La IA y la imagen hiperespectral se unen para facilitar el análisis nutricional de los alimentos preparados

A pesar de los recientes avances en el campo de la tecnología alimentaria, sigue existiendo un creciente interés por encontrar tecnologías más rápidas, baratas y no destructivas para determinar la composición nutricional de los alimentos. Con la incorporación de la inteligencia artificial (IA) y los modelos de aprendizaje automático (ML) en la ecuación, este problema se está resolviendo progresivamente, y ya existen numerosas aplicaciones del ML aplicadas al sector de la alimentación y la nutrición, desde la seguridad alimentaria hasta la predicción de ventas.

Los niveles de nutrientes en los alimentos son muy importantes para la salud humana, dado su demostrado impacto en el desarrollo de varias enfermedades. En concreto, la cantidad y el tipo de hidratos de carbono, proteínas y grasas (en particular, almidón refinado, proteínas no magras y grasas saturadas), así como la carga energética presente en los alimentos, se han relacionado directamente con la prevalencia de la obesidad, la diabetes de tipo 2, los accidentes cerebrovasculares, el cáncer y otras enfermedades crónicas para las que se recomienda una ingesta controlada de estos nutrientes (Organización Mundial de la Salud, 2019; Departamento de Salud y Servicios Humanos de los Estados Unidos, 2024).

Para abordar este problema, el proyecto de investigación Portions-3 busca optimizar y potenciar el impacto de instrumentos de porción fija para personas con sobrepeso, que ayudan a controlar la cantidad de comida que consumen. Dentro de este proyecto, en el Centro Nacional de Tecnología Alimentaria (CNTA) se está explorando cómo la imagen hiperespectral puede acelerar el análisis nutricional de platos preparados para poder determinar sus perfiles nutricionales con mayor precisión y rapidez, lo que permitiría a estas personas tomar decisiones más informadas con respecto a los alimentos que consumen.

Los métodos actuales para caracterizar cuantitativamente la composición de los alimentos y determinar su valor energético se basan en la química analítica. Sin embargo, estas metodologías convencionales son procesos lentos que requieren reactivos químicos y técnicos capacitados; además, son procesos destructivos en los que no se puede recuperar el alimento analizado y en ocasiones se necesitan materiales y equipamientos costosos.

En la actualidad, se carece de herramientas para medir la composición nutricional de comidas complejas (como platos preparados) de forma rápida, más allá de utilizar la información que aparece en el envasado de los fabricantes de los ingredientes (etiquetas de los alimentos) y calcularlo en base a las proporciones de cada ingrediente utilizadas en el plato (lo que constituye un método estimativo).

El uso de sistemas de imagen hiperespectral, junto con modelos quimiométricos y de ML, ofrece una gran oportunidad para resolver este problema, ya que permite obtener resultados objetivos en tiempo real de alimentos intactos que no necesitan desecharse y que pueden consumirse directamente o exponerse en las estanterías de los supermercados una vez analizados.

La hipótesis que se plantea en este estudio es, por tanto, que podemos estimar el contenido energético y en macronutrientes de productos alimentarios heterogéneos utilizando sistemas de imagen hiperespectral combinados con modelos matemáticos previamente ajustados con los perfiles espectrales. Estas técnicas podrían sustituir a los análisis químicos destructivos y lentos cuando se necesiten resultados rápidos o por unidad muestral.

Se utilizaron 118 muestras de diferentes productos entre 2021 y 2022. Las muestras se adquirieron en supermercados locales de Navarra, España (Eroski, Alcampo y Mercadona). Todas las muestras incluían más de un ingrediente en su formulación y pertenecían a varias categorías de producto: mezclas de verduras cocidas, legumbres, carne, arroz, pasta, salsas y combinaciones similares. Como puede verse en la Imagen n.º 1, las muestras eran heterogéneas y podían ser productos listos para comer o mezclas listas para cocer. Hasta su análisis, todas las muestras se almacenaron siguiendo las instrucciones del fabricante: temperatura ambiente entre 4 °C y -20 °C.

Los análisis nutricionales se realizaron en los laboratorios de CNTA de acuerdo con los métodos oficiales y normalizados.

El sistema de imagen hiperespectral utilizado adquiere las imágenes en el modo de reflectancia. El sistema consta de un escáner lineal con dos cámaras (Specim FX10 y Specim FX17, Specim, Spectral Imaging Ltd., Oulu, Finlandia) que cubren el rango espectral de la región VIS-NIR (400-1000 nm) y la región NIR (900-1700 nm); y una fuente de iluminación que incluye un grupo de seis bombillas de halógeno estabilizado, con tres bombillas colocadas a cada lado y en ángulo perpendicular para iluminar la plataforma móvil donde se coloca la bandeja con la muestra.

Además, el equipo requiere un sistema informático equipado con un software de adquisición de imágenes (Lumo-Scanner, Specim, Spectral Imaging Ltd., Oulu, Finlandia) que permite ajustar los parámetros más importantes para obtener imágenes de alta calidad, con una resolución espectral de 3,5 nm, mientras que el muestreo espacial de la cámara es de 640 píxeles. La Imagen n.º 2 muestra una imagen del sistema de adquisición de imágenes empleado.

