Como todos nuestros lectores conocen, abundan los estudios sobre los posibles efectos benéficos para el sistema cardiovascular y digestivo de una ingesta leve o moderada de vino, en especial del tinto, dentro de la denominada dieta mediterránea. Sin embargo, para los relevamientos y estudios destinados a medir el consumo de los encuestados, se utilizan preguntas sobre la ingesta cuyas respuestas suelen ser imprecisas porque varían mucho los tamaños de los vasos y las copas, y finalmente también son inexactos los volúmenes de vino calculados como saludables.
Ante esta dificultad metodológica, un grupo de investigadores españoles desarrolló un algoritmo que permite calcular exactamente el contenido de un vaso examinando una simple fotografía que los encuestados pueden mandar con sus teléfonos móviles. El modelo de análisis de imagen desarrollado constituye una herramienta útil para la evaluación precisa de los patrones de consumo de vino. Esta herramienta también podría tener futuras aplicaciones en estudios de mercado y de percepción de los consumidores, relacionados con el volumen de vino contenido en la copa.
Los resultados de este trabajo se han publicado en la revista Heliyon. Autores: Cobo, M., Relaño de la Guía, E., Heredia, I., Aguilar, F., Lloret-Iglesias, L., García, D., Yuste, S., Recio-Fernández, E., Pérez-Matute, P., Motilva, M-J., Moreno-Arribas, V., Bartolomé, B. (2024).
La estimación de la ingesta dietética en entornos de vida libre es un gran desafío en la ciencia de los alimentos y la investigación en nutrición. La ingesta dietética se puede evaluar mediante métodos directos, como la observación directa, dietas duplicadas y biomarcadores nutricionales, aunque los métodos más comunes incluyen métodos indirectos (auto-reporte), como diarios de alimentos (ponderados o estimados), recordatorio dietético de 24 horas y Cuestionarios de Frecuencia de Consumo de Alimentos (FFQs, por sus siglas en inglés).
Los investigadores españoles han desarrollado una herramienta digital de análisis de imagen que permite cuantificar el volumen de vino tinto servido en una copa o vaso, a partir de una simple fotografía tomada con un teléfono móvil.
En particular, los FFQs son listas de alimentos y bebidas con una sección de respuesta para informar con qué frecuencia se consume cada ítem durante un período de tiempo especificado (generalmente el año pasado, aunque se pueden usar períodos más cortos). Los FFQs, también clasificados como métodos a largo plazo, tienen varias ventajas: son menos costosos que otros métodos de evaluación dietética, permiten un análisis de datos rápido y automatizado, facilitan el establecimiento de patrones dietéticos individuales y pueden clasificar a las personas en una población en función de sus hábitos.
Sin embargo, los FFQs dependen principalmente de la memoria a largo plazo del sujeto entrevistado, no toman en cuenta la variación intrapersonal en el registro del consumo diario de alimentos durante el período de estudio y, en particular, no permiten una estimación precisa del tamaño de las porciones/volumen de los alimentos consumidos, para una revisión detallada.
Los resultados obtenidos por métodos subjetivos como son las respuestas de encuestados que apelan sólo a su memoria, tanto a corto como a largo plazo, podrían llevar a conclusiones inexactas y decisiones incorrectas. Por lo tanto, se necesitan tecnologías alternativas que permitan una evaluación precisa y sencilla de la ingesta de componentes alimentarios en entornos reales.
En este marco, han surgido nuevas tecnologías de imagen y computación portátiles capaces de realizar evaluaciones dietéticas objetivas y pasivas con un procedimiento mucho más simplificado que los cuestionarios de frecuencia de consumo de alimentos (FFQs) tradicionales.
La arquitectura de los llamados Sistemas de Reconocimiento de Alimentos Basados en Imágenes, desde la imagen digital de la comida hasta los datos finales de energía, nutrientes y otras características nutricionales, implica varias fases, como la recolección de imágenes, el preprocesamiento, la segmentación, la extracción de características, la reducción de dimensionalidad, la clasificación, la estimación del volumen y la estimación. Entre estas fases, la tarea más crítica es la estimación del tamaño de la porción de comida o del volumen contenido en una taza/vaso a partir de la imagen digital. En este contexto, la aplicación de inteligencia artificial y visión por computadora a los alimentos o líquidos y sus recipientes abre nuevas perspectivas para mejorar y estandarizar la información sobre el tamaño/volumen y la ingesta de componentes alimentarios.
