De la ferme à la table : Renforcer la sécurité des aliments avec un logiciel piloté par l'IA

«De la ferme à la table : Renforcer la sécurité des aliments avec un logiciel piloté par l'IA», source article de Francine L. Shawn paru le 23 juillet 2023 dans Food Safety News.

Francine L. Shawn est contributrice invitée, spécialiste de la sécurité des aliments, podcasteuse et cofondatrice de My Food Source.

La sécurité des aliments est une préoccupation importante tant pour les consommateurs que pour l'industrie de la restauration. S'assurer que les aliments que nous consommons soient sûrs à manger est de la plus haute importance, et l'application de l'intelligence artificielle (IA) dans l'industrie alimentaire a été largement reconnue comme une solution prometteuse pour résoudre ce problème.

Gagner la confiance des consommateurs est un effort essentiel. Le  CDC estime  que 48 millions de personnes tombent malades, 128 000 sont hospitalisées et 3 000 meurent de maladies d'origine alimentaire aux États-Unis, chaque année.

Alors que les consommateurs continuent de lire des manchettes effrayantes sur les rappels d'aliments, les incidents liés aux maladies d'origine alimentaire et d'autres infractions à la sécurité des aliments, ils exigent plus que jamais la transparence. L'industrie alimentaire devrait donc continuer à explorer les applications potentielles de l'IA dans la sécurité des aliments pour s'assurer que les consommateurs peuvent avoir une plus grande confiance dans la sécurité des aliments qu'ils consomment.

À mesure que l'IA devient plus abordable et accessible pour les organisations de toutes tailles et de tous budgets, elle deviendra un outil de plus en plus essentiel pour renforcer la transparence, la vérification, la validation, la traçabilité, la communication et la sécurité tout au long de la chaîne d'approvisionnement.

La modélisation prédictive et le contrôle de la qualité

L'IA peut contribuer à améliorer la sécurité des aliments de plusieurs manières. La modélisation prédictive est l'une des applications les plus importantes de l'IA dans l'industrie de la restauration. Les algorithmes d'IA peuvent prédire les épidémies potentielles de maladies d'origine alimentaire en utilisant des données recueillies auprès de diverses sources, telles que les facteurs environnementaux, la qualité des ingrédients, les opérations de transformation et les enregistrements historiques de contamination. Les informations obtenues peuvent être utilisées pour prendre des mesures proactives afin d'empêcher que de telles épidémies ne se produisent.

Une autre façon dont l'IA peut accroître la sécurité des aliments est la maîtrise de la qualité des aliments. Les algorithmes d'IA peuvent analyser des images d'aliments et d'emballages en temps réel pour détecter des anomalies, telles que des étiquettes manquantes ou des emballages déchirés. Cela permet d'identifier les produits contaminés avant qu'ils n'atteignent les rayons des magasins (ou les consommateurs).

La sécurité des aliments peut également être améliorée grâce à des systèmes automatisés de transformation des aliments alimentés par l'IA. En utilisant des capteurs et des caméras, ces systèmes peuvent détecter et corriger des problèmes tels que les températures, les niveaux de liquide, le débit de gaz, l'humidité et même l'hygiène alimentaire qui pourraient entraîner une contamination des aliments pendant la fabrication et la transformation.

De plus, l'IA peut être utilisée pour tracer l'origine des produits alimentaires. Grâce à la technologie et aux algorithmes d'IA, les producteurs alimentaires peuvent suivre les produits alimentaires de la ferme à la table, offrant aux consommateurs une plus grande transparence et une plus grande responsabilité dans la chaîne d'approvisionnement alimentaire.

Comment l'IA améliorera la sécurité des aliments ?

La création d'IA avec des checkpoints de vérification et de validation est essentielle pour améliorer la traçabilité au sein de la chaîne d'approvisionnement.

L'IA améliorera la sécurité des aliments tout au long de la chaîne d'approvisionnement en :

- Améliorant la communication. Une bonne communication est un aspect essentiel de la vérification, de la validation et de la traçabilité. Une communication solide, précise et en temps réel est essentielle tout au long de la chaîne alimentaire pour maximiser la sécurité sanitaire, la transparence et la confiance. 

