài hòa phương pháp luận và tiêu chí hiệu suất, các hệ thống AI có thể đảm bảo đáp ứng các tiêu chuẩn quy định nghiêm ngặt đối với thử nghiệm an toàn thực phẩm toàn cầu. Các nhà nghiên cứu, ngành công nghiệp và các cơ quan quản lý phải hợp tác để xây dựng sự đồng thuận về các quy trình xác nhận và tiêu chí chấp nhận.

Các nhà nghiên cứu, các bên liên quan trong ngành công nghiệp và các tổ chức quản lý phải cùng nhau làm việc để vượt qua những trở ngại và hạn chế về công nghệ này. Các giải pháp AI mạnh mẽ và đáng tin cậy hơn để phát hiện độc tố vi nấm sẽ khả thi nhờ sự đổi mới liên tục trong các thuật toán AI và kỹ thuật thu thập dữ liệu, cũng như làm việc nhóm đa ngành. Điều này cuối cùng sẽ cải thiện an toàn thực phẩm và hậu quả đối với sức khỏe cộng đồng.

Tóm lại, việc ứng dụng các phương pháp trí tuệ nhân tạo trong ngành thực phẩm để phát hiện độc tố vi nấm tương ứng với tiến bộ đáng kể trong kiểm tra và an toàn thực phẩm. Kết quả của nghiên cứu này nhấn mạnh đến việc mở rộng việc sử dụng các kỹ thuật AI, chẳng hạn như học máy (ML) và học sâu (DL) để nhận dạng và định lượng độc tố vi nấm trên các danh mục thực phẩm. Số lượng ấn phẩm trong lĩnh vực này đã tăng theo cấp số nhân trong thập kỷ qua, chứng minh sự trưởng thành của nghiên cứu và sự gia tăng mối quan tâm. Trong thập kỷ qua, các kỹ thuật AI khác nhau, bao gồm các thuật toán học máy như máy vectơ hỗ trợ (SVM), mạng nơ-ron nhân tạo (ANN) và mạng nơ-ron tích chập sâu (DCNN) đã có thể phát hiện độc tố vi nấm với độ chính xác và hiệu quả cao ở nhiều loài cây trồng, chẳng hạn như lạc, lúa mì, ngô, gạo và lúa mạch...

Một số loại độc tố vi nấm này bao gồm aflatoxin, deoxynivalenol và fumonisin. Việc sử dụng công nghệ ảnh siêu quang phổ tiên tiến, mũi điện tử và cảm biến sinh học, kết hợp với các mô hình AI sâu, đã cải thiện đáng kể hiệu suất của các kỹ thuật phát hiện. Tuy nhiên, vẫn còn những trở ngại đáng kể, các vấn đề quan trọng cần tiếp tục quan tâm bao gồm chất lượng dữ liệu và tính biến đổi; sự cần thiết của các tập dữ liệu có chú thích lớn; và khả năng khái quát hóa của các mô hình AI trên nhiều bối cảnh và ma trận thực phẩm khác nhau. Hơn nữa, độ phức tạp về mặt tính toán và nhu cầu tài nguyên của một số thuật toán AI có thể ngăn cản việc sử dụng thực tế của chúng trong các môi trường hạn chế về tài nguyên. Sự phát triển liên tục của AI và các ứng dụng của nó hứa hẹn sẽ cải thiện độ chính xác, tốc độ và hiệu quả về chi phí phát hiện độc tố vi nấm, dẫn đến cải thiện an toàn thực phẩm và hậu quả đối với sức khỏe cộng đồng. Khi lĩnh vực này tiếp tục phát triển, các cơ quan quản lý, các bên liên quan trong ngành và các học giả sẽ cần phải hợp tác với nhau để hiện thực hóa toàn bộ tiềm năng của trí tuệ nhân tạo và đảm bảo an toàn và chất lượng của các sản phẩm thực phẩm. 

Việc sử dụng công nghệ AI và blockchain có thể cải thiện tính minh bạch của chuỗi cung ứng thực phẩm. Công nghệ blockchain có thể ghi lại dữ liệu và lựa chọn của hệ thống AI một cách bất biến, giúp việc phát hiện và quản lý độc tố vi nấm có thể kiểm toán được. Nghiên cứu trong tương lai có thể kết hợp các công nghệ phát hiện do blockchain và AI điều khiển để thiết lập các mạng lưới an toàn thực phẩm an toàn và minh bạch. Nghiên cứu AI liên ngành có thể bao gồm vi sinh học, nông học và khoa học thực phẩm. Các nhà nghiên cứu AI và các chuyên gia trong lĩnh vực làm việc cùng nhau có thể phát triển các giải pháp mới để hiểu rõ hơn về độc tố vi nấm, điều kiện môi trường và hàng hóa thực phẩm.