Cómo determinar la ingesta dietética de vino
Este problema en la determinación de la ingesta dietética puede ser particularmente crítico en el caso del vino. Un consumo ligero a moderado de vino tinto es una de las características de la dieta mediterránea, probablemente uno de los patrones dietéticos más evaluados y recomendados.
La evaluación de la adherencia a la dieta mediterránea en estudios epidemiológicos y observacionales a través de los FFQs es particularmente inexacta, ya que una porción (vaso de vino) se estandariza a 100 mililitros (mL), lo que no siempre corresponde a las situaciones reales. Además, dependiendo del tipo de vaso (recipiente), el consumo de vino puede ser estimado incorrectamente debido a información inexacta sobre el volumen. La medición precisa de la ingesta de vino es un paso fundamental para estimar la ingesta de componentes bioactivos del vino (es decir, polifenoles) que podrían estar asociados con resultados de salud.
Para dar respuesta a este reto, un equipo de investigación multidisciplinar en el que participa el Instituto de Ciencias de la Vid y el Vino de España (ICVV) junto con el Instituto de Investigación en Ciencias de la Alimentación (CIAL), el Instituto de Física de Cantabria (IFCA) y el CIBIR (Centro de Investigación Biomédica de La Rioja) han desarrollado una herramienta digital de análisis de imagen que permite cuantificar el volumen de vino tinto servido en una copa o vaso, a partir de una simple fotografía tomada con un teléfono móvil. Para ello se ha aplicado un método de aprendizaje profundo (deep learning, DL) que se ha validado con un estudio de consumidores en el que han participado un total de 38 voluntarios, consumidores habituales de vino tinto, que han ido tomando fotos de su consumo habitual durante 3 semanas.
Como un primer enfoque para resolver el desafío de la estimación automática del volumen de líquidos, se propuso en un estudio anterior un método de aprendizaje profundo (DL, por sus siglas en inglés) para medir el volumen de vino tinto en un vaso a partir de una fotografía RGB (Rojo, Verde y Azul) de vista única, sin ningún objeto de referencia de tamaño. En este trabajo previo, el algoritmo fue entrenado con fotografías de laboratorio del conjunto de imágenes BrainGut_WineUp, como una primera aproximación, aunque alejada de las condiciones reales. El método DL logró un error absoluto medio (MAE) de 8 mL y se validó con éxito bajo diferentes condiciones de imagen tomadas a escala de laboratorio.
A partir de este algoritmo previo, en el presente estudio se desarrolló un modelo DL refinado para determinar el volumen de vino tinto en un vaso a partir de una fotografía de vista única, y presentamos su aplicación real basada en un estudio de consumidores ad hoc, como prueba de concepto.
Las principales contribuciones de este trabajo son:
- La creación y liberación de un conjunto de datos independiente de imágenes, mostrando diferentes recipientes con volúmenes de vino tinto anotados, capturados por los autores en situaciones cotidianas (el conjunto de imágenes de vida diaria BrainGut_WineUp);
- El ajuste fino del modelo DL de laboratorio previo con este nuevo conjunto de datos siguiendo un enfoque de aprendizaje por transferencia;
- La recopilación de un conjunto de datos de imágenes tomadas por los participantes de un estudio de consumidores de vino tinto (el conjunto de imágenes reales BrainGut_WineUp) [17];
- La evaluación de la aplicabilidad del método DL ajustado propuesto en las imágenes reales tomadas en el estudio de consumidores;
- La provisión de datos precisos sobre el volumen de vino tinto en un vaso (volumen por porción) y los hábitos de consumo de vino de los participantes en el estudio de consumidores. En general, este artículo muestra en un conjunto de datos de validación real que el volumen de vino tinto en un vaso puede preverse a partir de una imagen de vista única mediante enfoques de inteligencia artificial.
