马刀为竹蛏科动物长竹蛏 Solen strictusGould、大竹蛏 Solen grandisDunker 及刀蛏科小荚蛏 Siliqua minimaGmelin 的贝壳 [ 1 ] 。其活体多分布于我国沿海浅海及潮间带的沙质底中。因其壳形酷似武士佩刀，故得名 " 马刀 "。在广西钦州、防城港等沿海地区，马刀已有数百年的药用历史 [ 1 ] ，民间通常采用 " 壳 - 肉共入药 " 的方式：壳经煅研后外用，可敛疮止血、收湿生肌；鲜肉或煮汤服用，则具有清热化痰、软坚散结，常用于瘰疬、甲状腺肿、痰核等症状 [ 2 ] 。与陆地植物药不同，海洋贝壳类药材（如牡蛎、石决明、马刀等）的品质形成具有鲜明的海洋环境依赖性。生长海域的盐度、温度、底质类型、潮间带位置及食物来源等因素，均可显著影响贝壳的矿化程度、有机基质组成及微量元素赋存状态。广西北部湾近岸海域营养盐丰富，温盐适宜，为海洋生物的生长、繁殖和栖息提供了良好环境。以马刀为例，其贝壳中碳酸钙以文石晶型为主，同时含有少量糖蛋白、几丁质、牛磺酸等海洋特征成分，后者与 " 清热化痰、软坚散结 " 等海洋中药特有功效密切相关 [ 3-4 ] 。然而，现行的广西地方标准对马刀的质量控制主要参照陆地矿物药模式，仅对碳酸钙、浸出物及酸不溶性灰分等常规指标进行控制，难以反映海洋环境对其品质形成的差异化影响，也无法客观评价其整体质量。此外，马刀常与牡蛎、蛤壳等海洋贝壳类药材混用或替代流通，但它们在无机晶型、有机组成及功效偏向上存在差异，现行的质量控制方法难以实现其准确鉴别与评价 [ 5 ] 。因此，亟需建立一种能够同时反映其无机结构特征与有机活性成分、并适用海洋药材复杂基源与环境差异的快速、综合评价方法，以保障马刀药材的质量稳定性，完善道地药材标准体系，推动海洋药材产业的规范发展。

然而，如何将基于 NIR 预测的多指标分析结果转化为可用于质量评价的信息，仍是当前中药材检测领域面临的关键挑战 [ 14-15 ] 。现有研究多集中于单一或多成分的定量分析，在多指标综合评价方面仍存在不足。尽管已有研究引入 Fq 等综合指标整合多成分信息 [ 16-17 ] ，并将定量检测结果与统计学方法相结合，以增强评价的整体性与一致性 [ 18 ] ，但多准则决策方法的应用仍受到限制。通过准则间相关性衡量准则重要性（criteria importance through intercriteria correlation，CRITIC）方法综合考虑各指标的标准差与相关性，能够客观衡量指标信息量及其冲突性，有助于避免人为赋权带来的主观偏差 [ 19 ] 。同时，结合逼近理想解排序法（technique for order preference by similarity to ideal solution，TOPSIS）算法，通过计算样品之间的距离实现量化排序 [ 20 ] ，该 " 权重确定＋距离评价 " 的组合策略在多指标综合评价中发挥了重要作用 [ 21-22 ] 。

本研究以海洋中药马刀为例，在测定 90 批样品中碳酸钙、氨基酸、浸出物及酸不溶性灰分含量的基础上，整合 NIRS-CNN 与 CRITIC-TOPSIS 等 AI 辅助技术，构建了针对不同基原马刀的快速等级评价模型，实现了其品质的数智评价，为海洋中药的质量控制提供了一种创新的评价范式。

1 仪器与材料

1.1 仪器

Master10D 型傅里叶变换近红外光谱仪，中国荧飒光学公司；TENSOR 37 型近红外光谱仪，德国 Brucker 公司；Spark 型多功能酶标仪，上海 TECAN 公司；HU3120B 型超声仪，天津恒奥科技公司；DZKW-4 型电热恒温水浴锅，北京永光明医疗仪器公司。CP224S 型电子分析天平（德国赛多利斯公司），XS205 型电子分析天平（瑞士梅特勒 - 托利多公司），KQ-600E 型数控超声波清洗器（昆山市超声仪器有限公司），Milli-Q 型超纯水机（美国 Millipore 公司）。

1.2 药材

90 批马刀样品（S1～S90）于 2025 年 1 月至 2025 年 8 月分别采自广西北海市（29 批）、钦州市（22 批）及防城港市（39 批）的沿海潮间带及邻近海鲜市场，具体见表 1。所有样品经广西中医药大学黄勇教授鉴定，其中 18 批长竹蛏 S.strictus Gould、39 批大竹蛏 S. grandisDunker、33 批小荚蛏 S. minimaGmelin。样品采集后立即去除软体组织，洗净贝壳表面附着物，阴干、粉碎，过二号筛，备用。

