光州科学技术院（GIST）环境·能源工学系30日表示，由Park Gihong教授研究团队成功分析了在中国和韩国收集的超细颗粒物（PM2.5）的化学成分和氧化潜势（oxidative potential, OP），并在此基础上开发出人工智能（AI）预测模型。
研究团队注意到，仅凭超细颗粒物的浓度，无法充分解释其对人体健康的影响，因此将细颗粒物在体内诱发氧化应激的能力（氧化潜势）作为新的健康风险指标加以利用。
直接测定超细颗粒物中的有害成分及其毒性，需要耗费大量时间和成本。为此，研究团队在数年间于韩国、中国等国内外城市与农村地区同步采集了▲浓度 ▲化学成分 ▲氧化毒性（OP）数据，并用于训练AI模型。结果，从中筛选出仅凭浓度和化学成分就能最精准预测氧化毒性的最优模型。
尤其是研究团队应用了“可解释人工智能”（Explainable AI, XAI），厘清了对超细颗粒物氧化毒性影响最大的化学成分。结果显示，在构成细颗粒物的成分中，▲锰（Mn）▲铅（Pb）▲铜（Cu）▲锌（Zn）▲水溶性有机碳（WSOC）是关键因素。其中，对氧化毒性影响最大的是锰（Mn），其后依次为铅（Pb）、水溶性有机碳（WSOC）、铜（Cu）、锌（Zn）。
此外，通过XAI分析，还揭示了化学成分之间的相互作用效应。例如，当铜（Cu）浓度在0.004㎍/㎥以上时，与水溶性有机碳（WSOC）之间会出现显著的拮抗效应（antagonistic effect，即两种物质相互削弱对方作用的现象），从而抑制氧化潜势（OP）的上升。这一成果发现了仅凭传统统计分析难以揭示的非线性相互作用（并非线性正比关系，而是以复杂方式表现的相互影响）。
此次开发的AI模型不局限于特定国家或地区，可在多种环境下精细诊断超细颗粒物的健康风险，并预测其变化趋势，有望用于预防公众健康风险和制定相关政策。研究团队期待，该技术今后将对开发新的超细颗粒物健康指标作出重要贡献，并认为不仅可用于评估室外颗粒物，也可用于分析室内产生的细颗粒物对健康的影响。
Park Gihong教授表示：“本研究的意义在于，提出了一种不仅考虑细颗粒物简单浓度，还将其化学特性及组成成分间相互作用一并纳入考量的精细健康风险评估方法”，并称“通过‘可解释AI’技术，不仅可以为大气污染管理，还可以为国家层面的政策制定提供科学依据”。
此次研究由GIST环境·能源工学系Park Gihong教授指导，博士课程研究生Lee Seunghye等人参与完成，获得科学技术信息通信部及韩国研究财团个人基础研究项目（中坚研究）等资助。研究成果已于本月11日在线发表在国际学术期刊《Journal of Hazardous Materials》上。
版权所有 © 阿视亚经济 (www.asiae.co.kr)。 未经许可不得转载。