Detection of Mycotoxin Contamination in Foods Using Artificial Intelligence (AI)

Vu Duc Chien, Nguyen Manh Dat*
Food Industries Research Institute

Abstract: Mycotoxin contamination of foods is a major concern for food safety and public health worldwide. The contamination of agricultural commodities employed by humankind with mycotoxins (toxic secondary metabolites of fungi) is a major risk to the health of the human population. Common methods for mycotoxin detection include chromatographic separation, often combined with mass spectrometry (accurate but time-consuming to prepare the sample and requiring skilled technicians). Artificial intelligence (AI) has been introduced as a new technique for mycotoxin detection in food, providing high credibility and accuracy. This review article provides an overview of recent studies on the use of AI methods for the discovery of mycotoxins in food. The new approach demonstrated that a variety of AI technologies could be correlated. Deep learning models, machine learning algorithms, and neural networks were implemented to analyze elaborate datasets from different analytical platforms. In addition, this review focuses on the advancement of AI to work concomitantly with smart sensing technologies or other non-conventional techniques such as spectroscopy, biosensors, and imaging techniques for rapid and less damaging mycotoxin detection. Ultimately, the use of AI could revolutionize systems monitoring mycotoxins, improving food safety and safeguarding global public health.

1. Bennett, J.W.; Klich, M. Mycotoxins. Clin. Microbiol. Rev. 2003, 16, 497–516. https://doi.org/10.1128/CMR.16.3.497-516.2003. 

2. Marin, S.; Ramos, A.J.; Cano-Sancho, G.; Sanchis, V. Mycotoxins: Occurrence, toxicology, and exposure assessment. Food Chem. Toxicol. 2013, 60, 218–237. https://doi.org/10.1016/j.fct.2013.07.047. 

3. Mishra, A.; Aggarwal, A.; Khan, F. Medical Device-Associated Infections Caused by Biofilm-Forming Microbial Pathogens and Controlling Strategies. Antibiotics 2024, 13, 623. https://doi.org/10.3390/antibiotics13070623

4. Anfossi, L.; Giovannoli, C.; Baggiani, C. Mycotoxin detection. Curr. Opin. Biotechnol. 2016, 37, 120–126. https://doi.org/10.1016/j.copbio.2015.11.005. 

5. Aggarwal, A.; Agarwal, R. Optimal determination of wavelet for football player EEG using SVM classifier. Biomed. Res. 2018, 29, 218–226. 

6. Silva, H.; Santos, G.N.M.; Leite, A.F.; Mesquita, C.R.M.; Figueiredo, P.T.S.; Stefani, C.M.; de Melo, N.S. The use of artificial intelligence tools in cancer detection compared to the traditional diagnostic imaging methods: An overview of the systematic reviews. PLoS ONE 2023, 18, e0292063. https://doi.org/10.1371/journal.pone.0292063. 

7. Wang, J.; Zhu, R.; Wu, Y.; Tang, L.; Wang, C.; Qiu, M.; Zheng, L.; Li, P.; Weng, S. Dynamic surface-enhanced Raman spectroscopy and positively charged probes for rapid detection and accurate identification of fungal spores in infected apples via deep learning methods. Food Control 2024, 157, 110151. https://doi.org/10.1016/j.foodcont.2023.110151. 

8. Mishra, A.; Tabassum, N.; Aggarwal, A.; Kim, Y.M.; Khan, F. Artificial Intelligence-Driven Analysis of Antimicrobial-Resistant and Biofilm-Forming Pathogens on Biotic and Abiotic Surfaces. Antibiotics 2024, 13, 788. https://doi.org/10.3390/antibiotics13080788. 

9. Liu,Z.;Le,D.;Zhang,T.;Lai,Q.;Zhang,J.;Li,B.; Song,Y.; Chen, N.Detection of apple moldy coredisease by fusing vibration and Vis/NIR spectroscopy data with dual-input MLP-Transformer. J. Food Eng. 2024, 382, 112219. https://doi.org/10.1016/j.jfoodeng.2024.112219. 

