文章导读

水污染对人类及生态系统影响重大，因此各国颁布了一系列政策进行污染控制。实施污染控制的第一步是检测水体中的污染物。目前水质检测方法多样，如光谱法、色谱法和电化学技术等。然而传统检测方法需依赖实验室大型设备，难以满足现场实时检测需求。微流控设备能够突破传统检测仪器的局限，成为高效便捷的水质分析工具。与此同时，人工智能作为识别、分类和预测微流控系统数据的理想手段，二者结合开发的智能微流控设备对下一代水质监测系统具有重要意义。

本综述首先简要介绍人工智能涉及的算法，以及微流控平台的制造材料与检测技术；其次重点阐述二者结合在水体污染物，包括重金属、农药、微纳米塑料及微藻等检测中的最新研究进展；最后探讨了该检测方法当前面临的挑战及未来发展方向。

研究内容

微流控技术是一种能够在微米或纳米尺度空间内对液体进行精确操控和分析的技术。其基本特征和最大优势在于可将多种单元技术规模化集成在整体可控的微平台上，通过微流控通道、微阀等微加工技术控制液体流动与混合，实现多种反应。通过精确控制流速，微流控可实现化学分析、药物筛选、细胞培养等多种功能。此外，微流控可设计为多通道控制系统，实现多项目并行检测，待测样本被同时分配至多个相互隔离的反应单元。该技术具有样本量小、灵敏度高、集成度高、检测速度快、成本低等优势。总体而言，微流控凭借其独特优势，在生物医学、药物研发、环境监测等诸多领域具有广泛应用前景。

人工智能是一门致力于扩展人类智能理论、方法、技术及应用系统的新兴技术科学，旨在使计算机系统能够执行需要人类智能的任务，如学习、推理、感知和理解语言。通过人工智能可以为环境保护和治理提供了强大的技术支持。人工智能在环境领域的应用涵盖了几个关键领域，如空气质量监测、水质监测与分析、土壤污染识别和传感器数据收集。基于人工智能的方法在环境分析中具有很大的优势，因为它们可以通过分析大量数据实现实时监测、准确预测和智能决策。机器学习是人工智能的重要分支，使计算机系统能够从数据中学习并改进性能，而无需显式编程，其算法包括监督学习、无监督学习、半监督学习和强化学习。此外，随着数据量和计算能力的提升，深度学习已成为机器学习的热门方向。

检测方法

通过将微流控系统与多种检测技术相结合，实现了痕量样品的高灵敏度、高通量检测。目前常与微流控联用的检测方法包括电化学检测、光学检测 (荧光)、电致化学发光 (ECL) 检测、比色检测、质谱以及表面增强拉曼光谱 (SERS) 检测等。

1. 电化学检测法

电化学检测法是微流控中常用的检测方法。通过在微流控芯片上集成微电极，实现对溶液中化学物质的电信号响应。该方法具有灵敏度高、响应速度快、成本较低等优势，尤其适用于痕量样品的检测。

2. 光学检测法 (荧光)

光学检测法是微流控中另一类重要方法，其中以荧光检测最为常见。通过在样品中添加荧光标记物，利用微流控芯片中的微型光学系统观察荧光信号的变化，实现对特定物质的定量与定性分析。其特点是灵敏度高、选择性好，尤其适用于复杂样品中特定成分的检测。

3. 电致化学发光 (ECL)检测法

电致化学发光 (ECL) 检测法是电化学与光学特性的结合。在微流控芯片中，通过对电极施加电压激发电极上的化学物质产生发光现象，进而检测并分析发光信号。ECL方法具有灵敏度高、背景干扰低、可实时检测等优势，尤其适用于痕量物质的快速分析。

4. 比色检测法

比色检测法基于物质与特定试剂发生显色反应的原理。在微流控芯片中，通过设计微型反应腔室，使样品与试剂在芯片内混合反应，通过观察反应后的颜色变化判断样品中是否含有特定成分。比色法因其操作简单、成本低、结果可视化等特点，适用于快速现场检测和初筛。

5. 质谱检测法

质谱检测法是通过质谱仪对样品中的化合物进行分离与鉴定的方法。通过在微流控芯片中集成微型质谱仪或与其他质谱设备联用，可实现痕量样品的高效精准分析。其特点是分辨率高、灵敏度强，兼具定性与定量功能，尤其适用于复杂混合物中化合物的鉴定与定量分析。

