{"id":121968,"date":"2024-08-15T20:43:39","date_gmt":"2024-08-15T20:43:39","guid":{"rendered":"https:\/\/enolife.com.ar\/es\/?p=121968"},"modified":"2024-08-17T14:59:43","modified_gmt":"2024-08-17T14:59:43","slug":"con-ia-y-fotos-estiman-cuanto-vino-contiene-una-copa-y-miden-los-beneficios-del-consumo-moderado","status":"publish","type":"post","link":"https:\/\/enolife.com.ar\/es\/con-ia-y-fotos-estiman-cuanto-vino-contiene-una-copa-y-miden-los-beneficios-del-consumo-moderado\/","title":{"rendered":"Con IA y fotos estiman cu\u00e1nto vino contiene una copa y miden los beneficios del consumo moderado"},"content":{"rendered":"\n

Como todos nuestros lectores conocen, abundan los estudios sobre los posibles efectos ben\u00e9ficos para el sistema cardiovascular y digestivo de una ingesta leve o moderada de vino, en especial del tinto, dentro de la denominada dieta mediterr\u00e1nea. 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 var\u00edan mucho los tama\u00f1os de los vasos y las copas, y finalmente tambi\u00e9n son inexactos los vol\u00famenes de vino calculados como saludables.<\/strong><\/em> <\/h4>\n\n\n\n
\n\n\n\n

Ante esta dificultad metodol\u00f3gica, un grupo de investigadores espa\u00f1oles desarroll\u00f3 un algoritmo que permite calcular exactamente el contenido de un vaso examinando una simple fotograf\u00eda que los encuestados pueden mandar con sus tel\u00e9fonos m\u00f3viles. El modelo de an\u00e1lisis de imagen desarrollado constituye una herramienta \u00fatil para la evaluaci\u00f3n precisa de los patrones de consumo de vino. Esta herramienta tambi\u00e9n podr\u00eda tener futuras aplicaciones en estudios de mercado y de percepci\u00f3n de los consumidores, relacionados con el volumen de vino contenido en la copa.<\/strong><\/em><\/h4>\n\n\n\n
<\/div>\n\n\n\"\"<\/a>\n\n\n
<\/div>\n\n\n\n

Los resultados de este trabajo se han publicado en la revista Heliyon<\/strong>. Autores: Cobo<\/strong>, M., Rela\u00f1o de la Gu\u00eda<\/strong>, E., Heredia<\/strong>, I., Aguilar<\/strong>, F., Lloret-Iglesias<\/strong>, L., Garc\u00eda<\/strong>, D., Yuste<\/strong>, S., Recio-Fern\u00e1ndez<\/strong>, E., P\u00e9rez-Matute<\/strong>, P., Motilva<\/strong>, M-J., Moreno-Arribas<\/strong>, V., Bartolom\u00e9<\/strong>, B. (2024).<\/em><\/p>\n\n\n\n

<\/div>\n\n\n\n

La estimaci\u00f3n de la ingesta diet\u00e9tica en entornos de vida libre<\/strong> es un gran desaf\u00edo en la ciencia de los alimentos y la investigaci\u00f3n en nutrici\u00f3n. La ingesta diet\u00e9tica se puede evaluar mediante m\u00e9todos directos, como la observaci\u00f3n directa, dietas duplicadas y biomarcadores nutricionales, aunque los m\u00e9todos m\u00e1s comunes incluyen m\u00e9todos indirectos (auto-reporte), como diarios de alimentos (ponderados o estimados), recordatorio diet\u00e9tico de 24 horas y Cuestionarios de Frecuencia de Consumo de Alimentos (FFQs, por sus siglas en ingl\u00e9s). <\/strong><\/p>\n\n\n\n

<\/div>\n\n\n\n

Los investigadores espa\u00f1oles han desarrollado una herramienta digital de an\u00e1lisis de imagen que permite cuantificar el volumen de vino tinto servido en una copa o vaso, a partir de una simple fotograf\u00eda tomada con un tel\u00e9fono m\u00f3vil.<\/h3>\n\n\n\n
<\/div>\n\n\n\n

En particular, los FFQs son listas de alimentos y bebidas con una secci\u00f3n de respuesta para informar con qu\u00e9 frecuencia se consume cada \u00edtem durante un per\u00edodo de tiempo especificado (generalmente el a\u00f1o pasado, aunque se pueden usar per\u00edodos m\u00e1s cortos). Los FFQs, tambi\u00e9n clasificados como m\u00e9todos a largo plazo, tienen varias ventajas: son menos costosos que otros m\u00e9todos de evaluaci\u00f3n diet\u00e9tica, permiten un an\u00e1lisis de datos r\u00e1pido y automatizado, facilitan el establecimiento de patrones diet\u00e9ticos individuales y pueden clasificar a las personas en una poblaci\u00f3n en funci\u00f3n de sus h\u00e1bitos.<\/p>\n\n\n\n

