利用人工智能技术发掘水稻壳研究：从高通量数字化到整体化分析平台
机器学习
2026-03-13 v1 定量方法
摘要
水稻壳分析是重建过去植被与人类活动的关键工具，但传统方法受限于 labor-intensive、耗时的手动显微镜制作。为解决这一瓶颈，我们提出Sorometry：一个用于高通量数字化、推断和解释水稻壳的全链条人工智能管线。我们的工作流程处理 Z 轴堆叠的光学显微镜扫描，自动生成单个显微粒子的同步 2D 正射图和 3D 点云。我们开发了一种多模态融合模型，将 ConvNeXt 用于 2D 图像分析、PointNet++ 用于 3D 点云分析，并配备图形用户界面以支持专家标注与审核。实验在参考集合和玻利维亚亚马逊的考古样本上进行，我们的融合模型在 24 种诊断形态型和 84.5% 的分割质量上实现了 77.9% 的全局分类准确率。关键在于，3D 数据的集成对于区分复杂形态型（如草类硅质短细胞水稻壳）至关重要，因为这些形态型的诊断特征常在 2D 投影中被遮挡。除了单个对象的分类，Sorometry 还集成了贝叶斯有限混合模型，用于预测水稻壳集合水平的植物来源贡献，成功识别了玉米和棕榈等特定植物。该集成平台将水稻壳研究转化为规模为“组学”的学科，显著扩大了分析容量，标准化了专家判断，使考古学和古生态学样本库的可重复、群体水平表征成为可能。
引用
@article{arxiv.2603.11476,
title = {Leveraging Phytolith Research using Artificial Intelligence},
author = {Andrés G. Mejía Ramón and Kate Dudgeon and Nina Witteveen and Dolores Piperno and Michael Kloster and Luigi Palopoli and Mónica Moraes R. and José M. Capriles and Umberto Lombardo},
journal= {arXiv preprint arXiv:2603.11476},
year = {2026}
}
备注
45 pages, 23 figures