10. Siripatrawan, U.; Makino, Y. Assessment of food safety risk using machine learning-assisted hyperspectral imaging: Classification of fungal contamination levels in rice grain. Microb. Risk Anal. 2024, 27–28, 100295. https://doi.org/10.1016/j.mran.2024.100295. 

11. Zhao, G.; Zhao, Q.; Webber, H.; Johnen, A.; Rossi, V.; Nogueira Junior, A.F. Integrating machine learning and change detection for enhanced crop disease forecasting in rice farming: A multi-regional study. Eur. J. Agron. 2024, 160, 127317. https://doi.org/10.1016/j.eja.2024.127317. 

12. Zhang, T.; Wu, Q.; Zhang, Z. Probable Pangolin Origin of SARS-CoV-2 Associated with the COVID-19 Outbreak. Curr. Biol. 2020, 30, 1346–1351.e1342. https://doi.org/10.1016/j.cub.2020.03.022.

13. Chakraborty, C.; Bhattacharya, M.; Pal, S.; Lee, S.-S. From machine learning to deep learning: Advances of the recent data-driven paradigm shift in medicine and healthcare. Curr. Res. Biotechnol. 2024, 7, 100164. https://doi.org/10.1016/j.crbiot.2023.100164.   

14. Sarker, I.H. Machine Learning: Algorithms, Real-World Applications and Research Directions. SN Comput. Sci. 2021, 2, 160. https://doi.org/10.1007/s42979-021-00592-x 

15. Choudhary, K.; DeCost, B.; Chen, C.; Jain, A.; Tavazza, F.; Cohn, R.; Park, C.W.; Choudhary, A.; Agrawal, A.; Billinge, S.J.L.; et al. Recent advances and applications of deep learning methods in materials science. npj Comput. Mater. 2022, 8, 59. https://doi.org/10.1038/s41524-022-00734-6.

16. Ahsan, M.M.; Luna, S.A.; Siddique, Z. Machine-Learning-Based Disease Diagnosis: A Comprehensive Review. Healthcare 2022, 10, 541. https://doi.org/10.3390/healthcare10030541.

17. Soori, M.; Arezoo, B.; Dastres, R. Artificial intelligence, machine learning and deep learning in advanced robotics, a review. Cogn. Robot. 2023, 3, 54–70. https://doi.org/10.1016/j.cogr.2023.04.001. 

18. Inglis, A.; Parnell, A.C.; Subramani, N.; Doohan, F.M. Machine Learning Applied to the Detection of Mycotoxin in Food: A Systematic Review. Toxins 2024, 16, 268. https://doi.org/10.3390/toxins16060268.

19. Beia, I.S.; Ciceoi, R.; Beia, V.E.; Bădulescu, L.; Smedescu, D.I.; Fîntîneru, A. Mycotoxins-incidence, impact on feed, food safety, food chain and economic losses. Sci. Pap. Ser. Manag. Econ. Eng. Agric. Rural Dev. 2023, 23, 85–94. 

20. Mavrommatis, A.; Giamouri, E.; Tavrizelou, S.; Zacharioudaki, M.; Danezis, G.; Simitzis, P.E.; Zoidis, E.; Tsiplakou, E.; Pappas, A.C.; Georgiou, C.A.; et al. Impact of Mycotoxins on Animals’ Oxidative Status. Antioxidants 2021, 10, 214. https://doi.org/10.3390/antiox10020214. 

21. Marroquín-Cardona, A.G.; Johnson, N.M.; Phillips, T.D.; Hayes, A.W. Mycotoxins in a changing global environment—A review. Food Chem. Toxicol. 2014, 69, 220–230. https://doi.org/10.1016/j.fct.2014.04.025. 

22. Liu, Y.; Wu, F. Global burden of aflatoxin-induced hepatocellular carcinoma: A risk assessment. Environ. Health Perspect. 2010, 118, 818–824. https://doi.org/10.1289/ehp.0901388. 

23. Van der Fels-Klerx, H.J.; Liu, C.; Focker, M.; Montero-Castro, I.; Rossi, V.; Manstretta, V.; Magan, N.; Krska, R. Decision support system for integrated management of mycotoxins in feed and food supply chains. World Mycotoxin J. 2021, 15, 119–133. https://doi.org/10.3920/WMJ 2020.2603. 

24. Tola, M.; Kebede, B. Occurrence, importance and control of mycotoxins: A review. Cogent Food Agric. 2016, 2, 1191103. https://doi.org/10.1080/23311932.2016.1191103. 

