使用少样本学习对源自Momordica cymbalaria绿色合成纳米颗粒的SEM图像进行分类

植物、微小颗粒与智能计算

如果常见植物可以帮助制造未来药物用的微小颗粒，同时智能计算程序能像人工专家一样对这些颗粒进行分类，这将怎样？本研究将绿色化学与人工智能结合起来，使用药用藤本植物Momordica cymbalaria的提取物制备纳米颗粒，并训练一个紧凑的图像识别模型，仅用少量显微镜图像就能区分不同样品。

用药用植物构建微小颗粒

研究者没有依赖强烈化学品，而是采用一种在传统医学中以调节血糖著称的植物。他们利用其根和果实作为天然小型“工厂”制备两类纳米颗粒：银和碳酸钙。植物中存在的化合物促进并稳定了这些反应，提供了一种比常规模式更清洁、潜在更安全的途径。所得粉末通过多种手段被仔细表征以检查其尺寸、形态和化学成分。

用光与电子窥探颗粒

为了解所制备的产物，团队对样品进行光学吸收测量，记录了对不同波长的吸收情况，这表明微小结构按预期形成。研究者还使用高分辨率电子显微镜获得详细的黑白图像，显示碳酸钙颗粒主要为球形并成簇聚集，而银颗粒则团聚成较大、不规则的形态。附加测试确认富钙样品主要含有钙、氧与碳，而银样品则显示出强烈的银信号并伴有来自植物提取物的有机物质。综合这些测量表明，绿色制备法对碳酸钙效果良好，但制备银颗粒的工艺仍需进一步优化。

教计算机“读”显微镜图像

收集成千上万张显微镜图片既困难又耗时，尤其是在小型实验室中。为应对这一挑战，作者们采用了一种称为少样本学习的人工智能方法，专为极小训练集设计。他们聚焦于来自四个组别的扫描电子显微镜图像：根部来源的银、果实来源的银、根部来源的碳酸钙和果实来源的碳酸钙。训练前对图像进行清理和尺寸调整，并通过旋转与翻转等方式生成额外变体以扩充微小数据集。两种知名的图像分析网络，MobileNetV2和ResNet50，被改造用于将每张图像转化为紧凑的数值指纹。

少样本模型如何做出决定

系统并非简单地将所有图像输入标准分类器，而是在模拟现实低数据情境的小任务中学习。在每个任务中，它仅见到每类的少量示例，利用这些示例找到该类的典型“中心”，然后决定新图像最适合归入哪个类。图像与这些中心之间的距离以考虑类内分布宽度的方式进行度量，从而更容易捕捉细微差别。通过重复大量此类训练情节，模型逐步学会了区分四类纳米颗粒的特征，尽管总体数据集非常小。

紧凑模型却表现强劲

研究者比较了不同训练配置后发现，基于MobileNetV2的最先进少样本方法表现最佳。该版本结合了情景式训练、通过聚类细化的类中心以及对数据模式敏感的距离度量。它在保持模型体积足够小、可在中等计算资源甚至边缘设备上运行的同时，达到了约95%的准确率。依赖普通迁移学习或基础距离度量的简化方法表现明显较差，凸显了针对低数据条件定制训练策略的优势。

对未来实验室工作的意义

对非专业读者而言，关键信息是：环保的纳米颗粒制备可以与智能、数据高效的图像分析相结合，从而加速实验室工作流程。尽管基于植物的碳酸钙制备方法前景可观，而银路线仍需改进，少样本学习框架已表明，可靠的颗粒分类并不需要庞大的图像库。类似方法有望帮助小型研究团队或诊所快速检查纳米材料的类型与质量，推动其在医学和其它技术领域更安全、更一致地应用。

引用: Venkatappa, U., Bhat, S., Dixit, M. et al. Few-shot learning for classification of SEM images from green-synthesized nanoparticles of Momordica cymbalaria. Sci Rep 16, 16185 (2026). https://doi.org/10.1038/s41598-026-46307-1

关键词: 绿色纳米技术, 少样本学习, SEM图像分类, Momordica cymbalaria, 纳米颗粒合成