- Renforcer la transparence et la validation. Tous les acteurs de la chaîne d'approvisionnement doivent comprendre l'importance de la validation et de la transparence et le rôle qu'ils jouent. Cela contribuera à renforcer la confiance des consommateurs dans les aliments produits.

- Rendre le processus plus rapide et plus facile. L'IA minimisera le nombre d'étapes nécessaires pour être validé et le nombre de personnes avec lesquelles les fournisseurs doivent parler pendant le processus. En conséquence, davantage de fournisseurs participeront.

- Réduire les licenciements. L'IA réduira le nombre de bases de données avec lesquelles les entreprises doivent travailler, réduisant ainsi les redondances qui accompagnent la duplication des informations dans chaque base de données. Étant donné que ces licenciements font perdre du temps, de la main-d'œuvre et de l'argent, l'IA aidera les processus à être plus efficaces, rentables et rationalisés, ce qui réduira considérablement la charge administrative.

- Simplification du processus. Les technologies d'intelligence artificielle les plus récentes rendent ces systèmes simples, directs et polyvalents plutôt que compliqués avec un minimum de fonctionnalités. Il est temps de travailler plus intelligemment, c’est pas plus dur !

Facteurs de fiabilité et de coût

Cependant, comme pour toute technologie, l'utilisation de l'IA dans la sécurité des aliments présente des défis. Une préoccupation majeure est la fiabilité des modèles d'IA. Les modèles d'IA ne sont aussi bons que les données saisies, et si les données sont erronées ou biaisées, le modèle d'IA produira des résultats insatisfaisants. 

De plus, le coût de la mise en œuvre de l'IA dans l'industrie alimentaire et le potentiel de perte d'emplois en raison de l'automatisation suscitent des inquiétudes. Bien que l'utilisation de l'IA dans la sécurité des aliments ne doive pas remplacer entièrement le travail humain. Par exemple, les inspections de salubrité des aliments et les tests de qualité continueront de nécessiter une intervention humaine pour s'assurer que les aliments respectent les normes et les réglementations en matière de salubrité. L'IA devrait également créer des opportunités d'emploi dans divers domaines, tels que le génie logiciel, la science des données et le contrôle qualité.

Cependant, il est important de noter que biodégradabilité et l'accessibilité de l'IA peuvent dépendre de divers facteurs, tels que le type de technologie, la disponibilité de l'infrastructure et le coût de mise en œuvre. Les investissements technologiques peuvent également avoir un énorme retour sur investissement, car l'IA peut augmenter l'efficacité et réduire les coûts, et il existe même actuellement des options abordables pour les petites entreprises.

Malgré ces défis, les avantages potentiels de l'utilisation de l'IA pour améliorer la sécurité des aliments sont importants. En fournissant une surveillance, une détection et une prédiction en temps réel, l'IA peut aider à prévenir les épidémies de maladies d'origine alimentaire, à réduire le gaspillage alimentaire, à améliorer la durabilité et à renforcer la responsabilité dans la chaîne d'approvisionnement alimentaire. 

Commentaire

Article convenu, car une fois lu, je vous avoue que ne pas être plus avancé, et si l’important est d’avoir des données, beaucoup de données de son ou ses procédés de fabrication, ce qui est loin d’être le cas de la plupart des entreprises alimentaires en France, la multiplicité des rappels nous le montre tous les jours depuis trois ans.

On pourra aussi remarquer qu'en France, un changement d'algorithme du nutri-score avait fait fait passer le lait entier de A à C.

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.

L'IA écoute les bruits des toilettes pour deviner si les personnes ont la diarrhée

Voilà une invention qui doit valoir son pesant de nouveauté, jugez plutôt !

«Des toilettes équipées d'un microphone afin de détecter des maladies gastro-intestinales et qui en plus et vous donneront des conseils», source Intersting Engineering.

Le capteur du microphone peut classer les maladies intestinales à l'aide d'un apprentissage automatique. Le capteur non invasif peut détecter une maladie dans l’intestin.

