Un nuevo estudio de la Universidad del Sur de Australia, revela la posibilidad del uso de la Inteligencia Artificial para combatir la intoxicación alimentaria a escala global.
El estudio publicado por la revista Toxins consiste en el uso de la imagen hiperespectral (HSI) combinada con aprendizaje automático de Inteligencia Artificial para detectar micotoxinas en cereales y frutos secos, lo que tendría un efecto beneficioso para evitar intoxicaciones alimentarias.
Este nuevo avance en el uso de las nuevas tecnologías ayuda en la detección de hongos y bacterias que suelen estar presentes en los cereales y frutos secos, que son la base la alimentación mundial.
Este tipo de alimentos son susceptibles a contaminación como micotoxinas, entre ellos las aflatoxinas y el deoxinivalenol (DON), que pueden llegar a ser muy tóxicas y representan un grave riesgo para la salud y la economía, explican los investigadores en un comunicado.
¿Cuál es el aporte de este nuevo método de detección de toxinas?
El estudio revela que los métodos tradicionales para detectar micotoxinas son lentos, costosos y destructivos, además de que el muestreo es poco confiable.
Ahasan Kabir, autor principal y candidato al doctorado de UniSA, dice que “las imágenes hiperespectrales, una técnica que captura imágenes con información espectral detallada, nos permiten detectar y cuantificar rápidamente la contaminación en muestras completas de alimentos sin destruirlas”.
Las imágenes hiperespectrales son una técnica no destructiva, rápida y rentable que analiza la composición química de los alimentos a través de la luz, identificando así la presencia de estas toxinas.
Según un comunicado de los responsables del estudio, la HSI por sí sola no es suficiente, por lo que el análisis de los datos que produce (que son muy grandes) requiere del aprendizaje automático (ML).
“Los algoritmos de ML, como la Regresión de Mínimos Cuadrados Parciales (PLSR) y la Máquina de Vectores de Soporte (SVM), son excelentes para clasificar y cuantificar la contaminación con alta precisión”, indica.
¿Cuáles son los hallazgos del estudio?

Este estudio representa un gran avance en el combate de las intoxicaciones alimentarias, sin embargo, es preciso que realicen más investigación para mejorar la fiabilidad y eficiencia de estos sistemas.
Los expertos recomiendan profundizar en nuevas investigaciones para mejorar la posibilidad de hacerlas más aplicables a gran escala en la industria alimentaria. A continuación parte de los resultados de las pruebas realizadas:
- Trigo: el estudio reveló una efectividad hasta el 100 % en la detección de DON con modelos como LDA y KNN, y valores de R² de hasta 0.9935 para la cuantificación de aflatoxinas con PLSR.
- Maíz: los científicos emplearon modelos de aprendizaje automático que alcanzaron una precisión de hasta el 99,38 % en la detección de aflatoxinas, y un R² de 0.974 para DON.
- Frutos secos: en alimentos como maní, almendras y pistachos, los modelos de ML, especialmente las redes neuronales convolucionales (CNN) y la SVM, lograron altas precisiones de hasta el 100 % en la detección de aflatoxina B1.
Beneficios reales del estudio en la prevención de intoxicaciones alimentarias
Las presencia de micotoxinas en alimentos causan diversos problemas de salud como intoxicaciones alimentarias, y otras más graves, como cáncer, deterioro inmunitario y trastornos hormonales.
Se estima que la contaminación alimentaria, entre ellas las causadas por micotoxinas, generan 600 millones de enfermedades y 4,2 millones de muertes al año, según la Organización Mundial de la Salud.
Mientras que la Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO, por sus siglas en inglés) calcula que el 25% de los cultivos del mundo están contaminados por hongos productores de micotoxinas.
Sigue leyendo:
–Descongela pescado envasado al vacío de forma segura con estos hacks
-¿Basta con el olor para saber si la comida está mala? Un experto en alimentos desvela la verdad
-¿Sabías que hay alimentos que no se pueden recalentar más de una vez?