Batch-Invariant Spectral Intelligence for Robust and Explainable Insect Authentication

Résumé Technique : Intelligence Spectrale Invariante aux Lots pour une Authentification Robuste et Explicable des Insectes

Énoncé du Problème
L'intégration des insectes comestibles (spécifiquement Acheta domesticus, Hermetia illucens et Tenebrio molitor) dans la chaîne d'approvisionnement alimentaire mondiale nécessite une authentification des espèces fiable pour garantir la conformité réglementaire, prévenir l'adultération et gérer l'exposition aux allergènes. Bien que la spectroscopie proche infrarouge (NIR) offre un outil analytique rapide et non destructif, ses performances sont sévèrement compromises par les « effets de lot » (batch effects). La variation spectrale provient de la dérive des instruments, des fluctuations environnementales et, de manière critique, des traitements spécifiques à la production tels que le blanchiment, l'exposition à l'eau activée par plasma (PAW) et l'application d'ultrasons. Ces traitements induisent des changements physiques et chimiques (par exemple, la dénaturation des protéines, l'oxydation des lipides, la redistribution de l'humidité) qui perturbent les régions spectrales chevauchant les caractéristiques discriminantes des espèces. Par conséquent, les modèles entraînés sur des lots spécifiques échouent souvent à se généraliser à des lots de production inédits, une limitation qui n'est pas adéquatement traitée par les techniques de prétraitement standard ou d'adaptation de domaine post-hoc.

Méthodologie
Les auteurs proposent le Réseau Spectral Invariant aux Lots (BISN - Batch-Invariant Spectral Network), un cadre d'apprentissage profond de bout en bout conçu pour supprimer la variation spectrale spécifique au lot avant l'apprentissage des caractéristiques spécifiques à l'espèce. L'architecture se compose de quatre composants optimisés conjointement :

1. Module de Prétraitement Informé : Une couche de convolution 1D apprenable, initialisée avec des coefficients de filtrage de Savitzky–Golay (SG). Ce module cartographie les spectres bruts vers une représentation invariante au lot. Contrairement aux filtres statiques, les poids du noyau sont entraînables, permettant au réseau de supprimer de manière adaptative le bruit induit par le lot tout en préservant la structure biochimique. Une normalisation par instance suit pour stabiliser la mise à l'échelle spectrale globale.
2. Encodeur Attentionnel Creux : Ce composant génère un plongement latent compact (8 dimensions) à partir du spectre prétraité. Il utilise un transformateur « split » pour créer un masque d'attention de longueur d'onde creux via la fonction sparsemax, sélectionnant uniquement les longueurs d'onde les plus informatives sur le plan biochimique. Un régulariseur d'entropie empêche le mécanisme d'attention de s'effondrer sur une seule longueur d'onde, garantissant une représentation distribuée de caractéristiques spectrales complémentaires.
3. Classificateur d'Espèces : Une couche linéaire cartographiant le plongement latent vers les probabilités de classe d'espèces, optimisée via une perte d'entropie croisée.
4. Branche de Lot Régularisée par l'Entropie : Une branche adversaire connectée au module de prétraitement via une Couche de Renversement de Gradient (GRL). Contrairement aux réseaux de neurones d'adaptation de domaine (DANN) traditionnels qui imposent l'invariance sur les caractéristiques latentes, le BISN pousse les prédictions de lot vers une distribution uniforme en maximisant l'entropie de Shannon de la distribution de prédiction du lot. Cela force le module de prétraitement à éliminer l'information d'identification du lot de la représentation d'entrée elle-même.

L'objectif d'entraînement combine l'entropie croisée des espèces, la régularisation de la parcimonie de l'attention et l'entropie négative des prédictions de lot, avec un poids de l'adversaire qui est lissé (annealed) pendant l'entraînement.

Principales Contributions

• Invariance de Domaine en Amont : Le BISN déplace l'objectif d'invariance de domaine en amont, supprimant les effets de lot lors de l'étape de prétraitement plutôt qu'après l'extraction de caractéristiques. Cela contraste avec le DANN, qui opère sur les caractéristiques latentes et laisse intactes les structures spectrales initiales.
• Interprétabilité Biochimique : Le cadre intègre les Gradients Intégrés (IG) et l'optimisation contrefactuelle contrainte par région pour valider que les décisions du modèle reposent sur des régions d'absorption biochimiques connues (lipides, protéines, eau) plutôt que sur des artefacts de lot.
• Conception Expérimentale Robuste : L'étude utilise un ensemble de données complet de 2 700 spectres couvrant trois espèces d'insectes, trois lots de production indépendants et un plan factoriel complet de traitements de transformation (blanchiment, PAW, ultrasons), simulant une variabilité industrielle réaliste.

Résultats
Évalué sous un protocole strict de Leave-One-Batch-Out (LOBO), le BISN a atteint une précision moyenne de 0,93 (écart-type de 0,04) et un score F1 macro de 0,93.

• Comparaison de Performance : Le BISN a surpassé la base de référence la plus forte (DANN avec prétraitement classique) de quatre points de pourcentage ($p < 10^{-6}$). Bien que le prétraitement classique ait amélioré les modèles de base (par exemple, TabNet est passé de 0,75 à 0,88), il n'a pas égalé la robustesse du prétraitement apprenable du BISN.
• Analyse de Représentation : L'analyse en composantes principales (PCA) et la MANOVA ont révélé que le plongement latent du BISN augmente significativement le ratio de variance espèce-sur-lot (passant d'environ 12 dans les spectres bruts à environ 85 dans le plongement). Le plongement forme des clusters d'espèces compacts et bien séparés, les échantillons de lots étant distribués uniformément au sein de chaque cluster.
• Interprétabilité : Les attributions IG ont systématiquement mis en évidence les régions d'absorption des lipides (C–H) et des protéines (N–H) comme principaux moteurs de la discrimination. L'analyse contrefactuelle a confirmé que la modification de ces régions spécifiques était suffisante pour corriger les erreurs de classification, validant que le modèle a appris des caractéristiques ancrées biochimiquement plutôt que des corrélations spécieuses.
• Études d'Ablation : Le retrait du module de prétraitement apprenable a provoqué une chute significative de la précision (de 0,93 à 0,73), confirmant son rôle de mécanisme principal pour la généralisation inter-lots. L'initialisation SG a accéléré la convergence mais n'a pas modifié la précision finale.

Signification et Revendications
L'article affirme que le BISN comble l'écart entre la spectroscopie de haute précision en laboratoire et le déploiement industriel robuste en résolvant simultanément la généralisation inter-lots et en fournissant une interprétabilité biochimique. Les auteurs soutiennent que leur approche parvient à découpler la structure spectrale discriminante de l'espèce de la variation induite par le lot de production et le traitement. En démontuant que les décisions du modèle s'alignent sur la biochimie connue des insectes (fractions lipidiques et protéiques), ce travail fait le pont entre la performance prédictive et la compréhension mécaniste, offrant une voie viable pour l'authentification automatisée et en temps réel des insectes dans des environnements industriels complexes et variables. Les auteurs notent des limites concernant la confusion entre la variation biologique et celle de l'acquisition due à des dates d'achat distinctes, ainsi que la nécessité d'une validation supplémentaire des indices basés sur les pigments dans des conditions opérationnelles.