Maia Gatlin, ingénieure de recherche au Georgia Institute of Technology, a créé un moyen d'utiliser l'intelligence artificielle pour détecter la diarrhée. Elle a appelé sa présentation The Feces Thesis: Using Machine Learning to Detect Diarrhoea.

Gatlin a présenté le capteur le 5 décembre, lors de la réunion annuelle de l'Acoustical Society of America, expliquant ses découvertes sur la façon dont l'apprentissage automatique peut être utilisé pour détecter les maladies de l'intestin. Elle utilise un capteur doté d’un microphone non invasif pour identifier les maladies intestinales, sans nécessairement collecter d'informations identifiables, ce qui signifie que l'Intelligence Artificielle (IA) peut déterminer l'infection sans avoir à être examinée dans un établissement médical pour collecter des données supplémentaires.

La méthode consiste à utiliser le microphone et l'apprentissage automatique pour détecter la diarrhée. Gatlin et son équipe de recherche ont testé la technique du capteur sur des fichiers audio provenant de ressources en ligne. Chaque échantillon audio unique d'une excrétion, ou selle, a été converti en un spectrogramme, qui capture le son dans une image.

Un spectrogramme est une manière visuelle de représenter le son d'un signal dans le temps, représentant un visuel du son.

Les différents types d'excrétion créent des caractéristiques différentes dans l'audio et le spectrogramme. Le ton diarrhéique a produit plus d'un son aléatoire pour les chercheurs. Les images du spectrogramme ont ensuite été utilisées comme entrée et ont été placées dans un algorithme d'apprentissage automatique. Les performances de l'algorithme ont ensuite été testées par rapport à des données avec et sans bruit de fond pour s'assurer qu'il obtenait les informations nécessaires pour interpréter les sons à l'aide du capteur, quel que soit l'environnement.

NB : La photo représente le capteur situé au-dessus des toilettes. ©Maia Gatlin/l'Acoustical Society of America.

Une analyse par intelligence artificielle de la façon dont l'attaque des bactéries pourrait aider à prédire les résultats de l'infection

«Une analyse par intelligence artificielle de la façon dont l'attaque des bactéries pourrait aider à prédire les résultats de l'infection», source Imperial College London.

Des informations sur la façon dont les protéines bactériennes fonctionnent en tant que réseau pour prendre le contrôle de nos cellules pourraient aider à prédire les résultats de l'infection et à développer de nouveaux traitements.

Tout comme un pirate informatique prend le contrôle du logiciel d'une entreprise pour provoquer le chaos, des bactéries pathogènes, telles que E. coli et Salmonella, utilisent des seringues moléculaires miniatures pour injecter leurs propres agents induisant le chaos (appelés effecteurs) dans les cellules qui gardent notre intestin en bonne santé.

Ces effecteurs prennent le contrôle de nos cellules, écrasant leurs défenses et bloquant les principales réponses immunitaires, permettant à l'infection de s'installer.

Auparavant, des études ont étudié des effecteurs uniques. Désormais, une équipe dirigée par des scientifiques de l'Imperial College de Londres et de l'Institute of Cancer Research de Londres, et comprenant des chercheurs du Royaume-Uni, d'Espagne et d'Israël, a étudié des ensembles entiers d'effecteurs dans différentes combinaisons.

L'étude, publiée dans Science, a examiné les données d'expériences sur des souris infectées par la version murine de E. coli, appelée Citrobacter rodentium, qui injecte 31 effecteurs.

Les résultats montrent comment les effecteurs fonctionnent ensemble en tant que réseau, leur permettant de coloniser leurs hôtes même si certains effecteurs sont supprimés. L’enquête a également révélé comment le système immunitaire de l’hôte peut contourner les obstacles créés par les effecteurs, déclenchant des réponses immunitaires complémentaires.

Force et flexibilité inhérentes

Les chercheurs suggèrent que savoir comment la composition des réseaux effecteurs influence la capacité des infections à s'installer pourrait aider à concevoir des interventions qui perturbent leurs effets.

