哈蟆油鉴别方法的历史演变与技术创新研究

Research on the historical evolution and technological innovation of identification methods for Oviductus Ranae

摘要

中药伪劣品泛滥严重扰乱市场秩序，而中药材质量的有效控制是确保临床疗效与用药安全的关键基础。传统动物药哈蟆油的主要伪品包括青蛙油、中华大蟾蜍油及明太鱼精巢等，主要混淆品则涉及琼脂糖蛋白胨、马铃薯与甘薯加工品等，建立一种高效、精准、低廉、无损的哈蟆油真伪鉴别技术对其质量评价与市场监管具有重要意义。本文系统综述了近年来哈蟆油鉴别方法的历史演变，涵盖传统经验鉴别阶段、仪器分析技术鉴别阶段、分子生物技术鉴别阶段以及人工智能（AI）技术鉴别阶段。此外，本文展望了深度学习技术在哈蟆油真伪鉴别、品质评价及产地溯源中的潜在应用价值，并为下一步实际应用提出了“构建哈蟆油表征数据集”和“深度学习评价哈蟆油品质”2个研究思路，对哈蟆油鉴定技术创新提供重要理论参考。

Abstract

The rampant circulation of counterfeit and inferior traditional Chinese medicines has severely disrupted market order. Effective quality control of these medicines is crucial foundation for ensuring clinical efficacy and medication safety. The main counterfeits of traditional animal-derived medicine Oviductus Ranae include frog oviducts, Bufo gargarizans oviducts, and the testes of Gadus chalcogrammus, while the primary adulterants involve agarose peptone, and processed potato and sweet potato products. Therefore, establishing an efficient, accurate, low-cost, and non-destructive identification technology for Oviductus Ranae is of great significance for its quality evaluation and market supervision. This paper systematically reviews the historical evolution of identification methods for Oviductus Ranae in recent years, covering traditional empirical identification stage, instrumental analysis technology identification stage, molecular biotechnology identification stage, and artificial intelligence (AI) technology identification stage. Furthermore, this paper explores the potential application value of deep learning technology in the authentication identification, quality assessment, and geographical origin tracing of Oviductus Ranae. This paper proposes two research approaches for the next step of practical application, mamely "constructing a characterization dataset for Oviductus Ranae" and "evaluating Oviductus Ranae quality using deep learning", providing the important theoretical references for the innovation of Oviductus Ranae identification technology.

Graphical abstract

关键词

中国林蛙 / 哈蟆油 / 鉴定 / 伪品 / AI技术

Key words

Chinese forest frog / Oviductus Ranae / identification / counterfeit product / artificial intelligence technology

哈蟆油作为我国传统名贵动物药，其化学成分明确，具显著的滋补功效与现代药理活性，在医药和保健领域具有持久而稳定的经济价值与药用价值。近年来，随着林蛙人工养殖技术的进步，哈蟆油的市场需求持续增长，消费群体不断扩大。然而，市场上层出不穷的混淆品与伪品，如青蛙油、中华大蟾蜍油、明太鱼精巢及各类加工制品，严重制约了哈蟆油产业的健康发展。目前，比较公认的哈蟆油的原基源动物为中国林蛙，《本草图经》是最早记录中国林蛙的史书。但国内外学者对哈蟆油的基源及其在动物学上的分类一直存在分歧，比较权威的集中观点主要有：中国林蛙、中国林蛙长白山亚种和东北林蛙。建立高效、精准的哈蟆油质量控制体系已成为行业发展的迫切需求。

在哈蟆油鉴别技术历史演变中，共经历了传统经验鉴定时期、仪器分析鉴定时期、分子生物鉴定时期和AI技术鉴定时期（见图1），研究者们不断推动着中药材质量控制方法的革新。这些技术进步不仅反映了学术界对哈蟆油品质评价的高度重视，更展现了中药质量控制领域从经验判断向智能化、标准化方向发展的趋势。

本文系统梳理了不同时期哈蟆油鉴别技术的应用进展与发展脉络，重点探讨人工智能技术在真伪鉴别、品质评价和产地溯源等方面的突破性应用，并进一步提出深度学习技术在哈蟆油质量评价体系构建中的创新思路，为中药质量控制研究提供新的理论参考和技术方向。

1 哈蟆油鉴定技术的历史演变

1.1 传统经验鉴定阶段

中药材“辨状论质”理论体系在我国已有近千年的发展历史，最早可追溯至先秦时期，在明代发展成熟，是一种直观、简便、快速的传统经验鉴别方法。该方法通过“眼观、手触、鼻闻、口尝”等多感官协同方式，系统考察药材的外观形态、色泽特征、表面纹理、断面特性、质地特征、气味特征等性状指标。在哈蟆油的鉴别中，传统经验法虽存在一定局限性，但通过性状比较仍可为初步判别提供参考依据。该方法常配合其他鉴定手段共同使用，目前仍是市场上普遍采用的经验性鉴别方式。此外，传统经验鉴定法还包括水试法和火试法。具体鉴别特征见表1。

1.2 仪器分析鉴定阶段

基于仪器方法的哈蟆油质量评价始于二十世纪三四十年代。当时，研究人员首次采用显微鉴别法，通过观察其组织构造、细胞形态及内含物等微观特征进行鉴定。随着现代分析技术的快速发展，中药材质量鉴定方法取得了显著进步。目前，薄层色谱、高效液相色谱、凝胶色谱、紫外光谱、红外光谱等多种分析技术已被广泛应用于中药材的质量控制研究。这些现代分析技术通过定性定量检测哈蟆油有效成分，不仅能够准确评价药材质量，还可以建立科学的质量标准体系。与传统经验鉴定方法相比，现代仪器分析技术具有灵敏度高、专属性强、重现性好等优势，为中药材的质量控制提供了更加客观、可靠的评价手段。仪器分析实现了哈蟆油鉴定从主观经验判断向客观定量定性的根本转向，后续鉴定技术体系的建立均有赖于此。这一鉴定阶段的演进，是哈蟆油质量鉴别水平获得跨越性提升的关键。见表2。

1.3 分子技术鉴定阶段^[9-11]

PCR技术与DNA条形码技术的兴起，为中药质量标准化体系的构建提供了革命性支撑。二者的结合应用，从根本上突破了传统经验鉴定方法在近缘物种区分、药材粉末鉴别等方面的技术瓶颈。在此推动下，哈蟆油的鉴别研究正式迈入分子生物学阶段。目前，《中国药典》已逐步将DNA分子鉴定技术纳入中药材质量标准体系，标志着该技术在中药质量控制中的权威地位日益确立。见表3。

1.4 人工智能鉴定技术阶段

“人工智能”这一概念最早可追溯至二十世纪五十年代，其核心可简要概括为通过计算机系统模拟人类行为与思维，并在此基础上实现功能拓展的一门高科技领域。该技术依托学习、建模与训练构建运算模型与知识库，目前已在众多行业中得到广泛应用。我国人工智能的发展自2015年起进入加速阶段，至2017年迈入新的发展时期。特别是在2025年2月，随着DeepSeek技术进入公众视野，社会对人工智能的认知与应用也迈向更深层次。日常生活中常见的机器视觉、指纹识别、专家系统、智能搜索等技术，实际上均属于“弱人工智能”范畴。与之相比，高级人工智能则主要由机器学习（特别是深度学习）、自然语言处理和计算机视觉这三大核心技术所驱动，其典型应用包括大语言模型/生成式AI、自动驾驶及AI for Science等前沿领域。随着人工智能技术的迅猛发展，AI已成为推动中药资源全产业链转型升级的核心驱动力。以哈蟆油为例，研究人员通过构建高精度图像数据库和关键活性成分数据库，结合深度学习算法，成功建立了智能化的质量评价模型。这一创新方法不仅克服了传统形态学鉴定主观性强、重现性差的固有缺陷，同时有效规避了仪器分析鉴别技术和分子生物鉴别技术存在的样品破坏性大、检测周期长、成本高昂等局限性。这种非破坏性、快速高效的智能检测模式，为中药质量控制提供了全新的技术路径，标志着中药质量评价体系正迈向智能化、数字化新时代。

1.4.1 基于计算机学习算法哈蟆油的质量评价

AI技术在中药材质量评价领域的兴起可追溯至2015年左右，直至2025年才首次出现将其应用于哈蟆油质量评价的研究报道。王海瑞等^[16]基于计算机学习算法，采用高光谱成像技术构建了不同产地哈蟆油和伪品黑斑侧褶蛙的预测模型。依次采集样品的全波段、可见近红外、短波红外波长范围内的高光谱图像，采用主成分分析与波谱角制图相结合的方式对图像进行分析，分别建立BP神经网络、极限学习机、决策树等3种预测模型，以膨胀度、含水量和蛋白质含量为主要预测因素。结果证实基于主成分分析可以实现哈蟆油与黑斑侧褶蛙真伪鉴定；基于波谱角制图法可以实现不同产地哈蟆油正品的鉴定。另外，通过对比分析发现，BP神经网络预测模型在3种模型中精确度最高。本研究代表了国内目前利用机器学习进行哈蟆油质量评价的最新进展。然而，由于所采用的样本总量有限，所构建的训练模型尚缺乏足够的普适性。值得注意的是1-甲基海因作为《中国药典》评价哈蟆油质量的关键指标，将其纳入机器学习预测因子将显著增强模型的说服力。

1.4.2 基于深度学习哈蟆油标准化、智能化品质评价体系的构建

哈蟆油作为吉林省地理标志性产品，因存在用药安全性问题，目前尚未被批准作为食品原料进行开发与利用。此外，市场上伪劣哈蟆油混杂的现象严重扰乱了行业秩序与品质保障。因此，品质与安全已成为制约哈蟆油产业高质量发展的两大关键因素。基于深度学习方法构建标准化、智能化哈蟆油品质评价体系，将为哈蟆油的深度开发与产业升级奠定坚实基础。

近3年来，国内基于图像处理与深度学习的中药材识别、真伪鉴别及品质分析研究呈现蓬勃发展的态势，相关报道层出不穷。计算机技术与医药学科的深度融合，正持续推动中药材质量评价方法的革新。检索发现，当前深度学习在中药材识别与评价中的应用多集中于植物药材，而在动物药领域的研究仍相对较少。

基于图像特征的自动化分类，通过分割模型实现精准定位，突破传统质量控制的局限性，提升客观性与标准化程度。解决传统哈蟆油质量评价依赖人工观察（如外观、颜色、纹理、杂质等），受检测者经验影响大，且效率低、一致性差的弊端。构建哈蟆油“图像特征-表型品质”的映射关系，形成可追溯的数字化评价标准。计算机视觉技术的快速发展为中药材高通量表型分析提供了新的技术手段，但目前存在目标尺寸显著变化及图像内容的多样性导致特征提取不充分及计算资源消耗大两大挑战。针对这些技术瓶颈，作者提出“从应用场景适配”和“算法创新”两个方向开展研究，通过构建覆盖哈蟆油全生长周期的标准化表型图像数据集（见图2），并结合轻量化多尺度特征提取深度学习模型，建立高效、准确的智能品种鉴定新方法（见图3）。

1.4.3 基于高光谱成像技术和深度学习哈蟆油药材品质评价与表型图谱构建的研究

哈蟆油的膨胀度和1-甲基海因含量为其核心品质指标，《中华人民共和国药典》（2025版）中规定哈蟆油的膨胀度≥55，哈蟆油粉末回流提取制备的供试品液，在高效液相色谱（High Performance Liquid Chromatography，HPLC）中应呈现与1-甲基海因对照品色谱峰保留时间一致的色谱峰。因此，将膨胀度与1-甲基海因含量确立为哈蟆油品质的关键评价指标，兼具充分的理论依据与技术可行性。