25. Logrieco, A.; Battilani, P.; Camardo Leggieri, M.; Jiang, Y.; Haesaert, G.; Lanubile, A.; Mahuku, G.; Mesterházy, A.; Ortega Beltran, A.; Pasti, M.; et al. Perspectives on Global Mycotoxin Issues and Management From the MycoKey Maize Working Group. Plant Dis. 2020, 105, 525–537. https://doi.org/10.1094/PDIS-06-20-1322-FE. 

26. Camardo Leggieri, M.; Lanubile, A.; Dall’Asta, C.; Pietri, A.; Battilani, P. The impact of seasonal weather variation on mycotoxins: Maize crop in 2014 in northern Italy as a case study. World Mycotoxin J. 2019, 13, 25–36. https://doi.org/10.3920/WMJ2019.2475. 

27. Eskola, M.; Kos, G.; Elliott, C.T.; Hajšlová, J.; Mayar, S.; Krska, R. Worldwide contamination of food-crops with mycotoxins: Validity of the widely cited ‘FAO estimate’ of 25. Crit. Rev. Food Sci. Nutr. 2020, 60, 2773–2789. https://doi.org/10.1080/10408398.2019.1658570. 

28. Wu, F. Global impacts of aflatoxin in maize: Trade and human health. World Mycotoxin J. 2015, 8, 137–142. https://doi.org/10.3920/WMJ2014.1737. 

29. Johns, L.; Bebber, D.; Gurr, S.; Brown, N. Emerging health threat and cost of Fusarium mycotoxins in European wheat. Nat. Food 2022, 3, 1014–1019. https://doi.org/10.1038/s43016-022-00655-z

30. Latham, R.L.; Boyle, J.T.; Barbano, A.; Loveman, W.G.; Brown, N.A. Diverse mycotoxin threats to safe food and feed cereals. Essays Biochem. 2023, 67, 797–809. https://doi.org/10.1042/ebc20220221.

31. Sultana, T.; Malik, K.; Raja, N.I.; Mashwani, Z.U.R.; Hameed, A.; Ullah, R.; Alqahtani, A.S.; Sohail, N. Aflatoxins in Peanut (Arachis hypogaea): Prevalence, Global Health Concern, and Management from an Innovative Nanotechnology Approach: A Mechanistic Repertoire and Future Direction. ACS Omega 2024, 9, 25555–25574. https://doi.org/10.1021/acsomega.4c01316.

32. Khan, F.; Jeong, G.-J.; Singh, P.; Tabassum, N.; Mijakovic, I.; Kim, Y.-M. Retrospective analysis of the key molecules involved in the green synthesis of nanoparticles. Nanoscale 2022, 14, 14824–14857. https://doi.org/10.1039/D2NR03632K.

33. Chowdhury, M.A.; Sadek, A.W. Advantages and Limitations of Artificial Intelligence. Transp. Res. Circ. 2012, 6, 360–375.
34. Emri, M. Methods of artificial intelligence and their application in imaging diagnostics. Magy. Onkol. 2020, 64, 145–152.

35. Zhu, C.; Deng, J.; Jiang, H. Parameter Optimization of Support Vector Machine to Improve the Predictive Performance for Determination of Aflatoxin B1 in Peanuts by Olfactory Visualization Technique. Molecules 2022, 27, 6730. https://doi.org/10.3390/molecules27196730.

36. Ziyaee, P.; Ahmadi, V.F.; Bazyar, P.; Cavallo, E. Comparison of different image processing methods for segregation of peanut (Arachis hypogaea L.) seeds infected by aflatoxin-producing fungi. Agronomy 2021, 11, 873. https://doi.org/10.3390/agronomy11050873. 

37. Sudki, J.M.; Fonseca de Oliveira, G.R.; de Medeiros, A.D.; Mastrangelo, T.; Arthur, V.; Amaral da Silva, E.A.; Mastrangelo, C.B. Fungal identification in peanuts seeds through multispectral images: Technological advances to enhance sanitary quality. Front. Plant Sci. 2023, 14, 1112916. https://doi.org/10.3389/fpls.2023.1112916.

38. Manhando, E.; Zhou, Y.; Wang, F. Early Detection of Mold-Contaminated Peanuts Using Machine Learning and Deep Features Based on Optical Coherence Tomography. AgriEngineering 2021, 3, 703–715. https://doi.org/10.3390/agriengineering3030045.

