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.