1.3 试剂

甘氨酸、苯酚、茚三酮、乙二胺四醋酸二钠滴定液（0.05 mol/L）、碳酸钙对照品（质量分数 99% 计）、氢氧化钠、甲基红、钙黄绿素、盐酸均购自。

2 方法与结果

2.1 4 项指标的含量测定

2.1.1 总氨基酸的测定 [ 23 ] 取 0.5 g 马刀粉末，加 10 mL 10% 稀盐酸溶解，离心，弃去上清，将沉淀转移到 10 mL 水解管内，加 5 mL 6 mol/L 盐酸，同时加入 2～3 滴苯酚，充氮气，密封，于 150 ℃烘箱内反应 2 h 后取出，转移至 10 mL 量瓶中，加入 6 mol/L 氢氧化钠溶液 5 mL 定容至刻度，用 0.45 μ m 滤膜滤过后即得。分别精密移取甘氨酸对照品溶液（1.0 mg/mL）0.1、0.2、0.4、0.6、0.8、1.0 mL 置于带塞试管中，加入 1 mL pH 6 的磷酸盐缓冲溶液混匀，再加入 1.5 mL 2% 茚三酮溶液，于 100 ℃沸水浴中反应 20 min 后，转移至 10 mL 量瓶，定容，混匀后于 568 nm 处测定吸光度（A）值。以质量浓度为横坐标（X），A 值为纵坐标（Y）绘制标准曲线，Y＝0.011 5 X－0.038 7，其中相关系数 R2 为 0.999 3，甘氨酸在 0.01～0.100 mg/mL 线性关系良好。方法学考察结果显示，精密度 RSD ≤ 1.33%；重复性 RSD ≤ 0.87%；120 min 内的稳定性 RSD ≤ 0.72%；加样回收率在 94.2%～106.2%，RSD ≤ 1.94%，以上实验结果表明该方法能满足总氨基酸含量测定要求。马刀样品中总氨基酸含量见表 2。

2.1.2 碳酸钙的测定 [ 23 ] 精密称取碳酸钙对照品适量，置于置锥形瓶中，加稀盐酸 10 mL，加热使溶解，加水 20 mL 与甲基红指示液 1 滴，滴加 10% 氢氧化钾溶液至溶液显黄色，再继续加入 10 mL，随后加入少量钙黄绿素指示剂，用乙二胺四醋酸二钠滴定液（0.05 mol/L）滴定至溶液黄绿色荧光消失而显橙色。每 1 mL 乙二胺四醋酸二钠滴定液（0.05 mol/L）相当于 5.004 mg 碳酸钙（CaCO3）。以对照品用量为横坐标（X），以乙二胺四醋酸二钠滴定溶液消耗体积为纵坐标（Y），得回归方程 Y＝200.21X－0.04，相关系数 R2 为 0.999 8，在 20～120 mg 内线性关系良好。重复性实验显示，其 RSD ≤ 1.02%；样品溶液在测定时间内稳定性良好，RSD ≤ 1.56%；加样回收率在 99.3%～101.6%，RSD ≤ 0.96%，表明该方法重复性、稳定性和准确度均满足分析要求。马刀样品中碳酸钙含量见表 2。

2.1.3 酸不溶性灰分及浸出物测定酸不溶性灰分按《中国药典》2025 年版通则 2302 测定 [ 23 ] ，浸出物按通则 2201 项下的热浸法测定，旨在模拟马刀水煎煮汤剂的水溶性成分溶出情况，与传统用法保持一致。马刀样品中酸不溶性灰分及浸出物含量见表 2。

2.2NIRS 采集

将马刀样品粉碎后过二号筛，取约 1 g 的供试品粉末均匀地置于直径 2 cm 的石英杯中，通过 Master 10D 傅里叶变换近红外光谱仪在漫反射模式下，扫描并采集 NIRS 光谱（图 1）。光谱采集范围为 12 000～4 000 cm − 1，分辨率为 8 cm − 1，每个光谱扫描 64 次。每个批次样品平行测定 3 次，分别对 90 批次的马刀样品进行 NIRS 光谱采集，取平均光谱用于后续分析。

2.3 偏最小二乘法（partial least squares，PLS）建立定量模型

参照文献方法 [ 18 ] ，用于预测马刀四项检测指标的含量。建模预处理方法均选用一阶导数加矢量归一化，建模波段选择在 6 000～4 000 cm − 1 内，光谱数据经标准化和方差过滤（阈值 0.001）后，并利用 PLS 建立近红外定量回归建模。模型在 80 批次训练集上拟合，将预测值反标准化后计算 10 批测试集评价指标（R2、RMSE）。PLS 模型旨在评估线性方法在多组分预测中的性能，并用于与后续 CNN 模型进行对比。由图 2 可知，总氨基酸、碳酸钙、浸出物、及酸不溶性灰分的所有 NIRS 预测模型 R ² text 平均值为 0.78，RMSE 平均值为 0.370 2，表明 PLS 模型在一定程度上可满足快速检测的要求。