Le professeur Gad Frankel, responsable de l'étude, du Département des sciences de la vie de l'Impériale, a dit: «Les données représentent une percée dans notre compréhension des mécanismes des infections bactériennes et des réponses de l'hôte. Nos résultats montrent que les effecteurs injectés ne fonctionnent pas individuellement, mais en tant que pack.»

«Nous avons constaté qu'il existe une force et une flexibilité inhérentes au réseau, ce qui garantit que si un ou plusieurs composants ne fonctionnent pas, l'infection peut continuer. Surtout, ces travaux ont également révélé que nos cellules ont un pare-feu intégré, ce qui signifie que nous pouvons faire face aux réseaux corrompus du pirate informatique et mettre en place des réponses immunitaires efficaces qui peuvent éliminer l'infection.»

Le professeur Jyoti Choudhary, co-directeur de l'étude, du Functional Proteomics Lab de l'Institute of Cancer Research de Londres, a dit: «Notre étude montre que nous pouvons prédire comment une cellule réagira lorsqu'elle sera attaquée par différentes combinaisons de protéines effectrices bactériennes. La recherche nous aidera à mieux comprendre comment les cellules, le système immunitaire et les bactéries interagissent, et nous pouvons appliquer ces connaissances à des maladies comme le cancer et les maladies inflammatoires de l'intestin où les bactéries dans l'intestin jouent un rôle important.»

«Nous espérons, grâce à une étude plus approfondie, tirer parti de ces connaissances et déterminer exactement comment ces protéines effectrices fonctionnent et comment elles fonctionnent ensemble pour perturber les cellules hôtes. À l'avenir, cette meilleure compréhension pourrait conduire au développement de nouveaux traitements.»

Prédire l'issue de l'infection

Au cours de leurs expériences, l'équipe a pu éliminer différents effecteurs lors de l'infection de souris avec le pathogène, en suivant le succès de chaque infection. Cela a montré que le réseau effecteur produit par le pathogène pouvait être réduit jusqu'à 60 pour cent tout en produisant une infection réussie.

L'équipe a collecté des données sur plus de 100 combinaisons synthétiques différentes des 31 effecteurs, que le professeur Alfonso Rodríguez-Patón et Elena Núñez-Berrueco de l'Universidad Politécnica de Madrid ont utilisé pour construire un algorithme d'intelligence artificielle (IA).

Le modèle d'IA a pu prédire les résultats de l'infection par Citrobacter rodentium exprimant différents réseaux effecteurs, qui ont été testés avec des expériences sur des souris. Comme il est impossible de tester en laboratoire tous les réseaux possibles que 31 effecteurs peuvent former, l'utilisation d'un modèle d'IA est la seule approche pratique pour étudier des systèmes biologiques de cette complexité.

Le co-premier auteur, le Dr David Ruano-Gallego, du Département des sciences de la vie de l'Impérial College London, a dit «L'IA nous permet de nous concentrer sur la création des combinaisons d'effecteurs les plus pertinentes et d'apprendre d'elles comment les bactéries sont contrées par notre système immunitaire. Ces combinaisons ne seraient pas évidentes à partir de nos seuls résultats expérimentaux, ouvrant la possibilité d'utiliser l'IA pour prédire les résultats de l'infection.»

La co-première auteure, le Dr Julia Sánchez-Garrido, du Département des sciences de la vie de l'Imperial College London, a ajouté: «Nos résultats signifient également qu'à l'avenir, en utilisant l'IA et la biologie synthétique, nous devrions être en mesure de déterminer quelles fonctions cellulaires sont essentielles pendant l'infection, ce qui nous permet de trouver des moyens de lutter contre l'infection non pas en tuant le pathogène avec des antibiotiques, mais en modifiant et en améliorant nos réponses de défense naturelles à l'infection.»

Ce projet a été soutenu par le Wellcome Trust.

Système d'imagerie intelligent alimenté par l'IA pour la détection précoce et la classification des bactéries vivantes dans les prélèvements d'eau

« L'apprentissage en profondeur permet une détection précoce et une classification des bactéries vivantes à l'aide de l'holographie », source Light Publishing Center, Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy.

