KI könnte Lebensmittelsystemen dabei helfen, Krankheitserreger, Betrug und Kontaminationen schneller zu erkennen

Von der Erkennung von Salmonellen bis hin zur Kennzeichnung riskanter Lebensmittellieferanten zeigt eine neue Überprüfung, wie KI die Lebensmittelsicherheitsforschung in Richtung einer schnelleren, vorausschauenderen Überwachung vorantreibt

In einer kürzlich in der Zeitschrift veröffentlichten systematischen Übersicht npj Lebensmittelwissenschaftfassten die Forscher Ergebnisse aus 161 von Experten begutachteten Veröffentlichungen zusammen, darunter Zeitschriftenartikel und Konferenzberichte, um das schnelle Wachstum der Forschung zu künstlicher Intelligenz (KI) in der Lebensmittelsicherheit abzubilden. In der Überprüfung wurde analysiert, wie Algorithmen für maschinelles Lernen (ML) und Deep Learning (DL) zunehmend zur Unterstützung von Labortests und -analysen eingesetzt werden. Darüber hinaus werden diese Modelle heute verwendet, um chemische Kontaminationen vorherzusagen und bei der Verfolgung lebensmittelbedingter Ausbrüche zu helfen, wodurch die Sicherheit und Effizienz globaler Lebensmittelversorgungsketten verbessert wird.

Die Ergebnisse der Überprüfung dokumentieren einen raschen Anstieg der KI-Forschung und ihrer berichteten Verwendung in veröffentlichten Studien zur Lebensmittelsicherheit sowie eine Verlagerung hin zu fortschrittlichen Deep-Learning-Modellen. Letztendlich unterstreicht die Überprüfung das Potenzial von KI, proaktiv sicherere und widerstandsfähigere globale Agrar- und Ernährungssysteme zu unterstützen und die Entscheidungsfindung im Bereich Lebensmittelsicherheit zu stärken.

Hintergrund

Die Gewährleistung der Lebensmittelsicherheit ist eine große globale Herausforderung mit Auswirkungen auf die öffentliche Gesundheit, die wirtschaftliche Stabilität und die Ernährungssicherheit. Traditionell stützte sich der Schutz von Lebensmitteln, die für den menschlichen Verzehr bestimmt sind, weitgehend auf reaktive Maßnahmen: die Untersuchung von Lebensmittelproben nach der Produktion oder die Untersuchung von Ausbrüchen nach einer Erkrankung der Verbraucher.

Allerdings erzeugen moderne Agrar- und Lebensmittelnetzwerke Datenmengen, die mit herkömmlichen manuellen Inspektionsmethoden nicht effizient verarbeitet werden können. Um diese herkömmliche Einschränkung zu beseitigen und eine sichere und validierte Lebensmittelversorgung zu gewährleisten, greifen Experten zunehmend auf künstliche Intelligenz (KI) zurück.

Während klassische Statistiken seit langem Risiken überwachen, führt KI Tools wie maschinelles Lernen ein, das Merkmale aus Daten extrahiert, um Ergebnisse vorherzusagen, und Deep Learning, das Rohdatensätze automatisch interpretiert.

Der jüngste Anstieg des Interesses an der Nutzung von KI in der Lebensmittelwissenschaft lässt sich am besten an der Zahl der jedes Jahr veröffentlichten, von Experten begutachteten Studien veranschaulichen. Im Jahr 2012 konzentrierte sich nur eine Studie auf die Anwendung von KI in der Lebensmittelsicherheit; Bis zum Jahr 2023 war diese Zahl auf 46 gestiegen. Bislang fehlte jedoch eine zusammenhängende globale Karte, die genau darlegt, wie diese Algorithmen in der Lebensmittelsicherheitsforschung untersucht und angewendet werden.

Über die Rezension

Die vorliegende Übersicht zielte darauf ab, diese wachsende wissenschaftliche Landschaft zusammenzufassen und einen Fahrplan für die zukünftige Forschung auf diesem Gebiet bereitzustellen. Bei der Überprüfung wurden zunächst 783 Kandidatenpublikationen aus der SCOPUS-Datenbank gesichtet.

Um den Screening-Prozess zu optimieren, setzte die Überprüfung ein aktives Lernsoftwaretool namens „ASReview“ ein. ASReview ist ein ML-Tool, das Beiträge basierend auf der prognostizierten Relevanz sequenziell einordnet. Bemerkenswert ist, dass das ML-Tool seine Auswahl anhand der Eingaben jedes Forschers verfeinern konnte. Mithilfe von ASReview überprüften die Forscher 434 Datensätze auf Titel- und Abstract-Ebene, bevor sie eine Volltextbewertung durchführten.