Como se observa en la Tabla 1, hay una amplia gama de valores para cada parámetro, probablemente reflejo de la amplia gama de platos incluidos en el estudio. Como era de esperar, el atributo con mayor rango es el contenido energético (desde las 23,5 kcal/100 g hasta las 204 kcal/100 g).

A pesar de que el rango de longitudes de onda NIR en bruto era de 935,61 a 1720 nm, los espectros se recortaron (de 1670 a 1720 nm) porque estas longitudes de onda mostraban algo de ruido aleatorio. En el caso de los espectros Vis-NIR, no había ruido aleatorio, por lo que se utilizaron los espectros completos. Tras la división aleatoria, el 80% de los espectros se asignaron al conjunto de calibración (entrenamiento), mientras que el 20% restante se asignó al conjunto de prueba (validación), tanto para los conjuntos de muestras NIR como Vis-NIR.

Se realizó un proceso de cribado de modelos en el que se evaluó el rendimiento de combinar las diferentes técnicas de preprocesamiento (SNV, SG1, SG2 con y sin centrado medio y con y sin reducción de dimensionalidad) y cada algoritmo evaluado (hasta 10 algoritmos testados). Es decir, evaluamos 120 combinaciones para cada parámetro nutricional y valor energético. Utilizando técnicas de validación cruzada, obtuvimos los valores de RMSE (raíz cuadrada del error medio estándar), que fue la métrica evaluada para seleccionar la mejor (una o más) combinación para cada parámetro nutricional. Estos fueron los algoritmos seleccionados para ser sometidos al ajuste de hiperparámetros posterior: un proceso que se realizó dos veces, una con las imágenes de la cámara NIR y otra con las imágenes VIS-NIR.

Los resultados obtenidos con ambos rangos espectrales en los parámetros medidos podrían indicar que la mayor parte de la información relacionada con los valores de proteína, grasa total y energía se encuentran en el rango de espectros NIR a partir de 900 nm, ya que los modelos que utilizan el rango NIR obtienen mejores resultados (aunque los modelos que utilizan VIS-NIR no lo hacen tan mal). Sin embargo, los resultados indican que la información relativa a las cenizas y los hidratos de carbono podría encontrarse en otro rango espectral, tal vez en el UV, ya que ninguno de los modelos entrenados mostró buenos resultados. El resumen de los RMSE obtenidos para cada parámetro y cada cámara se puede observar en la Tabla 2.

Hasta ahora, el uso de imágenes hiperespectrales para el análisis de la composición de los alimentos se ha centrado en la determinación de los componentes y/o la clasificación en productos alimenticios de un solo ingrediente. Hasta donde sabemos, el presente trabajo representa el primer estudio en el que se utiliza la imagen hiperespectral para determinar el valor energético y otros componentes nutricionales (proteínas, hidratos de carbono y grasas totales) en una amplia gama de platos preparados.

Las técnicas de imagen espectral miden la reflexión de la luz en determinadas longitudes de onda producida por un objeto, y la absorción correspondiente proporciona información sobre su composición. Bajo el paraguas de la imagen hiperespectral se pueden utilizar una amplia gama de longitudes de onda espectrales en función del objetivo del experimento. Las longitudes de onda van desde el ultravioleta (200-400 nm), visible (380-800 nm), VIS-NIR (400-1000 nm), NIR (900-1700 nm), hasta el infrarrojo cercano o NIR (970-2500 nm). A efectos de este estudio, se eligieron los rangos NIR y Vis-NIR. Ambos rangos se utilizan ampliamente en el campo de la alimentación para cuestiones relacionadas con la clasificación y la regresión, con un buen rendimiento9-¹3.

En los últimos años, la HSI ha surgido como un método no destructivo y rápido que se puede aplicar sobre una diversa gama de productos alimentarios para determinar sus propiedades sensoriales14, lesiones internas en los alimentos15 o para predecir micronutrientes16. El uso de modelos de IA predictivos y entrenados, combinados con la imagen hiperespectral, ofrece una alternativa mucho mejor que los métodos convencionales, ya que pueden producir resultados en tiempo real o casi real y son fáciles de usar con un poco de entrenamiento.

Pero la combinación de IA e imagen hiperespectral también incluye desventajas, como que estas técnicas siguen siendo predictivas y, por lo tanto, no son tan precisas como las tecnologías bioquímicas convencionales. Además, es necesaria una inversión inicial en el equipo, que puede resultar costosa para las empresas.

Aún así, a la larga, el uso de la imagen espectral junto con la IA podría ser una alternativa rentable, especialmente cuando es necesario obtener resultados inmediatos o por unidad de muestra dentro de un lote grande de productos.

Como muestran los resultados, los mejores indicadores en este estudio se obtuvieron utilizando el rango NIR para todos los parámetros. La principal diferencia entre NIR y Vis-NIR es el rango de longitudes de onda. Es decir, los requerimientos ópticos de ambos son diferentes, y el coste es distinto (la técnica de Vis-NIR es más barata que la de NIR).

Por último, y respondiendo a nuestra hipótesis inicial (podemos estimar el contenido energético y de macronutrientes de platos preparados utilizando sistemas de imagen hiperespectral combinados con modelos matemáticos), este estudio ha demostrado que es posible utilizar sistemas HSI y modelos de aprendizaje automático para estimar tanto el contenido energético como el de macronutrientes. Sin embargo, la precisión de los modelos dependerá del macronutriente que nos interese.θ