39. Guo, Z.; Zhang, J.; Wang, H.; Dong, H.; Li, S.; Shao, X.; Huang, J.; Yin, X.; Zhang, Q.; Guo, Y.; et al. Enhanced detection of Aspergillus flavus in peanut kernels using a multi-scale attention transformer (MSAT): Advancements in food safety and contamination analysis. Int. J. Food Microbiol. 2024, 423, 110831. https://doi.org/10.1016/j.ijfoodmicro.2024.110831.

40. Sun, K.; Wang, Z.; Tu, K.; Wang, S.; Pan, L. Recognition of mould colony on unhulled paddy based on computer vision using conventional machine-learning and deep learning techniques. Sci. Rep. 2016, 6, 37994. https://doi.org/10.1038/srep37994.

41. Gu, S.; Wang, J.; Wang, Y. Early discrimination and growth tracking of Aspergillus spp. contamination in rice kernels using electronic nose. Food Chem. 2019, 292, 325–335. https://doi.org/10.1016/j.foodchem.2019.04.054.

42. Fan, K.J.; Liu, B.Y.; Su, W.H. Discrimination of Deoxynivalenol Levels of Barley Kernels Using Hyperspectral Imaging in Tandem with Optimized Convolutional Neural Network. Sensors 2023, 23, 2668. https://doi.org/10.3390/s23052668.

42. Yang, D.; Jiang, J.; Jie, Y.; Li, Q.; Shi, T. Detection of the moldy status of the stored maize kernels using hyperspectral imaging and deep learning algorithms. Int. J. Food Prop. 2022, 25, 170–186. https://doi.org/10.1080/10942912.2022.2027963.

43. Castano-Duque, L.; Winzeler, E.; Blackstock, J.M.; Liu, C.; Vergopolan, N.; Focker, M.; Barnett, K.; Owens, P.R.; van der Fels-Klerx, H.J.; Vaughan, M.M.; et al. Dynamic geospatial modeling of mycotoxin contamination of corn in Illinois: Unveiling critical factors and predictive insights with machine learning. Front. Microbiol. 2023, 14, 1283127. https://doi.org/10.3389/fmicb.2023.1283127.

44. Karlshøj, K.; Nielsen, P.V.; Larsen, T.O. Prediction of Penicillium expansum spoilage and patulin concentration in apples used for apple juice production by electronic nose analysis. J. Agric. Food Chem. 2007, 55, 4289–4298. https://doi.org/10.1021/jf070134x.

45. Erdem, A.; Senturk, H. Smartphone-Controlled Aptasensor for Voltammetric Detection of Patulin in Apple Juice. Sensors 2024, 24, 754. https://doi.org/10.3390/s24030754.

46. Wang, X.; Bouzembrak, Y.; Oude Lansink, A.G.J.M.; van der Fels-Klerx, H.J. Designing a monitoring program for aflatoxin B1 in feed products using machine learning. npj Sci. Food 2022, 6, 40. https://doi.org/10.1038/s41538-022-00154-2.

47. Gutiérrez, P.; Godoy, S.E.; Torres, S.; Oyarzún, P.; Sanhueza, I.; Díaz-García, V.; Contreras-Trigo, B.; Coelho, P. Improved antibiotic detection in raw milk using machine learning tools over the absorption spectra of a problem-specific nanobiosensor. Sensors 2020, 20, 4552. https://doi.org/10.3390/s20164552.

48. Lo Dico, G.; Croubels, S.; Carcelén, V.; Haranczyk, M. Machine learning-aided design of composite mycotoxin detoxifier material for animal feed. Sci. Rep. 2022, 12, 4838. https://doi.org/10.1038/s41598-022-08410-x

49. Kamilari, E.; Tsaltas, D.; Stanton, C.; Ross, R.P. Metataxonomic Mapping of the Microbial Diversity of Irish and Eastern Mediterranean Cheeses. Foods 2022, 11, 2483. https://doi.org/10.3390/foods11162483.

50. Sadimantara, M.S.; Argo, B.D.; Sucipto, S.; Riza, D.F.A.; Hendrawan, Y. The Classification of Aflatoxin Contamination Level in Cocoa Beans using Fluorescence Imaging and Deep learning. J. Robot. Control 2024, 5, 82–91. https://doi.org/10.18196/jrc.v5i1.19081.