 Les maladies d'origine hydrique affectent plus de 2 milliards de personnes dans le monde, ce qui entraîne un lourd fardeau économique.

Par exemple, le traitement des maladies d'origine hydrique coûte plus de 2 milliards de dollars par an aux États-Unis seulement, avec 90 millions de cas enregistrés par an. Parmi les problèmes liés aux agents pathogènes d'origine hydrique, l'un des problèmes de santé publique les plus courants est la présence de bactéries coliformes totales et de Escherichia coli (E. coli) dans l'eau potable, ce qui indique une contamination fécale.

Les méthodes traditionnelles de détection des bactéries basées sur la culture prennent souvent 24 à 48 heures, suivies d'une inspection visuelle et d'un comptage des colonies par un expert, selon les directives de l'Agence américaine de protection de l'environnement (EPA).

Alternativement, des méthodes de détection moléculaire basées, par exemple, sur l'amplification des acides nucléiques, peuvent réduire le temps de détection à quelques heures, mais elles manquent généralement de sensibilité pour détecter les bactéries à de très faibles concentrations, et ne sont pas capables de faire la différence entre les vivants et les micro-organismes morts.

De plus, il n'existe pas de méthode à base d'acides nucléiques approuvée par l'EPA pour détecter les bactéries coliformes dans les prélèvements d'eau.

Par conséquent, il existe un besoin urgent d'une méthode automatisée qui puisse atteindre une détection rapide et à haut débit des colonies bactériennes avec une sensibilité élevée afin de fournir une alternative puissante aux méthodes standard actuellement approuvées par l'EPA qui prennent au moins 24 heures et nécessitent une expert pour le dénombrement des colonies.

Dans un nouvel article publié dans Light: Science & Applications, une équipe de scientifiques, dirigée par le professeur Aydogan Ozcan du Département de génie électrique et informatique de l'Université de Californie, Los Angeles (UCLA), États-Unis, et des collègues ont développé un Système d'imagerie intelligent alimenté par l'Intelligence artificielle (IA) pour la détection précoce et la classification des bactéries vivantes dans les prélèvements d'eau. Sur la base de l'holographie, ils ont conçu un système d'imagerie très sensible et à haut débit, qui capture en continu des images microscopiques d'une boîte de culture, où des bactéries se développent, pour détecter rapidement la croissance des colonies en analysant ces images en accéléré avec un réseau neuronal profond. Après la détection de la croissance de chaque colonie, un deuxième réseau neuronal est utilisé pour classer le type de bactérie.

L'efficacité de cette plate-forme unique a été démontrée en effectuant une détection précoce et une classification de trois types de bactéries, à savoir E. coli, Klebsiella aerogenes (K. aerogenes) et Klebsiella pneumoniae (K. pneumoniae), et les chercheurs de l'UCLA ont atteint une limite -de-détection de 1 bactérie formant colonie pour 1 litre d'eau en 9 heures de temps pour l’analyse, démontrant un gain de temps de plus de 12 heures pour la détection des bactéries par rapport aux méthodes EPA standard. Ces résultats mettent en évidence le potentiel transformateur de cette plateforme d'imagerie holographique alimentée par l'IA, qui permet non seulement une détection très sensible, rapide et rentable des bactéries vivantes, mais fournit également un outil puissant et polyvalent pour la recherche en microbiologie.

Légende.

a, schéma de l'appareil. b, Image d’une boîte de colonies de E. coli et K. aerogenes. c, Exemples d'images des colonies bactériennes en croissance individuelles détectées par un réseau neuronal profond formé. Les points temporels de détection et de classification des colonies en croissance sont annotés par des flèches bleues. La barre d'échelle est de 0,1 mm. Cette recherche a reçu un financement de l'US ARO.

Cliquez sur l'image pour l'agrandir

Crédit de Hongda Wang, Hatice Ceylan Koydemir, Yunzhe Qiu, Bijie Bai, Yibo Zhang, Yiyin Jin, Sabiha Tok, Enis Cagatay Yilmaz, Esin Gumustekin, Yilin Luo, Yair Rivenson, Aydogan Ozcan.

NB : L'article est disponible intégralement et gratuitement.