Sin embargo, los FFQs dependen principalmente de la memoria a largo plazo del sujeto entrevistado, no toman en cuenta la variaci\u00f3n intrapersonal en el registro del consumo diario de alimentos durante el per\u00edodo de estudio y, en particular, no permiten una estimaci\u00f3n precisa del tama\u00f1o de las porciones\/volumen de los alimentos consumidos, para una revisi\u00f3n detallada. <\/p>\n\n\n\n

<\/div>\n\n\n\n

Los resultados obtenidos por m\u00e9todos subjetivos como son las respuestas de encuestados que apelan s\u00f3lo a su memoria, tanto a corto como a largo plazo, podr\u00edan llevar a conclusiones inexactas y decisiones incorrectas. Por lo tanto, se necesitan tecnolog\u00edas alternativas que permitan una evaluaci\u00f3n precisa y sencilla de la ingesta de componentes alimentarios en entornos reales.<\/h3>\n\n\n\n
<\/div>\n\n\n\n

En este marco, han surgido nuevas tecnolog\u00edas de imagen y computaci\u00f3n port\u00e1tiles capaces de realizar evaluaciones diet\u00e9ticas objetivas y pasivas con un procedimiento mucho m\u00e1s simplificado que los cuestionarios de frecuencia de consumo de alimentos (FFQs) tradicionales.<\/p>\n\n\n\n

La arquitectura de los llamados Sistemas de Reconocimiento de Alimentos Basados en Im\u00e1genes<\/strong>, desde la imagen digital de la comida hasta los datos finales de energ\u00eda, nutrientes y otras caracter\u00edsticas nutricionales, implica varias fases, como la recolecci\u00f3n de im\u00e1genes, el preprocesamiento, la segmentaci\u00f3n, la extracci\u00f3n de caracter\u00edsticas, la reducci\u00f3n de dimensionalidad, la clasificaci\u00f3n, la estimaci\u00f3n del volumen y la estimaci\u00f3n. Entre estas fases, la tarea m\u00e1s cr\u00edtica es la estimaci\u00f3n del tama\u00f1o de la porci\u00f3n de comida o del volumen contenido en una taza\/vaso a partir de la imagen digital. En este contexto, la aplicaci\u00f3n de inteligencia artificial y visi\u00f3n por computadora a los alimentos o l\u00edquidos y sus recipientes <\/strong>abre nuevas perspectivas para mejorar y estandarizar la informaci\u00f3n sobre el tama\u00f1o\/volumen y la ingesta de componentes alimentarios.<\/p>\n\n\n\n

<\/div>\n\n\n\n

C\u00f3mo determinar la ingesta diet\u00e9tica de vino<\/strong><\/p>\n\n\n\n

Este problema en la determinaci\u00f3n de la ingesta diet\u00e9tica puede ser particularmente cr\u00edtico en el caso del vino. Un consumo ligero a moderado de vino tinto es una de las caracter\u00edsticas de la dieta mediterr\u00e1nea<\/strong>, probablemente uno de los patrones diet\u00e9ticos m\u00e1s evaluados y recomendados. <\/p>\n\n\n\n

La evaluaci\u00f3n de la adherencia a la dieta mediterr\u00e1nea en estudios epidemiol\u00f3gicos y observacionales a trav\u00e9s de los FFQs es particularmente inexacta, ya que una porci\u00f3n (vaso de vino) se estandariza a 100 mililitros (mL)<\/strong>, lo que no siempre corresponde a las situaciones reales. Adem\u00e1s, dependiendo del tipo de vaso (recipiente), el consumo de vino puede ser estimado incorrectamente debido a informaci\u00f3n inexacta sobre el volumen. La medici\u00f3n precisa de la ingesta de vino es un paso fundamental para estimar la ingesta de componentes bioactivos del vino (es decir, polifenoles) que podr\u00edan estar asociados con resultados de salud.<\/p>\n\n\n\n

