Détection des bactéries dans les aliments grâce à l'intelligence artificielle et à l'imagerie optimale

La détection précoce des agents pathogènes dans les aliments est essentielle pour prévenir les maladies et les épidémies d'origine alimentaire. Dans Applied and Environmental Microbiology, des chercheurs décrivent une stratégie pour accélérer la détection des bactéries dans les aliments grâce à l'intelligence artificielle et à l'imagerie optimale.

Le titre de l’article est «Accelerating the Detection of Bacteria in Food Using Artificial Intelligence and Optical Imaging» (Accélérer la détection des bactéries dans les aliments grâce à l'intelligence artificielle et à l'imagerie optique).

Résumé

Lors de l'évaluation de la sécurité microbienne des aliments, la présence de Escherichia coli est un indicateur essentiel de la contamination fécale. Cependant, les méthodes de détection conventionnelles nécessitent l'isolement de macrocolonies bactériennes pour la caractérisation biochimique ou génétique, ce qui prend quelques jours et demande beaucoup de travail. Dans cette étude, nous montrons que l'algorithme de détection et de classification d'objets en temps réel You Only Look Once version 4 (YOLOv4*) peut identifier avec précision la présence de E. coli au stade de la microcolonie après une culture de 3 heures. En s'intégrant à l'imagerie microscopique à contraste de phase, YOLOv4 a discriminé E. coli de sept autres espèces bactériennes d'origine alimentaire courantes avec une précision moyenne de 94%. Cette approche a également permis la quantification rapide des concentrations de E. coli sur 3 ordres de grandeur avec un R2 de 0,995. Pour de la laitue romaine enrichie en E. coli (10 à 10³ UFC/g), le détecteur YOLOv4 entraîné avait un taux de faux négatifs inférieur à 10%. Cette approche accélère l'analyse et évite la détermination manuelle des résultats, qui a le potentiel d'être appliquée comme une approche de détection bactérienne rapide et conviviale dans les industries alimentaires.

Importance

Une méthode simple, rentable et rapide est souhaitée pour identifier la contamination potentielle par des agents pathogènes dans les produits alimentaires et ainsi prévenir les maladies d'origine alimentaire et les épidémies. Cette étude a combiné l'intelligence artificielle (IA) et l'imagerie optique pour détecter les bactéries au stade de la microcolonie dans les 3 heures suivant l'inoculation. Cette approche élimine le besoin d'isolement de colonies basé sur la culture et d'approches moléculaires gourmandes en ressources pour l'identification bactérienne. L'approche développée dans cette étude est largement applicable pour l'identification de diverses espèces bactériennes. De plus, cette approche peut être mise en œuvre dans des zones à ressources limitées, car elle ne nécessite pas d'instruments coûteux et de ressources humaines bien formées. Cette détection assistée par l'IA permet non seulement d'obtenir une grande précision dans la classification bactérienne, mais offre également le potentiel d'une détection bactérienne automatisée, réduisant la charge de travail dans les industries alimentaires, la surveillance environnementale et les environnements cliniques.

En conclusion, les résultats de cette étude suggèrent que l'algorithme de détection et de classification d'objets en temps réel YOLOv4 fournit une détermination simple, rapide et précise de la contamination par E. coli, qui est utilisée comme micro-organisme indicateur d'hygiène dans les industries alimentaires. La détection cible les microcolonies bactériennes qui sont préparées avec un temps de culture court dans des conditions standardisées. Avec l'aide de YOLOv4, la classification bactérienne peut être complétée instantanément après une culture de 3 h avec une précision moyenne élevée (94%).

La contamination par des bactéries pathogènes et d'altération d'origine alimentaire peut être identifiée en utilisant E. coli comme indicateur. Cette méthode a également le potentiel de classer les cultures bactériennes multi-espèces. Le détecteur YOLOv4 entraîné a identifié avec succès 11 échantillons de laitue sur 12 contaminés par E. coli, suggérant son application potentielle comme approche de dépistage dans les industries alimentaires.

En raison de l'exigence d'équipement relativement faible et de l'opération pratique minimale, cette méthode pourrait être adaptée par les industries alimentaires et d'autres milieux aux ressources limitées.

Mots-clés

agent pathogène d'origine alimentaire, détection rapide, microcolonies, classification multi-espèces, apprentissage automatique, indicateur microbien.

*YOLOv4 est un modèle de réseau de neurones dédié à la détection d’objets dans des images, publié en avril 2020.