Batch-Invariant Spectral Intelligence for Robust and Explainable Insect Authentication

Resumen Técnico: Inteligencia Espectral Invariante de Lotes para la Autenticación Robusta y Explicable de Insectos

Planteamiento del Problema
La integración de insectos comestibles (específicamente Acheta domesticus, Hermetia illucens y Tenebrio molitor) en la cadena de suministro mundial de alimentos requiere una autenticación de especies fiable para garantizar el cumplimiento normativo, prevenir la adulteración y gestionar la exposición a alérgenos. Aunque la espectroscopia de infrarrojo cercano (NIR) ofrece una herramienta analítica rápida y no destructiva, su rendimiento se ve severamente comprometido por los "efectos de lote". La variación espectral surge de la deriva del instrumento, las fluctuencias ambientales y, críticamente, de los tratamientos específicos de producción como el escaldado, la exposición al agua activada por plasma (PAW) y la aplicación de ultrasonidos. Estos tratamientos inducen cambios físicos y químicos (p. ej., desnaturalización de proteínas, oxidación de lípidos, redistribución de la humedad) que perturban las regiones espectrales que se solapan con las características discriminativas de las especies. En consecuencia, los modelos entrenados en lotes específicos suelen fallar al generalizarse a lotes de producción no vistos, una limitación que no ha sido abordada adecuadamente por las técnicas estándar de preprocesamiento o de adaptación de dominio post-hoc.

Metodología
Los autores proponen la Red Espectral Invariante de Lote (BISN, por sus siglas en inglés), un marco de aprendizaje profundo de extremo a extremo diseñado para suprimir la variación espectral específica del lote antes de que se aprendan las características específicas de la especie. La arquitectura consta de cuatro componentes optimizados conjuntamente:

1. Módulo de Preprocesamiento Informado: Una capa de convolución 1D aprendible inicializada con coeficientes de filtrado de Savitzky–Golay (SG). Este módulo mapea los espectros brutos a una representación invariante de lote. A diferencia de los filtros estáticos, los pesos del núcleo son entrenables, lo que permite a la red adaptarse para suprimir el ruido inducido por el lote preservando la estructura bioquímica. El seguimiento de la normalización de instancia estabiliza la escala espectral global.
2. Codificador Atento Disperso: Este componente genera una incrustación latente compacta (8 dimensiones) a partir del espectro preprocesado. Emplea un transformador de "división" para crear una máscara de atención de longitud de onda dispersa mediante la función sparsemax, seleccionando únicamente las longitudes de onda bioquímicamente más informativas. Un regularizador de entropía evita que el mecanismo de atención colapse en una sola longitud de onda, asegurando una representación distribuida de características espectrales complementarias.
3. Clasificador de Especies: Una capa lineal que mapea la incrustación latente a probabilidades de clase de especie, optimizada mediante pérdida de entropía cruzada.
4. Rama de Lote Regularizada por Entropía: Una rama adversaria conectada al módulo de preprocesamiento mediante una Capa de Reversión de Gradiente (GRL). A diferencia de las Redes Neuronales de Adversarias de Dominio (DANN) tradicionales que imponen la invariancia en las características latentes, la BISN impulsa las predicciones de lote hacia una distribución uniforme mediante la maximización de la entropía de Shannon de la distribución de predicción de lote. Esto obliga al módulo de preprocesamiento a eliminar la información identificativa del lote de la representación de entrada misma.

El objetivo de entrenamiento combina la entropía cruzada de la especie, la regularización de dispersión de la atención y la entropía negativa de las predicciones de lote, con un peso adversario que se somete a un recocido (annealing) durante el entrenamiento.

Contribuciones Clave

• Invariancia de Dominio Aguas Arriba: La BISN desplaza el objetivo de invariancia de dominio hacia "aguas arriba", suprimiendo los efectos de lote en la etapa de preprocesamiento en lugar de después de la extracción de características. Esto contrasta con la DANN, que opera en las características latentes y deja intactas las estructuras espectrales iniciales.
• Interpretabilidad Bioquímica: El marco integra Gradientes Integrados (IG) y optimización contrafactual restringida por región para validar que las decisiones del modelo se basan en regiones de absorción bioquímica conocidas (lípidos, proteínas, agua) en lugar de artefactos de lote.
• Diseño Experimental Robusto: El estudio utiliza un conjunto de datos exhaustivo de 2.700 espectros que cubren tres especies de insectos, tres lotes de producción independientes y un diseño factorial completo de tratamientos de procesamiento (escaldado, PAW, ultrasonidos), simulando la variabilidad industrial realista.

Resultados
Evaluada bajo un protocolo estricto de Dejar un Lote Fuera (LOBO), la BISN alcanzó una precisión media de 0,93 (desviación estándar de 0,04) y una puntuación F1 macro de 0,93.

• Comparación de Rendimiento: La BISN superó al modelo de referencia más fuerte (DANN con preprocesamiento clásico) por cuatro puntos porcentuales ($p < 10^{-6}$). Aunque el preprocesamiento clásico mejoró los modelos de referencia (por ejemplo, TabNet mejoró de 0,75 a 0,88), no igualó la robustez del preprocesamiento aprendible de la BISN.
• Análisis de Representación: El Análisis de Componentes Principales (PCA) y el MANOVA revelaron que la incrustación latente de la BISN aumentó significamente la relación de varianza de especie-a-lote (de ~12 en los espectros brutos a ~85 en la incrustación). La incrustación formó grupos de especies compactos y bien separados, con las muestras de lote distribuidas uniformemente dentro de cada grupo.
• Interpretabilidad: Las atribuciones de IG destacaron consistentemente las regiones de absorción de lípidos (C–H) y proteínas (N–H) como los principales impulsores de la discriminación. El análisis contrafactual confirmó que modificar estas regiones específicas era suficiente para corregir las clasificaciones erróneas, validando que el modelo aprendió características con base bioquímica en lugar de correlaciones espurias.
• Estudios de Ablación: Eliminar el módulo de preprocesamiento aprendible causó una caída significativa en la precisión (0,93 a 0,73), confirmando su papel como el mecanismo principal para la generalización entre lotes. La inicialización SG aceleró la convergencia pero no alteró la precisión final.

Significancia y Reivindicaciones
El artículo afirma que la BISN aborda la brecha crítica entre la espectroscopia de laboratorio de alta precisión y el despliegue industrial robusto, resolviendo simultáneamente la generalización entre lotes y proporcionando interpretabilidad bioquímica. Los autores sostienen que su enfoque logra desacoplar la estructura espectral discriminativa de la especie de la variación inducida por el lote de producción y el tratamiento. Al demostrar que las decisiones del modelo se alinean con la bioquímica conocida de los insectos (fracciones de lípidos y proteínas), el trabajo cierra la brecha entre el rendimiento predictivo y la comprensión mecánica, ofreciendo una vía viable para la autenticación de insectos automatizada y en tiempo real en entornos industriales complejos y variables. Los autores señalan limitaciones respecto a la confusión de la variación biológica y la de adquisición debido a las fechas de compra separadas, así como la necesidad de una mayor validación de las señales basadas en pigmentos bajo condiciones operativas.