Para dar respuesta a este reto, un equipo de investigaci\u00f3n multidisciplinar en el que participa el Instituto de Ciencias de la Vid y el Vino de Espa\u00f1a (ICVV<\/strong>) junto con el Instituto de Investigaci\u00f3n en Ciencias de la Alimentaci\u00f3n (CIAL)<\/strong>, el Instituto de F\u00edsica de Cantabria (IFCA)<\/strong> y el CIBIR (Centro de Investigaci\u00f3n Biom\u00e9dica de La Rioja)<\/strong> han desarrollado una herramienta digital de an\u00e1lisis de imagen que permite cuantificar el volumen de vino tinto servido en una copa o vaso, a partir de una simple fotograf\u00eda tomada con un tel\u00e9fono m\u00f3vil. Para ello se ha aplicado un m\u00e9todo 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.<\/p>\n\n\n\n

Como un primer enfoque para resolver el desaf\u00edo de la estimaci\u00f3n autom\u00e1tica del volumen de l\u00edquidos, se propuso en un estudio anterior un m\u00e9todo de aprendizaje profundo (DL, por sus siglas en ingl\u00e9s) para medir el volumen de vino tinto en un vaso a partir de una fotograf\u00eda RGB (Rojo, Verde y Azul) de vista \u00fanica, sin ning\u00fan objeto de referencia de tama\u00f1o. En este trabajo previo, el algoritmo fue entrenado con fotograf\u00edas de laboratorio del conjunto de im\u00e1genes BrainGut_WineUp, como una primera aproximaci\u00f3n, aunque alejada de las condiciones reales. El m\u00e9todo DL logr\u00f3 un error absoluto medio (MAE) de 8 mL y se valid\u00f3 con \u00e9xito bajo diferentes condiciones de imagen tomadas a escala de laboratorio.<\/p>\n\n\n\n

A partir de este algoritmo previo, en el presente estudio se desarroll\u00f3 un modelo DL refinado para determinar el volumen de vino tinto en un vaso a partir de una fotograf\u00eda de vista \u00fanica, y presentamos su aplicaci\u00f3n real basada en un estudio de consumidores ad hoc, como prueba de concepto. <\/p>\n\n\n\n

Las principales contribuciones de este trabajo son:<\/strong><\/p>\n\n\n\n

    \n
  1. La creaci\u00f3n y liberaci\u00f3n de un conjunto de datos independiente de im\u00e1genes, mostrando diferentes recipientes con vol\u00famenes de vino tinto anotados, capturados por los autores en situaciones cotidianas (el conjunto de im\u00e1genes de vida diaria BrainGut_WineUp);<\/li>\n\n\n\n
  2. El ajuste fino del modelo DL de laboratorio previo con este nuevo conjunto de datos siguiendo un enfoque de aprendizaje por transferencia; <\/li>\n\n\n\n
  3. La recopilaci\u00f3n de un conjunto de datos de im\u00e1genes tomadas por los participantes de un estudio de consumidores de vino tinto (el conjunto de im\u00e1genes reales BrainGut_WineUp) [17]; <\/li>\n\n\n\n
  4. La evaluaci\u00f3n de la aplicabilidad del m\u00e9todo DL ajustado propuesto en las im\u00e1genes reales tomadas en el estudio de consumidores; <\/li>\n\n\n\n
  5. La provisi\u00f3n de datos precisos sobre el volumen de vino tinto en un vaso (volumen por porci\u00f3n) y los h\u00e1bitos de consumo de vino de los participantes en el estudio de consumidores. En general, este art\u00edculo muestra en un conjunto de datos de validaci\u00f3n real que el volumen de vino tinto en un vaso puede preverse a partir de una imagen de vista \u00fanica mediante enfoques de inteligencia artificial. <\/li>\n<\/ol>\n\n\n\n
    <\/div>\n\n\n
    \n
    \"\"<\/a>
    Fig. 1. Arquitectura propuesta de la CNN para la estimaci\u00f3n del volumen de vino. Los n\u00fameros indican la forma de las im\u00e1genes de entrada y el tama\u00f1o de las capas finales que resultan en la predicci\u00f3n.<\/strong><\/em><\/figcaption><\/figure><\/div>\n\n\n
    <\/div>\n\n\n\n

    Resultados<\/strong><\/p>\n\n\n\n

    Evaluaci\u00f3n del Modelo DL<\/strong><\/p>\n\n\n\n

    La Tabla 1 muestra los valores de las m\u00e9tricas de regresi\u00f3n MAE (Error Absoluto Medio) y RMSE (Error Cuadr\u00e1tico Medio de la Ra\u00edz) para todos los conjuntos considerados en este estudio: conjuntos de entrenamiento, validaci\u00f3n y prueba que provienen del conjunto de im\u00e1genes de vida diaria, as\u00ed como del conjunto de im\u00e1genes 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 \u00e9xito con las im\u00e1genes de vida diaria. La Fig. Suplementaria 5 muestra gr\u00e1ficos de viol\u00edn para las predicciones de cada valor de volumen de vino disponible en el conjunto de im\u00e1genes de vida diaria.<\/p>\n\n\n\n

