Los métodos disponibles para verificar la frescura de la carne tienen varias desventajas que impiden que sean útiles para el público. Por ejemplo, el análisis químico o las evaluaciones de poblaciones microbianas toman demasiado tiempo y requieren las habilidades de un profesional. Por otro lado, los enfoques no destructivos basados ​​en espectroscopía de infrarrojo cercano requieren equipos costosos y sofisticados. ¿Podría la inteligencia artificial ser la clave para una forma más rentable de evaluar la frescura de la carne de vacuno?

En el Instituto de Ciencia y Tecnología de Gwangju (GIST), Corea de Sur, un equipo de científicos dirigido por los procesadores asociados Kyoobin Lee y Jae Gwan Kim ha desarrollado una nueva estrategia que combina el aprendizaje profundo con la espectroscopia de reflectancia difusa (DRS), una técnica óptica relativamente económica. "A diferencia de otros tipos de espectroscopía, DRS no requiere una calibración compleja; en cambio, se puede utilizar para cuantificar parte de la composición molecular de una muestra utilizando sólo un espectrómetro asequible y fácilmente configurable", explica Lee. Los hallazgos de su estudio ahora se publican en Food Chemistry .

Para determinar la frescura de las muestras de carne de res, se basaron en las mediciones de DRS para estimar las proporciones de diferentes formas de mioglobina en la carne. La mioglobina y sus derivados son las proteínas principales responsables del color de la carne y sus cambios durante el proceso de descomposición.

Sin embargo, convertir manualmente las mediciones de DRS en concentraciones de mioglobina para decidir finalmente la frescura de una muestra no es una estrategia muy precisa, y aquí es donde entra en juego el aprendizaje profundo.

Las redes neuronales convolucionales (CNN) son algoritmos de inteligencia artificial ampliamente utilizados que pueden aprender de un conjunto de datos preclasificado, denominado 'conjunto de entrenamiento', y encontrar patrones ocultos en los datos para clasificar nuevas entradas.

Para entrenar a la CNN, los investigadores recopilaron datos sobre 78 muestras de carne de res durante su proceso de deterioro midiendo regularmente su pH (acidez) junto con sus perfiles de DRS. Después de clasificar manualmente los datos de DRS en función de los valores de pH como "frescos", "normales" o "estropeados", alimentaron el algoritmo con el conjunto de datos de DRS etiquetado y también fusionaron esta información con estimaciones de mioglobina.

Además de su precisión, los puntos fuertes de esta nueva estrategia residen en su velocidad, bajo costo y naturaleza no destructiva. El equipo cree que es posible desarrollar dispositivos espectroscópicos portátiles pequeños para que todos puedan evaluar fácilmente la frescura de su carne, incluso en casa. Además, técnicas similares de espectroscopia y basadas en CNN también podrían extenderse a otros productos, como el pescado o la carne de cerdo. En el futuro, con un poco de suerte, será más fácil y más accesible identificar y evitar la carne cuestionable.