6. 表面增强拉曼光谱检测法

表面增强拉曼光谱 (SERS) 是一种利用粗糙金属表面增强拉曼散射信号，实现样品分子超灵敏检测的方法。通过在微流控芯片中集成SERS基底，可将痕量样品溶液中的分子吸附于粗糙金属表面，再通过拉曼光谱进行检测。该方法具有极高的灵敏度与特异性，适用于痕量分子的鉴定与定量分析。

应用

微流控平台与人工智能网络的结合在水质监测中具有显著优势。微流控平台可在微尺度上实现样品处理与分析，而人工智能网络通过高速计算与智能决策，可实现水样污染物的快速检测分析，大幅缩短检测时间并提升效率。

1. 重金属检测

目前常用的重金属检测方法包括原子吸收光谱法 (AAS)、原子荧光光谱法 (AFS)、电感耦合等离子体质谱法 (ICP-MS) 及电化学方法等。其中，电化学方法尤其适合与微流控设备结合，用于水体中重金属离子的检测。

2. 农药检测

水体中农药常用检测方法包括色谱法、质谱法和光谱法，而结合生物元件与传感技术的生物传感器能以高灵敏度和选择性检测水体农药残留。随着人工智能的发展，部分常用检测技术开始与机器学习结合以提升农药检测效率。

3. 微塑料与纳米塑料检测

近年来，数字全息技术 (DH) 已被应用于微塑料 (MPs) 成像，并在塑料类颗粒的物理表征方面展现出潜在应用价值。与此同时，人工智能技术的快速发展使得基于定制化模型的检测方法性能显著提升。微流控芯片平台实现了对真实海洋样品流场的直接采集，为微塑料的实时识别与监测提供了可能。

4. 微藻检测

目前微藻检测主要采用流式细胞术和叶绿素自发荧光等方法评估其活性。其中流式细胞术通过检测细胞荧光强度判断微藻活性，叶绿素自发荧光则用于推断微藻内部叶绿素含量及光合作用强度。自动化智能微流控平台 (AIMP)，可通过自动控制和智能数据分析，检测和分类四种微藻 (鼓藻、新月藻、微星藻和雨生红球藻)。该平台将低成本便携式USB显微镜与微型电动载物台相结合，在保持关键功能的同时，实现了原本昂贵的实验室显微镜的小型化。每个微流控芯片有四组样本检测通道，每组通道由一个入口、一个出口和一个由九个相同尺寸观察室组成的观察网格构成。微流控腔室通过激光切割双面胶带制成，胶带一面粘贴在玻璃表面，另一面粘贴在透明聚甲基丙烯酸甲酯 (PMMA) 板上。选择了四种不同大小和形态的微藻来创建用于训练微藻检测机器学习网络的数据集。目前该设备的性能受限于相对较小的数据集，但随着更多高质量数据的整合，性能将会提升。各种设备性能的详细信息见表1。

表1. 人工智能微流体系统在水中污染物检测中的应用

研究总结

本文对人工智能算法与微流控平台的制造材料与检测技术在水质检测中的研究进行了总结，并分析了其相较于传统检测方法的优劣势。从以上研究进展可以得出，微流控与人工智能技术的融合已成为水体污染物分析的前沿工具。目前已有部分基于微流控芯片与人工智能的商业化水质监测产品投入应用。尽管本综述证实了AI与微流控芯片联用在水质分析中的优势，但仍存在若干挑战：首先，AI算法虽在数据分析方面优势显著，但针对微流控芯片产生的复杂数据，仍需持续优化算法以确保其准确性与可靠性；其次，高效AI模型需要大量高质量训练数据，而实际水质分析中获取足量标注数据存在困难，数据缺失与质量差异将影响模型性能；最后，尽管微流控芯片与AI技术理论上优势突出，但在实际应用中成本仍是重要考量因素，特别是在资源有限的发展中国家，如何降低技术成本以实现更广泛的水质监测覆盖是亟待解决的问题。同时，对水质检测方法的未来研究方向进行了讨论。

原文出自 Sensors 期刊：https://www.mdpi.com/2857968

期刊主页：https://www.mdpi.com/journal/sensors

Sensors 期刊介绍

主编：Vittorio M.N. Passaro, Politecnico di Bari, Italy

期刊涵盖所有传感器科学和技术研究领域，例如物理传感器、智能传感器、传感网络、生物传感器、化学传感器、雷达、可穿戴电子设备和先进的传感材料及其在物联网、工业、农业、环境、遥感、导航、通信、车辆、成像、生物医药等领域的应用。目前期刊已被Science Citation Index Expanded (SCIE)、PubMed、EI、Scopus等数据库收录。

2023 Impact Factor：3.4

2024 CiteScore：8.2

Time to First Decision：18.6 Days

Acceptance to Publication：2.4 Days