SCAtt-3DCNN模型^[17]可以实现膨胀度的精准预测。整合空间和通道注意力机制，聚焦关键光谱区域和空间特征，采用自定义的平均池化策略优化三维特征提取过程，充分利用高光谱数据的立体信息，提升预测精度。知识驱动的TabTransformer^[18-19]可以用于1-甲基海因含量的精准预测。通过提取高光谱数据的平均反射率特征，结合品种先验知识进行独热编码，构建融合领域知识的特征输入矩阵。采用改进的TabTransformer架构，利用多头自注意力机制深度挖掘光谱特征与化学成分的潜在关联，并通过残差连接优化特征传递过程（见图4）。

2 讨论

本文系统梳理了哈蟆油鉴别方法的研究进展与发展脉络，可清晰地划分为四个重要阶段：传统经验鉴别时期、仪器分析鉴别时期、分子生物鉴别时期和AI技术鉴别时期。前三个发展阶段的方法仍存在主观性强、检测周期长、成本高、样品破坏等问题，始终未能建立真正满足实际市场需求的快速、便捷、高效的评价体系。传统经验鉴定技术主要依赖对哈蟆油外部特征的直观判断，作为各类鉴定方法的基础，该方法易受人为主观因素影响；仪器分析鉴定技术则依托仪器设备进行定性与定量检测，其结果的稳定性易受仪器性能波动的影响；分子生物学鉴定技术基于物种特有的遗传信息，结合仪器分析实现检测，具备较强的特异性和精确性；而AI技术鉴定则融合高光谱技术与计算机分析^[20]，通过仪器提取表征信息，利用计算机进行深度学习，完成模型训练与构建，最终实现哈蟆油品质的智能分类与综合评价。综上所述，这几代鉴定技术相互补充、紧密联系，共同构建了一套多维度的现代化鉴定体系，为哈蟆油的真伪鉴定与品质分类提供了科学、准确的多重保障。

随着AI技术的蓬勃发展，深度学习等先进算法在中药鉴别领域展现出巨大潜力，目前，已有研究者采用机器学习算法，依托高光谱技术通过对比膨胀度、含水量、蛋白含量等指标成分，初步开展了哈蟆油鉴定及品质评价^[16]，这一研究成果为构建哈蟆油新型快速检测体系开辟了创新路径。目前，将人工智能技术应用于哈蟆油质量评价的相关研究尚处于初步探索阶段，现有工作主要集中在机器学习方法的初步应用。因此，为实现哈蟆油质量控制的智能化升级，构建一种兼具快速、精准、经济和无损特性的鉴定方法是当前研究的重点方向，深度学习技术为实现这一目标提供了创新性解决方案^[21-22]。具体而言，作者正在以下技术路径实现：首先，建立标准化的哈蟆油多维度表征图像数据库，包括显微特征、外观形态等多尺度图像数据，利用深度卷积神经网络进行特征提取和分类建模^[23]，实现基于图像识别的智能品质鉴定。虽然哈蟆油数据集的构建需要前期投入大量样本，并涉及破坏性成分检测，但其投入产出比具有显著优势。

这种“前期投入大、后期维护成本低”的技术路径，不仅大幅提升了鉴定效率，也为中药材质量控制提供了可持续的智能化解决方案。其次，基于HPLC-高光谱联用技术，创新性地将表征图像数据与关键质量指标1-甲基海因含量^[1]和膨胀度^[1]等理化参数进行多模态数据融合，通过深度神经网络构^[24]建哈蟆油质量分级预测模型，实现从外观特征到内在质量的智能化关联分析。这种融合计算机视觉与光谱学技术的创新方法，不仅将突破传统鉴定技术的局限性，更为中药质量评价提供了全新的智能化研究范式。

参考文献

[1] 国家药典委员会.中华人民共和国药典：一部［M］.北京：中国医药科技出版社，2025

[2] 刘娟，刘爽，刘程诚.哈蟆油的真伪鉴别［J］.黑龙江医药科学，2009，32（2）：20-21.