Nach der Volltextauswertung wurden 161 primäre Forschungsartikel und peer-reviewte Konferenzberichte, die bis April 2024 veröffentlicht wurden, für die endgültige Analyse ausgewählt. Diese Veröffentlichungen wurden nach Forschungsgebiet, Implementierungskontext, Datenerfassungsmethoden, anderen Methoden und der verwendeten spezifischen KI-Architektur klassifiziert.

In der Überprüfung wurden Studien in verschiedenen Forschungsbereichen kategorisiert, darunter mikrobiologische Gefahren, chemische Kontaminanten, Lebensmittelechtheit, Überwachung von Ausbrüchen lebensmittelbedingter Krankheiten und allgemeinere Fragen der Lebensmittelsicherheit.

Überprüfen Sie die Ergebnisse

Die Analysen der Überprüfung ergaben, dass KI stark auf bestimmte Sektoren konzentriert ist, wobei mikrobiologische Gefahren bei 35 % der überprüften Literatur an erster Stelle stehen. In der Mikrobiologie nutzten 59 % der Studien KI, um herkömmliche Labortests zu ergänzen. Beispielsweise kombinierte eine Studie einen „elektronischen Nasen“-Sensor mit Klassifizierungsalgorithmen zur Identifizierung von Salmonellen und erreichte eine Genauigkeit von 85 % bis 100 %. In einem anderen Fall prognostizierte ein Zufallswaldmodell Krankheitsendpunkte aus ungetaggten Salmonella-Gensequenzen mit einer Genauigkeit von 87 %.

Nach mikrobiologischen Gefahren waren chemische Kontaminanten der zweithäufigste Forschungsbereich und machten 25 % der überprüften Literatur aus. Dabei wurde KI überwiegend zur zerstörungsfreien Detektion von Schwermetallen oder Pestiziden eingesetzt. Lebensmittelbetrug und Echtheitsbetrug machten 17 % der Papiere aus, wobei Anwendungen wie das Scannen elektronischer Rechnungen zur Identifizierung verdächtiger Ölhersteller hervorgehoben wurden.

Unabhängig davon wurde auch gezeigt, dass der Einsatz von KI in der Krankheitsüberwachung potenzielle Vorteile gegenüber herkömmlichen Methoden bietet. Ein System nutzte anonymisierte Smartphone-Such- und Standortdaten zur Identifizierung kontaminierter Veranstaltungsorte und erwies sich in dieser Studie als mehr als dreimal so effektiv wie herkömmliche Untersuchungen.

Schließlich ergab die Überprüfung einen deutlichen Anstieg des Einsatzes von Deep-Learning-Algorithmen in der jüngsten Forschung, der von 22 % der Arbeiten im Jahr 2019 auf 43 % im Jahr 2023 anstieg.

Schlussfolgerungen

Der vorliegende Bericht macht deutlich, dass KI zwar eine Verbesserung der Lebensmittelüberwachung verspricht, jedoch erhebliche Hürden überwunden werden müssen, bevor ihr Potenzial voll ausgeschöpft werden kann. Dazu gehört vor allem das gravierende Klassenungleichgewicht, da die überwiegende Mehrheit der Lebensmittelsicherheitsdaten sichere Umgebungen mit geringer Kontamination widerspiegeln, was es für Algorithmen schwierig macht, seltene Anomalien mit hohem Risiko zu erkennen. Darüber hinaus verhindern Datenschutz- und Eigentumsbeschränkungen häufig den offenen Datenaustausch.

Die Autoren stellten außerdem fest, dass die Modellleistung nicht systematisch über Studien hinweg verglichen werden konnte, da viele Datensätze nur wenige positive Fälle und spärliche Prädiktorkombinationen enthielten. Darüber hinaus beschränkte sich die Überprüfung auf Scopus-indizierte Literatur und repräsentiert möglicherweise kommerzielle oder Fertigungsanwendungen, bei denen die Ergebnisse nicht in von Experten begutachteten Fachzeitschriften veröffentlicht werden.

Für die Zukunft betonen die Autoren, dass neue Lösungen wie erklärbare KI, die entmystifiziert, wie Modelle Entscheidungen treffen, und dezentrales föderiertes Lernen von entscheidender Bedeutung sein werden. Die Übernahme dieser Innovationen könnte dazu beitragen, die Lebensmittelsicherheit von einem weitgehend reaktiven System zu einem prädiktiveren, transparenteren und datengestützteren Überwachungsansatz zu verlagern.

Laden Sie Ihr PDF-Exemplar herunter, indem Sie hier klicken.

Quellen: