هوش مصنوعی در سلامت مواد غذایی

به گزارش روابط عمومی و اطلاع‌رسانی فرهنگستان علوم، دکتر مهران مرادی، همکار مدعو شاخه بهداشت مواد غذایی گروه علوم دامپزشکی فرهنگستان علوم و استاد دانشکده دامپزشکی دانشگاه ارومیه در یادداشتی آورده است:

سلامت مواد غذایی یکی از ارکان اصلی امنیت غذایی و رژیم‌های غذایی سالم است که تأثیرات مستقیمی بر سلامت عمومی و اقتصاد جهانی دارد. با رشد روزافزون فناوری، هوش مصنوعی (AI) به ابزاری قدرتمند برای تحول در فرآیندهای تصمیم‌گیری و مدیریت زنجیرۀ تأمین مواد غذایی تبدیل شده است. در مقاله‌ای که در سال ۲۰۲۶ در مجلۀ npj Science of Food منتشر شده است، پژوهشگران Wageningen University & Research  و FAO، کاربردهای هوش مصنوعی در سلامت غذا را به‌صورت نظام‌مند بررسی کرده‌اند. این مطالعه با استفاده از ابزار ASReview و روش یادگیری فعال، 161 مقالۀ علمی داوری‌شده مرتبط را شناسایی و بررسی کرده است. این یادداشت، به خلاصه‌ای از مهم‌ترین یافته‌ها و چالش‌های پیش روی این فناوری در این مقاله پرداخته است. 

یکی از مهم‌ترین یافته‌های این مقاله، بیان حرکت کاربرد هوش مصنوعی از تشخیص و اندازه‌گیری آلودگی به سمت پیش‌بینی وقوع خطرات، شناسایی عوامل مؤثر بر آن‌ها و پشتیبانی از تصمیم‌گیری‌های نظارتی است. پژوهش‌های بررسی‌شده نشان می‌دهند که هوش مصنوعی در پنج حوزۀ کلیدی سلامت مواد غذایی به کار گرفته می‌شود:

• خطرات میکروبی (۳۵ درصد از مطالعات): استفاده از هوش مصنوعی، به‌ویژه الگوریتم‌های یادگیری ماشین و یادگیری عمیق، برای تشخیص و کمی‌سازی باکتری‌های بیماری‌زا مانند سالمونلا، اشریشیا کلی و لیستریا، با هدف افزایش سرعت، دقت و کارایی آزمون‌های آزمایشگاهی، همچنین پیش‌بینی خطرات میکروبی، از جمله مقاومت آنتی‌بیوتیکی و پیش‌بینی آلودگی آب‌های مورد استفاده در تولید محصولات کشاورزی؛  

• خطرات شیمیایی (۲۵ درصد از مطالعات): استفاده از هوش مصنوعی برای پایش، شناسایی و کمی‌سازی خطرات شیمیایی، از جمله مایکوتوکسین‌ها، باقی‌ماندۀ آفت‌کش‌ها و داروهای دامپزشکی و فلزات سنگین، با بهره‌گیری از روش‌هایی مانند طیف‌سنجی، تصویربرداری ابرطیفی، تصویربرداری فلورسانس و طیف‌سنجی جرمی؛ همچنین توسعۀ ابزارهای سریع، غیرمخرب و کم‌هزینه برای پایش این آلاینده‌ها؛

•  تقلبات غذایی و اصالت‌سنجی (۱۷ درصد از مطالعات): شناسایی تقلب و ارزیابی اصالت مواد غذایی با استفاده از روش‌های تحلیلی مانند طیف‌سنجی مادون قرمز نزدیک و فلورسانس، حسگرهای بویایی و چشایی الکترونیکی و الگوریتم‌های یادگیری ماشین؛

• رصد و بررسی شیوع بیماری‌های ناشی از غذا (6 درصد از مطالعات): تحلیل داده‌های ترکیبی، شبکه‌های اجتماعی و الگوهای جستجوی اینترنتی برای شناسایی و پیش‌بینی سریع کانون‌های شیوع بیماری؛  

• سایر حوزه‌های کلی سلامت مواد غذایی (۱۸ درصد از مطالعات): استفاده از هوش مصنوعی برای هشدار زودهنگام دربارۀ خطرات متعدد، شناسایی فساد و پایش ماندگاری، ارزیابی انطباق واحدهای غذایی با مقررات، ردیابی و فراخوان محصولات و بهبود فرایندهای بازرسی و کنترل مرزی.  

با وجود مزایای فراوان، به‌کارگیری هوش مصنوعی با موانعی روبه‌رو است که نیازمند توجه ویژه است:

• ناهمواری و نامتعادل بودن داده‌ها: بیشتر داده‌های سلامت مواد غذایی ناقص و نامتوازن هستند و معمولاً بخش بزرگی از نتایج تحلیلی، غلظت پایین آلودگی را نشان می‌دهند، درحالی‌که تنها بخش کوچکی از نمونه‌ها از حدود مجاز فراتر می‌روند. این عدم توازن می‌تواند موجب شود مدل‌ها در شناسایی موارد نادر اما مهم آلودگی عملکرد مطلوبی نداشته باشند و مقایسۀ شاخص‌هایی مانند دقت میان مطالعات نیز دشوار شود؛

• حریم خصوصی و مالکیت داده‌ها: اطلاعات تجاری شرکت‌ها و داده‌های سلامت عمومی حساس هستند و اشتراک‌گذاری آن‌ها به سادگی میسر نیست، ضمن آنکه بسیاری از اطلاعات مربوط به سلامت مواد غذایی به صورت آزاد در دسترس نیستند. راهکارهایی مانند یادگیری فدریت (Federated Learning؛ روشی است که در آن مدل‌های هوش مصنوعی بدون نیاز به انتقال یا اشتراک‌گذاری داده‌های حساس و محلی، با استفاده از اطلاعات پراکنده در مراکز مختلف آموزش می‌بینند) برای آموزش مدل‌ها بدون افشای داده‌های حساس پیشنهاد شده است؛

• شفافیت و مدل‌های جعبه‌سیاه (black boxes): مدل‌های یادگیری عمیق پیچیده هستند و درک نحوۀ تصمیم‌گیری آن‌ها دشوار است. توسعۀ هوش مصنوعی توضیح‌پذیر (XAI یا Explainable AI) برای اطمینان از صحت و قابلیت اعتماد تصمیمات حیاتی ضروری است.   

رشد انتشارات علمی در حوزه هوش مصنوعی (از تنها یک مقاله در سال ۲۰۱۲ به ده‌ها مقاله در سال‌های اخیر) نشان‌دهنده اقبال روزافزون پژوهشگران است. تلفیق رویکردهای جامع سیستم‌های غذایی با فناوری‌های نوین می‌تواند آینده‌ای امن‌تر، شفاف‌تر و کارآمدتر را برای صنعت کشاورزی و تامین مواد غذایی رقم بزند.

 van Meer F, Takeuchi M, Ochieng PE, Tavelli R, Gerssen A, van der Velden BHM. Artificial intelligence in food safety. npj Science of Food. 2026. doi:10.1038/s41538-026-00925-1.