![](https://enolife.com.ar/es/wp-content/uploads/2024/08/image-32.png)
Resultados
Evaluación del Modelo DL
La Tabla 1 muestra los valores de las métricas de regresión MAE (Error Absoluto Medio) y RMSE (Error Cuadrático Medio de la Raíz) para todos los conjuntos considerados en este estudio: conjuntos de entrenamiento, validación y prueba que provienen del conjunto de imágenes de vida diaria, así como del conjunto de imágenes reales. Los valores de MAE y RMSE de nuestro sistema DL ajustado en el subconjunto de prueba (10 y 13 mL, respectivamente) se consideraron aceptables, indicando que el modelo fue optimizado con éxito con las imágenes de vida diaria. La Fig. Suplementaria 5 muestra gráficos de violín para las predicciones de cada valor de volumen de vino disponible en el conjunto de imágenes de vida diaria.
![](https://enolife.com.ar/es/wp-content/uploads/2024/08/Imagen1-14.jpg)
Para detectar las partes de la imagen en las que el modelo se centró más para hacer la estimación del volumen de vino, se evaluaron los mapas de saliencia para imágenes de prueba seleccionadas aleatoriamente. Como ejemplo del conjunto de imágenes de vida diaria, la Fig. 2 muestra la saliencia del gradiente (también conocida como gradiente vainilla) y los gradientes integrados, tanto en su versión estándar como suavizada. A pesar de que el recipiente de vidrio estaba parcialmente cubierto por un dedo, el modelo DL realizó una estimación adecuada, con un error relativo del 11 % (Fig. 2).
![](https://enolife.com.ar/es/wp-content/uploads/2024/08/image-33.png)
Los valores de MAE y RMSE de nuestro modelo ajustado en el conjunto de imágenes reales (imágenes de los participantes) fueron ligeramente superiores (26 y 33 mL, respectivamente) en comparación con el conjunto de imágenes de vida diaria (Tabla 1). La Fig. Suplementaria 6 muestra gráficos de violín para las predicciones de cada valor de volumen de vino disponible en el conjunto de imágenes reales. Además, evaluamos el porcentaje de fotografías que se predijeron con un error similar o mayor que la precisión del vaso utilizado para medir el volumen (±25 mL). Así, se calculó que el volumen de vino en 91 de las 229 imágenes (39.7 %) se dio con un error ≥25 mL.
Como ejemplo de la amplia variabilidad en la precisión de la estimación del volumen de vino entre las imágenes de los consumidores (conjunto de imágenes reales), la Fig. 3 muestra mapas de saliencia de fotografías con varios porcentajes de error relativo, atribuidos a diferentes circunstancias. La Fig. 3A muestra mapas de saliencia de una imagen de un participante para la cual el modelo realizó una estimación muy precisa (125 mL medidos frente a 125 mL estimados).
![](https://enolife.com.ar/es/wp-content/uploads/2024/08/image-34.png)
En este caso, el fondo oscuro detrás del vaso de vino tuvo un impacto menor en la predicción. Sin embargo, en las imágenes de otros participantes, el fondo parecía tener un impacto más fuerte en la predicción, especialmente cuando los participantes incluían otros objetos de vidrio, a pesar de que se les había aconsejado específicamente evitar estos elementos en sus fotografías. Esto indujo un mayor error relativo en la estimación (Fig. 3B, error relativo del 25 %, 125 mL medidos frente a 100 mL estimados).
En algunos casos, los participantes no parecían haber seguido las instrucciones indicadas en la aplicación web, ya que sus fotografías se tomaron a distancias cercanas o ángulos poco adecuados, como en el caso de la Fig. 3C (error relativo del 41 %). En otro ejemplo, el participante tomó una fotografía de un vaso lleno de vino rosado en lugar de vino tinto, como se muestra en la Fig. 3D (error relativo del 25 %, 125 mL medidos frente a 100 mL estimados), aunque el modelo DL fue capaz de predecir el volumen para este nuevo tipo de vino con bastante precisión, lo que podría abrir nuevas aplicaciones del modelo a otros tipos de vinos.
Además, en la inspección visual también se detectaron posibles fuentes de error en el volumen seleccionado a través de la aplicación web por el participante al subir la fotografía; este parecía ser el caso en la Fig. 3E (error relativo del 52 %). Finalmente, también hubo algunas fotografías en las que el participante utilizó un tipo de vaso diferente que el modelo no había visto antes, como en la Fig. 3F (error relativo del 32 %).
Evaluación del consumo individual de vino
Además de la evaluación del modelo DL ajustado, se analizó la información recopilada sobre el consumo individual de vino tinto del estudio de consumidores (conjunto de imágenes reales). El número de fotografías (vasos de vino consumidos) subidas por cada participante durante el período de 3 semanas que duró el estudio varió entre 1 y 17, con una media de 6 fotografías por participante
Con respecto al momento del consumo de vino tinto, se observó que el consumo individual de vino se realizó mayormente durante las comidas (almuerzo y cena), con un consumo mucho menor fuera de los horarios de las comidas (Fig. Suplementaria 4A). De los tres tipos de vino tinto consumidos, el vino «crianza» fue el más frecuentemente consumido (Fig. Suplementaria 4B). En cuanto al tipo de vaso utilizado para el consumo, se observó una considerable diversidad, aunque el tipo BordeauX fue el más frecuente (Fig. Suplementaria 4C).
La Fig. 4 muestra la distribución del volumen en un servicio (vaso) estimado por nuestro modelo DL a partir de las fotografías tomadas por los participantes (n = 229) (conjunto de imágenes reales) en comparación con el volumen medido directamente por el participante utilizando el vaso graduado. No se encontraron diferencias significativas (p = 0.253) entre ambas variables al aplicar la prueba t de muestras emparejadas. El volumen promedio en un servicio (vaso) calculado a partir de las estimaciones de nuestro modelo DL fue de 116 ± 29 mL de vino tinto, cercano al promedio del volumen medido por los participantes (114 ± 33 mL de vino tinto).
El diseño de este estudio de consumidores también permitió evaluar la influencia de diferentes factores en el volumen de vino tinto servido en un vaso, como el individuo, el género, el momento del consumo, el tipo de vino y el tipo de vaso (Fig. 5). Como era de esperar, se observó una variabilidad significativa (p < 0.000, prueba ANOVA) entre los individuos en el volumen de vino tinto servido, que varió de 50 a 275 mL (Fig. 5A). Cabe destacar que se sospechó un posible error hacia arriba en la etiqueta de la única imagen de 275 mL, como también lo indicó el volumen estimado por nuestro método (176 mL).
¿Quiénes llenan más el vaso, hombres o mujeres?
En relación con el género, en nuestro estudio no se encontraron diferencias significativas (p = 0.881, prueba t) entre los participantes masculinos y femeninos, aunque los participantes masculinos mostraron intervalos de variación más amplios (Fig. 5B). No se observaron diferencias estadísticas en relación con el momento del consumo (p = 0.383, prueba ANOVA) ni con el tipo de vino tinto (p = 0.446, prueba ANOVA) (Fig. 5C y D, respectivamente). No se observaron diferencias estadísticas en general para el tipo de vaso (p = 0.235, prueba ANOVA). Sin embargo, cuando se utilizaron vasos de mayor capacidad (es decir, copa de balón), la tendencia fue a servir volúmenes más altos de vino en comparación con los recipientes de menor capacidad (es decir, vaso corto) (p = 0.003, prueba t) (Fig. 5E).
El cuestionario para consumidores incluido en la aplicación web también nos permitió descubrir otra información cualitativa relacionada con las preferencias de consumo de vino tinto. En cuanto a la frecuencia de consumo de vino tinto, esta fue principalmente de uno o dos días por semana, siguiendo la misma tendencia en hombres y mujeres (Tabla Suplementaria 3). Cabe destacar que los hombres informaron consumir con más frecuencia que las mujeres.
El tipo de consumo, en todos los casos, fue mayor durante los fines de semana, y el número de copas fue mayormente de 1–2, con un aumento en el porcentaje de 3–4 copas en hombres (Tabla Suplementaria 3). La cerveza y otras bebidas se consumieron generalmente de manera ocasional, siendo el consumo de cerveza más alto (Tabla Suplementaria 3). En cuanto a las circunstancias del consumo de vino tinto (hora y lugar), el consumo preferido fue en casa; las mujeres tendieron a beber en casa y durante la cena, mientras que los hombres no mostraron una preferencia clara (mismo porcentaje en casa y fuera de casa, así como en el almuerzo y la cena) (Tabla Suplementaria 3). Alrededor del 78 % de los participantes masculinos en el estudio dijeron que nunca consumían vino bajo en alcohol, en comparación con el 41 % de las mujeres; por lo tanto, los resultados parecen señalar un mayor consumo de vino bajo en alcohol por parte de las mujeres (Tabla Suplementaria 3).
![](https://enolife.com.ar/es/wp-content/uploads/2024/08/image-35.png)
![](https://enolife.com.ar/es/wp-content/uploads/2024/08/image-36-758x1024.png)
Al elegir vino tinto, los factores preferidos, en orden descendente, fueron Denominación de Origen > Variedad de uva > Disfrutar de buena comida > Zona de producción del vino (Tabla Suplementaria 3). Las mujeres parecen tener más en cuenta la región que los hombres, mientras que alrededor del 17 % de los hombres encuestados se preocupaban por la salud al elegir vino, en comparación con el 0 % de las mujeres (Tabla Suplementaria 3). La tendencia general en actividades relacionadas con el vino fue muy similar para hombres y mujeres, con predominancia de compras en supermercados, seguidas de compras en línea y cursos de cata (Tabla Suplementaria 3). Finalmente, con respecto al conocimiento del mundo del vino, un mayor porcentaje de hombres (58.8 %) consultaba la información en la etiqueta en comparación con las mujeres (35.3 %) (Tabla Suplementaria 3).
Discusión
Hoy en día, la recopilación de datos sobre patrones de consumo de bebidas, particularmente de alcohol (etanol), es un tema sensible en el campo de la salud pública. De hecho, diversos estudios epidemiológicos han encontrado de manera consistente que los bebedores de vino ligeros y moderados dentro del marco de la Dieta Mediterránea parecen tener un menor riesgo de enfermedad cardiovascular (ECV) en comparación con los no bebedores, mientras que los bebedores excesivos presentan el mayor riesgo.
En estas circunstancias, se necesitan mediciones precisas para establecer claramente qué constituye un bebedor ligero y/o moderado. La estimación del consumo de vino a través de FFQs es particularmente inexacta, ya que una porción (vaso de vino) se estandariza a 100 mL, lo que no siempre corresponde a la realidad.
Basado en estas limitaciones, en este artículo se propone una estrategia para estimar el volumen de vino tinto en un vaso a partir de una imagen de vista única. Para ello, hemos seguido una estrategia previa basada en redes neuronales convolucionales (CNN) de regresión. De hecho, la mayoría de los conocidos Sistemas de Reconocimiento de Alimentos Basados en Imágenes también han adoptado métodos de aprendizaje profundo y especialmente CNN en al menos una fase de su desarrollo.
Uno de los primeros logros del presente estudio fue la generación de un conjunto de datos público de imágenes de consumo de vino tinto en situaciones reales (el conjunto de datos de imágenes diarias BrainGut_WineUp).
Este es un conjunto de datos de imágenes etiquetadas de vasos de vino tinto compuesto por 1945 imágenes que podrían ser útiles en futuras aplicaciones y modelado por la comunidad científica que trabaja en el campo de los componentes del vino. En nuestro estudio, el conjunto de datos de imágenes diarias BrainGut_WineUp nos permitió afinar el modelo DL previo siguiendo una arquitectura de CNN, típica de las tareas de visión por computadora.
Esta arquitectura se ha utilizado ampliamente en el aprendizaje profundo, junto con el aprendizaje por transferencia, particularmente en tareas de clasificación y reconocimiento de imágenes. La evaluación del modelo de aprendizaje profundo mejorado utilizando imágenes del conjunto de datos diario mostró predicciones confiables y precisas del volumen de vino (MAE de 10 mL y RMSE de 13 mL).
Estos valores fueron comparables a los reportados para el modelo DL anterior construido con imágenes de laboratorio (8 y 11 mL, respectivamente). Por lo tanto, el modelo inicial de laboratorio se optimizó con éxito, logrando un rendimiento en imágenes de la vida real comparable al de las imágenes de laboratorio, mientras que requería significativamente menos imágenes debido a la aplicación del enfoque de aprendizaje por transferencia.
Hasta donde sabemos, este es el primer método validado basado en digitalización para determinar el volumen de vino a partir de imágenes de vista única. Entre otras ventajas, este nuevo modelo solo requiere una fotografía (imágenes de vista única) y ningún objeto de referencia, lo que facilitará significativamente su uso futuro.
El método propuesto de aprendizaje profundo (DL) fue específicamente ajustado para imágenes de vino tinto, demostrando su efectividad para medir directamente el volumen de vino a partir de una imagen de una sola vista. Sin embargo, como se evidencia en la Fig. 3D, también produce resultados adecuados con vino rosado. Aplicar el método a otros tipos de vino y bebidas implicaría ajustar el modelo hasta cierto punto, dependiendo del nivel de precisión requerido para la tarea.
Paralelamente, se realizó un estudio ad hoc con consumidores a través de un servicio web que nos permitió generar un nuevo conjunto de imágenes (el conjunto de datos de imágenes reales BrainGut_WineUp) con el cual también se probó el nuevo modelo. En este caso, los predictores de volumen de vino mostraron valores más altos (MAE = 26 mL y RMSE = 33 mL), sobreestimando o subestimando en relación con el volumen «real» de vino medido. Para explicar este hallazgo e identificar posibles errores en las imágenes reales, se realizó una inspección visual para evaluar la calidad de las imágenes proporcionadas por los participantes. El error relativamente mayor observado era razonablemente esperado, ya que las fotografías fueron tomadas por los consumidores en situaciones cotidianas sin prestar especial atención a las indicaciones dadas en la aplicación web para tomar las fotografías.
Además, los errores más comunes detectados estaban relacionados con la presencia de objetos adicionales, la distancia/ángulo en el que se tomaron las fotografías o el uso de vino rosado en lugar de vino tinto, aunque el error detectado en este caso específico fue menor que en las otras situaciones.
Otra causa plausible que podría explicar el alto porcentaje de fotos mal estimadas fue el hecho de que los participantes aproximaron el volumen medido en el vaso a marcas específicas con intervalos de 25 mL (50, 75, 100, 125, 150, 175, 200, 225, 250, 275 y 300 mL) que estaban preestablecidas en la aplicación web. En contraste, para la generación de las imágenes «de la vida diaria», los vasos se llenaron con volúmenes medidos con un tubo de ensayo (precisión de 0.5 mL) a intervalos de 25 mL, lo que llevó a una mayor precisión en la estimación (Figuras Suplementarias 5 y 6).
De hecho, este es un aspecto del trabajo actual que debería mejorarse en futuros estudios en los que se pediría a los participantes que anoten el volumen medido exacto sin utilizar marcas preestablecidas. Por lo tanto, para estudios futuros, recomendamos incluir instrucciones más detalladas para la configuración de las fotografías y permitir que los participantes ajusten libremente el volumen; creemos que ambos cambios mejorarían la precisión de la estimación del volumen de vino por el modelo DL desarrollado.
El estudio con consumidores realizado a través del servicio web también proporcionó datos valiosos sobre el volumen de vino en un vaso (volumen por porción) así como datos sobre un estudio piloto sobre la ingesta de componentes del vino tinto, que es otra contribución de este trabajo. El volumen promedio en una porción (vaso) de las 229 fotografías tomadas por los 38 participantes fue de 114 ± 33 mL de vino tinto, menor que el volumen promedio reportado en un estudio en los Países Bajos realizado con 141 participantes (131.7 mL) a partir de 392 mediciones de porciones de vino tinto.
Varios factores explicarían las diferencias entre estudios, pero, en cualquier caso, todos los hallazgos sugieren que la estandarización de 100 mL por porción de vino considerada en muchas grabaciones dietéticas podría estar ligeramente subestimada y, en algunos patrones dietéticos, esto podría llevar a conclusiones no precisas.
Entre los factores considerados en este estudio que afectan el volumen de vino tinto servido en un vaso (Fig. 5), sólo el tipo de vaso pareció influir en esta característica del consumo de vino. Concretamente, el vaso de balón (el vaso de mayor capacidad) tendía a llevar a porciones mayores que el vaso corto (el vaso de menor capacidad) (Fig. 5E).
Aunque no hay muchos estudios en la literatura con los que comparar, un estudio centrado en el consumo de vino en casa [12] encontró que los hogares consumían en promedio un 6.5 % menos de vino cuando bebían de vasos más pequeños (290 mL) en comparación con vasos más grandes (350 mL). En un estudio de laboratorio [28], los autores también encontraron volúmenes significativamente menores cuando el vino se servía a sí mismo en vasos pequeños y medianos en comparación con vasos grandes. En relación con el género, algunos autores [29], en un experimento de vertido de agua y vino tinto, encontraron que los hombres tendían a verter más líquido en los vasos que las mujeres, un factor que fue débilmente apreciado en nuestro estudio.
La recopilación del consumo diario de vino mediante métodos digitales como el desarrollado en el presente estudio permitiría una estimación precisa de la ingesta dietética de alcohol y otros componentes beneficiosos, como los polifenoles, provenientes del consumo de vino.
Esto es de gran interés en el contexto de la dieta mediterránea, que probablemente es uno de los patrones dietéticos más evaluados y recomendados para mantener la salud, y que incluye un consumo ligero a moderado de vino tinto [9].
Por ejemplo, una ingesta diaria de 114 mL de vino tinto -el valor promedio para una porción de vino encontrado en este estudio- proporcionaría 80.9 Kcal (71 Kcal por 100 mL de vino tinto), 0.342 g de azúcares (0.3 g por 100 mL de vino tinto), 11.2 g de alcohol (12.5º de etanol por 100 mL de vino tinto) en la dieta. En cuanto a los fitoquímicos activos del vino (es decir, polifenoles), una porción de vino tinto de 114 mL proporcionaría un total de 137–342 mg de polifenoles totales si se considera una concentración de 1.2–3.0 g por litro de vino.
Además, considerando un valor promedio de ingesta diaria de polifenoles de 1011 mg/día en países mediterráneos (como España) [30], una porción de vino tinto de 114 mL representaría el 14–34 % de la ingesta dietética de polifenoles, dependiendo de la riqueza en polifenoles del vino. Estos datos deberían tenerse en cuenta al hacer recomendaciones dietéticas a grupos específicos.
En la práctica, el uso de un algoritmo automatizado para el monitoreo de la dieta, como el desarrollado en este estudio, ya sea por investigadores, dietistas o el público en general, requiere su implementación en aplicaciones móviles. En este sentido, el modelo de DL propuesto será la base de una próxima aplicación que nos permitirá estimar el volumen de vino a partir de una fotografía utilizando el teléfono móvil.
En resumen, este estudio informa sobre el desarrollo de un nuevo modelo de DL refinado para la estimación del volumen de vino tinto en un vaso, con los hallazgos que demuestran el rendimiento y la viabilidad de este modelo en una pequeña cohorte de adultos consumidores de vino tinto.
El modelo de DL propuesto constituye una herramienta automática simple y efectiva para medir el volumen de vino tinto y supera las desventajas generales de los cuestionarios de frecuencia alimentaria convencionales, donde la medición de líquidos es subjetiva e imprecisa, ya que se basa en el recuerdo del participante.
Además, cuando se integra con la aplicación web utilizada en este estudio, el modelo de aprendizaje profundo desarrollado facilita la estimación de la ingesta de componentes del vino y su asociación con resultados de salud. En el futuro, estas tecnologías de imagen y computación podrían ampliarse a otros alimentos, ofreciendo diversas aplicaciones en ciencia de alimentos y nutrición.
Conclusión
Los resultados han mostrado que el modelo de DL demostró una buena precisión para el cálculo del volumen de vino tinto, a partir de fotografías tomadas en situaciones reales de consumo, permitiendo estimar que el volumen medio de vino tinto consumido en una copa es de 114 ± 33 mL dependiendo del formato de copa. El modelo de análisis de imagen desarrollado en el marco de este trabajo constituye una herramienta útil para la evaluación precisa de los patrones de consumo de vino. No obstante, esta herramienta podría tener futuras aplicaciones en los estudios de mercado y de percepción de los consumidores, relacionados con el volumen de vino contenido en la copa.
Fuente: Instituto de Ciencias de la Vid y el Vino de España. Publicado originalmente el 7/8/24