Milliók életét mentheti meg az új AI, ami azonosítja a szennyezett élelmiszert
A különböző betegségeket, például hormonzavart és daganatot is kiváltó mikotoxinok, illetve más ételmérgezések több mint négymillió ember halálát okozzák évente. Egy új technológia ugyanakkor már a termőföldön vagy a feldolgozóüzemben képes kiszűrni a szennyezett élelmiszert.
Egy nemzetközi kutatócsoport – az Ausztrál Szövetségi Kormány és a SureNut Australia élelmiszerbiztonsági cég támogatásával – bemutatta, hogy a mesterséges intelligencia hogyan képes felismerni a szennyezett élelmiszert, még jóval azelőtt, hogy a fogyasztókhoz kerülne. Ez az elevenbe vágó eredmény évente akár négymillió életet menthet meg.
A Dél-Ausztrál Egyetem vezetésével készült tanulmány leírja, hogy a fejlett hiperspektrális képalkotás (HSI) és a gépi tanulás miként tudja azonosítani a mikotoxinokat. Ezeket a veszélyes vegyületeket gombák termelik, és nem csak a növekedés, hanem a betakarítás és a tárolás során is megfertőzhetik az élelmiszert. A mikotoxinok súlyos egészségügyi problémákat, például rákot, legyengült immunrendszert és hormonális rendellenességeket okoznak.
Az Egészségügyi Világszervezet adatai szerint az ételmérgezés – beleértve a mikotoxinokat is – évente 600 millió megbetegedést és 4,2 millió halálesetet okoz világszerte.
Az ENSZ Élelmezési és Mezőgazdasági Szervezete szerint a világ terményeinek körülbelül 25 százalékát szennyezik be mikotoxint termelő gombák, ami gazdasági és egészségügyi szempontból is sürgetővé teszi a probléma kezelését.
Van jobb megoldás a jelenleg alkalmazott teszteknél
Persze ma is léteznek mikotoxin-vizsgálati módszerek, csakhogy a magas megbetegedési és halálozási arány azt jelzi, hogy ezek messze nem elég hatékonyak, ráadásul amellett, hogy lassúak és drágák, roncsolhatják az élelmiszert. Ahasan Kabir, a tanulmány vezető szerzője szerint a hagyományos tesztelés nem alkalmas rá, hogy nagyüzemi, valós idejű élelmiszer-feldolgozás szintjén alkalmazzák.
„Ezzel szemben a hiperspektrális képalkotás – amely a felvételeken részletes spektrális információkat is rögzít – lehetővé teszi, hogy gyorsan kimutassuk és mérjük a szennyeződést az egész élelmiszermintán, anélkül, hogy tönkretennénk” – hangsúlyozta a tudós.
Kabir és ausztrál, kanadai, valamint indiai kollégái gabonaféléken, illetve olajos magvakon tesztelték, hogy a HSI módszer mennyire hatékony a mérgező vegyületek felismerésében. Azért választották ezeket a terményeket, mert a termelés és a tárolás során különösen érzékenyek a gombákra és a mikotoxin-szennyeződésre, főleg meleg, párás környezetben.
„A HSI optikai lenyomatot készít a mikotoxinokról, és gépi tanulási algoritmusokkal párosítva, a finom spektrális eltérések alapján osztályozza a szennyezett gabonát vagy magvakat” – magyarázta Kabir.
A kutatók több mint 80 olyan tanulmányt elemeztek, amelyek búzára, kukoricára, árpára, zabra, mandulára, földimogyoróra és pisztáciára alkalmazott vizsgálatokról szólnak. Az összehasonlítás alapján arra jutottak, hogy a gépi tanulással kombinált HSI-rendszerek következetesen felülmúlják a hagyományos technikákat a fő mikotoxinok kimutatásában.
„Ez a technológia különösen hatékony az aflatoxin B1 azonosításában, amely az egyik leginkább rákkeltő anyag az élelmiszerekben, és jól skálázható, nem invazív megoldást nyújt az ipari élelmiszerbiztonság számára, az almák válogatásától a búza- és kukoricaszállítmányok ellenőrzéséig” – szögezte le Sang-Heon Lee professzor, a Dél-ausztrál Egyetem munkatársa.
A kutatók szerint a HSI és a gépi tanulás további fejlesztései alkalmassá teszik az AI-technológiát a feldolgozósorokon vagy akár kézi eszközökön történő alkalmazásra is. Ha széles körben sikerül átültetni a gyakorlatba, akkor nagyban csökkenti majd az egészségügyi kockázatokat és a kereskedelmi veszteségeket, hiszen végre lehetőséget ad rá, hogy csak biztonságos, szennyeződésmentes termény jusson el a fogyasztókhoz.
A csapat jelenleg is dolgozik a módszer pontosságának és megbízhatóságának javításán, a mélytanulás és a mesterséges intelligencia segítségével.
A címlapkép illusztráció. Forrás: Freepik