51. Al-Ghouti, M.A.; AlHusaini, A.; Abu-Dieyeh, M.H.; Abd Elkhabeer, M.; Alam, M.M. Determination of aflatoxins in coffee by means of ultra-high performance liquid chromatography-fluorescence detector and fungi isolation. Int. J. Environ. Anal. Chem. 2022, 102, 6999–7014. https://doi.org/10.1080/03067319.2020.1819993.

52. Ruttanadech, N.; Phetpan, K.; Srisang, N.; Srisang, S.; Chungcharoen, T.; Limmun, W.; Youryon, P.; Kongtragoul, P. Rapid and accurate classification of Aspergillus ochraceous contamination in Robusta green coffee bean through near-infrared spectral analysis using machine learning. Food Control 2023, 145, 109446. https://doi.org/10.1016/ j.foodcont.2022.109446.

53. Deng, J.; Zhang, X.; Li, M.; Jiang, H.; Chen, Q. Feasibility study on Raman spectra-based deep learning models for monitoring the contamination degree and level of aflatoxin B1 in edible oil. Microchem. J. 2022, 180, 107613. https://doi.org/10.1016/j.microc.2022.107613.

54. Bertani, F.R.; Mencattini, A.; Gambacorta, L.; De Ninno, A.; Businaro, L.; Solfrizzo, M.; Gerardino, A.; Martinelli, E. Aflatoxins detection in almonds via fluorescence imaging and deep neural network approach. J. Food Compos. Anal. 2024, 125, 105850. https://doi.org/10.1016 /j.jfca.2023.105850.

55. Tarazona, A.; Mateo, E.M.; Gómez, J.V.; Gavara, R.; Jiménez, M.; Mateo, F. Machine learning approach for predicting Fusarium culmorum and F. proliferatum growth and mycotoxin production in treatments with ethylene-vinyl alcohol copolymerfilms containing pure components of essential oils. Int. J. Food Microbiol. 2021, 338, 109012. https://doi.org/10.1016/j.ijfoodmicro.2020.109012.

56. Zhu, C.; Jiang, H.; Chen, Q. High Precisive Prediction of Aflatoxin B1 in Pressing Peanut Oil Using Raman Spectra Combined with Multivariate Data Analysis. Foods 2022, 11, 1565.

57. Bertani, F.R.; Businaro, L.; Gambacorta, L.; Mencattini, A.; Brenda, D.; Di Giuseppe, D.; De Ninno, A.; Solfrizzo, M.; Martinelli, E.; Gerardino, A. Optical detection of aflatoxins B in grained almonds using fluorescence spectroscopy and machine learning algorithms. Food Control 2020, 112, 107073. https://doi.org/10.1016/j.foodcont.2019.107073.

58. Agriopoulou, S.; Stamatelopoulou, E.; Varzakas, T. Advances in Analysis and Detection of Major Mycotoxins in Foods. Foods 2020, 9, 518.

59. Hassija, V.; Chamola, V.; Mahapatra, A.; Singal, A.; Goel, D.; Huang, K.; Scardapane, S.; Spinelli, I.; Mahmud, M.; Hussain, A. Interpreting Black-Box Models: A Review on Explainable Artificial Intelligence. Cogn. Comput. 2023, 16, 45–74. https://doi.org/10.1007/s12559-023-10179-8.

60. Gbashi, S.; Njobeh, P.B. Enhancing Food Integrity through Artificial Intelligence and Machine Learning: A Comprehensive Review. Appl. Sci. 2024, 14, 3421.

61. Singh, J.; Mehta, A. Rapid and sensitive detection of mycotoxins by advanced and emerging analytical methods: A review. Food Sci. Nutr. 2020, 8, 2183–2204. https://doi.org/10.1002/fsn3.1474.

62. Fumagalli, F.; Ottoboni, M.; Pinotti, L.; Cheli, F. Integrated Mycotoxin Management System in the Feed Supply Chain: Innovative Approaches. Toxins 2021, 13, 572. https://doi.org/10.3390/toxins13080572

Lời cảm ơn: Bài báo được hỗ trợ kinh phí của đề tài cấp Bộ Công Thương: “Nghiên cứu đánh giá hệ thống các quy chuẩn, tiêu chuẩn thực phẩm thuộc phạm vi quản lý ngành Công Thương và đề xuất giải pháp hoàn thiện để phù hợp với quy định của thế giới” Mã số: ĐTKHCN.043/22.