NOVA Through Two Lenses: From Nutrients to Food Processing Classification in Finland's National Food Database
Cette étude démontre qu'un classifieur d'apprentissage automatique entraîné sur la composition nutritionnelle peut être transféré efficacement entre différentes bases de données alimentaires pour identifier les aliments ultra-transformés et classer l'intensité du traitement, bien que l'attribution des quatre groupes NOVA demeure difficile en raison des ambiguïtés inhérentes aux définitions.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
La nourriture est bien plus qu'un simple carburant ; elle est un spectre de transformation. À une extrémité se trouvent les aliments à l'état naturel, comme une pomme ou une carotte crue. À l'autre extrémité se trouvent les produits qui ont été si lourdement altérés par l'industrie qu'ils ne ressemblent guère à leurs ingrédients d'origine, tels qu'une céréale de petit-déjeuner sucrée ou un gâteau emballé. Entre ces deux pôles se trouve un terrain intermédiaire composé d'aliments qui ont été cuits, conservés ou mélangés à des ingrédients simples comme le sel ou le sucre. Des scientifiques ont développé un système appelé NOVA pour classer ces aliments en quatre catégories, dans l'espoir de comprendre comment le degré de transformation affecte la santé humaine. L'idée est que plus un aliment est transformé, plus il est susceptible d'être lié à de mauvais résultats de santé, comme le diabète ou les maladies cardiaques. Cependant, trier des millions d'articles alimentaires à la main est lent, difficile et suscite souvent des désaccords, même parmi les experts. De plus, de nombreuses bases de données alimentaires nationales, qui suivent ce que les gens mangent, n'incluent pas ces étiquettes de transformation, laissant ainsi un vide dans les connaissances des chercheurs.
Pour combler cette lacune, une équipe de chercheurs a entrepris de voir si un ordinateur pouvait apprendre à trier les aliments correctement en examinant simplement leur contenu nutritionnel. Ils se sont concentrés sur un outil d'apprentissage automatique spécifique appelé FoodProX, qui avait été initialement entraîné sur des données alimentaires américaines pour prédire les groupes NOVA à partir de dix nutriments clés, tels que le sucre, les graisses, les fibres et le sodium. L'équipe se demandait si un modèle entraîné sur des aliments européens pourrait fonctionner aussi bien sur des aliments américains, et s'il pourrait étiqueter avec succès des aliments d'une base de données nationale finlandaise qui n'avaient jamais été triés auparavant. Ils ont rassemblé une collection massive de plus de 180 000 produits alimentaires provenant d'une base de données mondiale, principalement européenne, et ont appris à l'ordinateur à reconnaître les schémas de nutriments qui correspondent à chacune des quatre catégories NOVA. Ils ont ensuite testé ce nouveau modèle, entraîné sur des données européennes, sur des aliments européens inédits et sur un ensemble distinct d'aliments américains pour voir s'il pouvait généraliser ses connaissances au-delà des frontières.
Les résultats ont montré que l'ordinateur était remarquablement doué pour repérer les extrêmes du spectre alimentaire. Il pouvait identifier de manière fiable les aliments non transformés et les aliments ultra-transformés avec une grande précision. Lorsque les chercheurs ont demandé au modèle de distinguer les deux catégories les plus transformées — le groupe « transformé » et le groupe « ultra-transformé » — celui-ci a éprouvé des difficultés. Le modèle confondait fréquemment ces deux catégories intermédiaires, suggérant que les différences nutritionnelles entre elles sont trop subtiles pour être détectées avec certitude par un ordinateur. Cette confusion n'était pas un défaut de programmation de l'ordinateur, mais plutôt le reflet de la difficulté que rencontrent les humains lorsqu'ils tentent de tracer une ligne claire entre ces deux groupes. Même lorsque le modèle a été appliqué à la base de données finlandaise, qui contenait plus de 4 000 articles alimentaires sans étiquetage préalable, il a produit un classement cohérent des aliments du moins au plus transformé, plaçant les ingrédients bruts à l'extrémité basse et les plats préparés à l'extrémité haute.
L'étude a révélé que l'ordinateur s'appuyait fortement sur des nutriments spécifiques pour prendre ses décisions. Le sodium, ou sel, était l'indice le plus important, suivi de près par les sucres totaux. Les aliments riches en ces deux nutriments étaient poussés vers la catégorie ultra-transformée, tandis que les aliments pauvres en fibres et en fer étaient également signalés comme étant probablement hautement transformés. Curieusement, le modèle ne dépendait pas autant de l'énergie totale ou des graisses saturées que l'on pourrait s'y attendre. Lorsque les chercheurs ont comparé leur modèle entraîné en Europe avec la version américaine originale, ils ont constaté que, bien que les deux modèles puissent parfois être en désaccord sur la catégorie exacte d'un aliment spécifique, ils étaient largement d'accord sur l'ordre général. Ils classaient tous deux les aliments selon une séquence similaire, du moins au plus transformé, même si les chiffres exacts qu'ils attribuaient différaient légèrement. Cela suggère que si les frontières précises entre les catégories sont floues, la tendance générale de l'augmentation de la transformation est claire et mesurable par les seuls nutriments.
Les chercheurs ont conclu que, bien que les modèles basés sur les nutriments soient des outils puissants pour identifier les aliments ultra-transformés et les classer par intensité, ils ne peuvent pas remplacer parfaitement les experts humains pour trier chaque aliment dans les quatre groupes distincts de NOVA. La difficulté réside dans la nature même du système de classification, où la ligne entre un aliment transformé et un aliment ultra-transformé est souvent définie par la présence d'additifs industriels qui ne modifient pas de manière significative le profil nutritionnel. Un pain fait avec des ingrédients simples et un pain fait avec des émulsifiants et des conservateurs peuvent avoir des quantités de sucre, de sel et de graisses presque identiques, et pourtant appartiennent à des catégories différentes. Comme l'ordinateur ne peut pas voir la liste des ingrédients ou le processus de fabrication, il ne peut que deviner en fonction des nutriments qu'il peut mesurer.
Malgré ces limites, l'étude offre une voie pratique pour l'avenir. En appliquant ce modèle entraîné à la base de données alimentaire nationale finlandaise, les chercheurs ont créé le premier ensemble d'étiquettes de transformation pour des milliers d'articles alimentaires finlandais. Ces nouvelles données permettent aux scientifiques d'étudier comment la transformation des aliments en Finlande est liée aux résultats de santé sans avoir besoin d'étiqueter manuellement chaque article. Les conclusions suggèrent que, pour les études à grande échelle, utiliser un ordinateur pour signaler les aliments ultra-transformés est une stratégie fiable, même si les distinctions plus fines entre les aliments transformés et ultra-transformés restent incertaines. Ce travail souligne que, si les nutriments seuls ne peuvent pas raconter toute l'histoire de la transformation alimentaire, ils fournissent un signal fort qui peut aider les chercheurs et les décideurs politiques à comprendre la composition de notre approvisionnement alimentaire et son impact potentiel sur la santé publique.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.