2.4 多任务 CNN 深度学习框架的构建

基于多任务 CNN 结构构建深度学习框架，网络由特征提取模块、多头自注意力模块（multi-head self attention，MHSA）和回归预测模块组成（图 3）。特征提取模块包含 4 个卷积块：第 1 块为 64 个 1D 卷积核（核大小 30）、批归一化（batch norm，BN）及空间 Dropout（0.2）；第 2 块为 128 个卷积核（核大小 15，步长 2）、BN 及最大池化（池大小 2）；第 3 块为 256 个卷积核（核大小 10，步长 2）、BN 及最大池化；第 4 块为 512 个卷积核（核大小 5，步长 1）、BN。随后引入残差连接：经 512 个卷积核（核大小 3）的卷积层输出与输入相加，经修正线性单元（rectified linear unit，ReLU）激活。MHSA 设置 8 个注意力头，键维度为 32。输入特征图经线性变换得到查询、键、值矩阵，计算缩放点积注意力，将多头输出拼接后投影回原通道数，并输出每个位置的重要性权重。该模块可捕捉光谱的全局依赖关系。回归预测模块首先对注意力输出进行全局平均池化，得到固定长度向量，然后依次经过 256 和 128 个神经元的全连接层（Dropout 率分别为 0.4 和 0.3），最后通过线性输出层得到 4 种检测指标的预测值。

将 90 批样品按分层随机抽样划分为训练集（80 批）和测试集（10 批）。为评估多任务 CNN 模型对 4 个输出指标（总氨基酸、碳酸钙、酸不溶性灰分、浸出物）的同步预测能力，在训练集上采用五折交叉验证进行超参数调优，计算各指标的预测决定系数（R2text）和均方根误差（RMSE），最终在测试集上评估模型泛化性能。由图 4 可知，所有模型 R2cal 均超过 0.88，表明模型能够有效提取光谱与成分间的非线性关联。总体而言，多任务学习通过共享表示增强了模型的泛化能力，四个指标的平均 R2text 达到 0.91，平均 RMSEP 为 0.163 6，预测能力比采用完全相同预处理流程的近红外 PLS 建模方法更强（表 3），能更好满足快速评价对精度的要求。

2.5 基于多任务 CNN 模型的马刀品质智能评价平台的建立

待测样本的光谱数据首先进行标准正态变换（standard normal variate transformation，SNV）、Savitzky-Golay 平滑及 Z-score 标准化，并经方差阈值筛选保留 1 501 个特征波数。将处理后的光谱向量输入已训练的多任务 CNN 模型，该模型由特征提取、MHSA 及回归预测 3 部分组成。特征提取模块通过四层卷积（卷积核数 64 → 128 → 256 → 512，核大小 30、15、10、5）和残差连接提取局部特征；MHSA 模块（8 头，键维度 32）捕获全局依赖关系，输出增强特征及每个位置的重要性权重 α；增强特征经全局平均池化和全连接层后，线性输出四种成分的预测值。模型前向传播过程中，注意力权重 α 通过线性插值映射回原始波长尺度，计算各波长平均注意力，筛选高于 70% 分位数的波长作为关键波段，用于光谱解释。将预测成分 ŷ 送入 CRITIC-TOPSIS 模块进行综合质量评价。首先基于训练集真实成分含量，采用 CRITIC 确定 4 个指标的客观权重最后，依据训练集 C 值的均值 µ 标准差，将 C 划分为 5 个等级：一等（优，C ≥ µ＋1.5 σ）、二等（良好，µ＋0.5 σ ≤ C＜µ＋1.5 σ）、三等（中等，µ－0.5 σ ≤ C＜µ＋0.5 σ）、四等（较差 µ－1.5 σ ≤ C＜µ－0.5 σ）、五等（差，C＜µ－1.5 σ）。平台最终输出每个样本的 4 种指标预测值、综合得分及质量等级，同时提供关键波长重要性图谱，实现从光谱到质量等级的自动化评价。整个流程在 Python 环境中运行 [ 23 ] 。

基于训练集 80 批样品的数据，采用 CRITIC 计算各指标的客观权重，其中总氨基酸为 0.313 1、碳酸钙为 0.206 4、浸出物为 0.242 9、酸不溶性灰分为 0.237 5，进而得到 TOPSIS 综合得分。基于 CRITIC-TOPSIS 方法对 80 批样品进行综合评价，结果表明样品得分主要分布在 0.25～0.86，呈现近似正态分布特征，其中一等样品 7 个（得分：1.0～0.64）、二等样品 13 个（得分：0.64～0.48）、三等样品 33 个（得分：0.48～0.33），四等样品 25 个（得分：0.33～0.18），五等样品 2 个（得分：0.18～0.00）。其中三等样品占比最高，说明样品整体品质处于中等水平；一等样品数量较少，表明同时具备优良氨基酸含量、较高浸出物及较低矿物成分的样品有限。此外，各等级之间界限清晰（图 7）。采用单因素方差分析（analysis of variance，ANOVA）检验 5 个等级间综合得分的差异，结果显示 F ( 4,75 ) ＝177.089，P＜0.001，表明各等级间整体差异极显著。进一步的事后检验（Tukey HSD）显示，结果表明相邻等级间均存在显著差异（P＜0.001），说明该等级划分具有良好的区分能力与统计学可靠性。