Utilizar la inteligencia artificial para detectar alimentos contaminados se está convirtiendo en una herramienta clave para proteger la salud pública y, a la vez, reducir grandes pérdidas económicas en la industria alimentaria. En este sentido, hoy nos hacemos eco del trabajo de un grupo de investigadores de la Universidad de Australia del Sur, en colaboración con expertos de Canadá y La India, que han demostrado que la combinación de la imagen hiperespectral y el aprendizaje automático, puede identificar micotoxinas en los cereales y en los frutos secos antes de que lleguen a los consumidores.
Las micotoxinas son compuestos tóxicos producidos por hongos como el Aspergillus y el Fusarium, que se encuentran con frecuencia en el trigo, el maíz, la cebada, la avena, las almendras, los pistachos y los cacahuetes. Su ingesta puede provocar graves problemas de salud que van desde los vómitos y náuseas hasta el cáncer de hígado, trastornos hormonales o daños en el sistema inmunológico. La Organización Mundial de la Salud (OMS) calcula que cada año 600 millones de personas enferman por consumir alimentos contaminados, y más de 4 millones mueren por esta causa.
Además, la FAO (Organización de las Naciones Unidas para la Alimentación y la Agricultura) calcula que una cuarta parte de los cultivos del mundo se ven afectados por hongos productores de micotoxinas, algo que irá a más en las próximas décadas, ya lo comentamos en el post ‘El cambio climático podría aumentar las enfermedades de transmisión alimentaria’.
Habitualmente, para detectar estas peligrosas toxinas se usan métodos como la cromatografía o los kits rápidos de ELISA (Ensayo por Inmunoabsorción Ligado a Enzimas). Se trata de pruebas de laboratorio que detectan toxinas o contaminantes en alimentos mediante anticuerpos y funcionan como una “llave y cerradura”. Si la toxina está presente en el producto, el anticuerpo reacciona y produce un cambio de color que indica el nivel de contaminación. Aunque es un sistema bastante preciso y fácil de usar, tiene limitaciones, como que es de un sólo uso, que requiere la preparación de muestras y no resulta práctico para un control continuo en las plantas de procesamiento.
Pues como estos sistemas, aunque precisos, son costosos, lentos y destructivos, siendo poco eficientes para un control a gran escala en tiempo real, se puede abrir paso a la tecnología de imagen hiperespectral, sistema que captura información en cientos de longitudes de onda de la luz reflejada en los alimentos, mucho más allá de lo que percibe el ojo humano, generando una especie de “huella óptica” de cada muestra, que revela tanto características físicas como químicas. Estos datos se combinan con algoritmos de inteligencia artificial, lo que permite distinguir de forma rápida y no invasiva entre los granos o los frutos secos contaminados y los no contaminados.
Los expertos explican que los resultados son prometedores, revisiones recientes de más de 80 estudios muestran que estos nuevos sistemas superan en rendimiento a los métodos convencionales. Por ejemplo, con la imagen hiperespectral y el machine learning o aprendizaje automático, se ha logrado identificar con gran precisión la aflatoxina B1, uno de los compuestos más cancerígenos presentes en la alimentación. En semillas como el trigo, estos modelos alcanzaron hasta un 100% de aciertos en la clasificación de muestras contaminadas con deoxinivalenol, también conocido como “vomitoxina”. Se trata de una micotoxina producida por el hongo Fusarium que suele encontrarse en el trigo, el maíz y la avena, provocando vómitos, diarrea y pérdida de apetito, además de afectar el sistema inmunológico, de quienes la ingieren. En el maíz se logró alcanzar una precisión superior al 98% para detectar fumonisinas y otras toxinas, y en los cacahuetes y las almendras, las redes neuronales profundas han logrado clasificar con más del 95% de exactitud la presencia de aflatoxinas.
Lo más innovador es que este tipo de análisis inteligentes es que se pueden integrar en líneas de procesamiento industrial en tiempo real o incluso en dispositivos portátiles, lo que permitiría evaluar cargas enteras de cereales, frutos secos y derivados, antes de que lleguen al mercado. De esta forma no sólo se protege la salud del consumidor, también se reducen pérdidas económicas y las barreras comerciales resultantes de los productos rechazados por contaminación.
Los expertos comentan que ahora el reto es mejorar la precisión y la solidez de estos nuevos modelos. Los investigadores trabajan en técnicas de aprendizaje profundo (deep learning), una selección optimizada de características espectrales y la fusión de sensores para detectar múltiples micotoxinas de forma simultánea. También persiguen desarrollar sistemas más rápidos y ligeros que funcionen en entornos industriales sin la necesidad de utilizar equipos complejos y costosos.
En definitiva, la integración de la inteligencia artificial con imagen hiperespectral abre una nueva era para la seguridad alimentaria, ya que detectar micotoxinas como el deoxinivalenol en los cereales y los frutos secos de forma precoz y no destructiva, permitirá salvar millones de vidas al año y garantizará alimentos más seguros en el mundo. Podéis conocer todos los detalles de esta investigación a través de este artículo publicado en la página de la Universidad del Sur de Australia, y en este otro artículo publicado en la revista científica Toxins.