[3] 姜大成，肖井雷，曹阳.中药哈蟆油与其伪品的组织学鉴定［J］.吉林中医药，2010，30（6）：520-521.

[4] 管雅清，张兴禄.哈蟆油与蟾蜍油及明太鱼油的鉴别研究［C］//中华人民共和国国家中医药管理局，世界卫生组织.国际传统医药大会论文摘要汇编.北京：2000.

[5] 王永生，陈荣华，张小兰.哈蟆油薄层色谱定性研究［J］.时珍国医国药，2008，19（12）：2920-2922.

[6] 聂丹丹，刘佳琦，隋冬梅，等.基于HPLC技术对哈蟆油产地的研究［J］.中国口岸科学技术，2024，6（S2）：107-112.

[7] 曾明，石振武，谢水泉，等.凝胶电泳鉴别哈士蟆油与蟾蜍输卵管［J］.中药材，1991，14（4）：25.

[8] 王永生，王丽丽，姜志恒.哈蟆油HPLC指纹图谱的研究及在真伪鉴别中的应用［J］.中药材，2008（4）：507-510.

[9] 石林春，刘金欣，唐先明，等.哈蟆油基原考证及DNA条形码物种鉴定研究［J］.中国科学：生命科学，2019，49（8）：1032-1040.

[10] 何志一，唐先明，刘建辉，等.快速PCR方法在哈蟆油真伪鉴别中的应用研究［J］.中国中药杂志，2017，42（13）：2467-2472.

[11] 张晗思.林蛙属动物的系统发育关系研究及核酸指纹图谱技术在林蛙油真假鉴别中的应用［D］.长春：吉林大学，2011.

[12] 李亚茹，孙淼，刘琳，等.哈蟆油快速鉴定的开发与应用［J］.中药材，2022，45（3）：555-560.

[13] 杨学干，王义权，周开亚，等.中药材哈蟆油PCR鉴定的初步研究［J］.应用与环境生物学报，2000，6（2）：166-170.

[14] 陈士林.《中药分子鉴定技术与应用》评介［J］.中国中药杂志，2017，42（5）：1011.

[15] 王孟虎，康廷国，许亮，等.基于COI序列的哈蟆油基原动物DNA条形码鉴定研究［J］.中国中药杂志，2017，42（8）：1572-1577.

[16] 王海瑞，胡爽，白雪媛，等.基于机器学习算法的哈蟆油鉴定及品质评价［J］.中药材，2025，48（3）：585-589.

[17] 胡俊英，孙凯，刘军民，等.人工神经网络模型设计案例［M］.西安：西北大学出版社，2024.

[18] 冷冰，冷敏，常智敏，等.基于Transformer结构的深度学习模型用于外周血白细胞检测［J］. 仪器仪表学报，2023，44（5）：113-120.

[19] 周腊珍. 基于U-Net和Transformer深度学习架构在心脏MRI等医学图像分割的应用［D］. 赣州：赣南医科大学，2024.

[20] 董震，王彤霞，杨思成，等. 基于高光谱成像的大豆品种分类研究［J］.粮食与油脂，2025，38（9）：34-38.

[21] 杜翔，钱嘉禾，聂文楠，等.现代图像分析方法在中药材鉴别领域的研究进展［J］.中国药学杂志，2025，60（14）：1479-1485.

[22] 朱思博.基于VGG16深度学习模型的中草药图像识别技术与应用［J］.大众标准化，2025（3）：76-78.

[23] 简丽琼.基于卷积神经网络的医学图像压缩与识别技术研究［J］.信息与电脑，2025，37（17）：5-7.

[24] 张瀚文，李月娥，喻家伟，等.机器学习在中药饮片加工炮制和质量评价中的研究进展［J］.中国中药杂志，2025， 50（13）：3605-3614.

基金资助

吉林省科技厅青年科技人才项目(20250602061RC)