    <\/div>\n\n\n\n
    \"\"<\/a>
    Tabla 1 Evaluaci\u00f3n de m\u00e9tricas de rendimiento (MAE y RMSE) para las predicciones de volumen de vino con nuestro modelo de DL en el conjunto de datos de im\u00e1genes diarias similares a la vida (entrenamiento, validaci\u00f3n y prueba) y en el conjunto de datos de im\u00e1genes reales.<\/strong><\/em><\/figcaption><\/figure>\n\n\n\n
    <\/div>\n\n\n\n

    Para detectar las partes de la imagen en las que el modelo se centr\u00f3 m\u00e1s para hacer la estimaci\u00f3n del volumen de vino, se evaluaron los mapas de saliencia para im\u00e1genes de prueba seleccionadas aleatoriamente. Como ejemplo del conjunto de im\u00e1genes de vida diaria, la Fig. 2 muestra la saliencia del gradiente (tambi\u00e9n conocida como gradiente vainilla) y los gradientes integrados, tanto en su versi\u00f3n est\u00e1ndar como suavizada. A pesar de que el recipiente de vidrio estaba parcialmente cubierto por un dedo, el modelo DL realiz\u00f3 una estimaci\u00f3n adecuada, con un error relativo del 11 % (Fig. 2).<\/p>\n\n\n\n

    <\/div>\n\n\n
    \n
    \"\"<\/a>
    Fig. 2. Mapas de saliencia est\u00e1ndar y suavizados para una imagen de vida diaria con un vaso que contiene 125 mL de vino tinto. El volumen estimado fue de 111.7 mL, con un error relativo del 11 %. (Para la interpretaci\u00f3n de las referencias a colores en esta leyenda de la figura, se recomienda al lector consultar la versi\u00f3n en l\u00ednea del art\u00edculo.)<\/strong><\/em><\/figcaption><\/figure><\/div>\n\n\n
    <\/div>\n\n\n\n

    Los valores de MAE y RMSE de nuestro modelo ajustado en el conjunto de im\u00e1genes reales (im\u00e1genes de los participantes) fueron ligeramente superiores (26 y 33 mL, respectivamente) en comparaci\u00f3n con el conjunto de im\u00e1genes de vida diaria (Tabla 1). La Fig. Suplementaria 6 muestra gr\u00e1ficos de viol\u00edn para las predicciones de cada valor de volumen de vino disponible en el conjunto de im\u00e1genes reales. Adem\u00e1s, evaluamos el porcentaje de fotograf\u00edas que se predijeron con un error similar o mayor que la precisi\u00f3n del vaso utilizado para medir el volumen (\u00b125 mL). As\u00ed, se calcul\u00f3 que el volumen de vino en 91 de las 229 im\u00e1genes (39.7 %) se dio con un error \u226525 mL.<\/p>\n\n\n\n

    Como ejemplo de la amplia variabilidad en la precisi\u00f3n de la estimaci\u00f3n del volumen de vino entre las im\u00e1genes de los consumidores (conjunto de im\u00e1genes reales), la Fig. 3 muestra mapas de saliencia de fotograf\u00edas 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 realiz\u00f3 una estimaci\u00f3n muy precisa (125 mL medidos frente a 125 mL estimados).<\/p>\n\n\n\n

    <\/div>\n\n\n
    \n
    \"\"<\/a>
    Fig. 3. Mapas de saliencia est\u00e1ndar y suavizados para im\u00e1genes reales: A) Vaso que contiene 125 mL de vino tinto con un volumen estimado de 125 mL; B) Vaso que contiene 125 mL de vino tinto con un volumen estimado de 100 mL (error relativo del 25 %); C) Vaso que contiene 100 mL de vino tinto con un volumen estimado de 141 mL (error relativo del 41 %); D) Vaso que contiene 175 mL de vino rosado con un volumen estimado de 132 mL (error relativo del 25 %); E) Vaso que contiene 75 mL de vino tinto con un volumen estimado de 114 mL (error relativo del 52 %); F) Vaso que contiene 150 mL de vino tinto con un volumen estimado de 102 mL (error relativo del 32 %). (Para la interpretaci\u00f3n de las referencias a colores en esta leyenda de la figura, se recomienda al lector consultar la versi\u00f3n en l\u00ednea del art\u00edculo.)<\/strong><\/em><\/figcaption><\/figure><\/div>\n\n\n
    <\/div>\n\n\n\n

    En este caso, el fondo oscuro detr\u00e1s del vaso de vino tuvo un impacto menor en la predicci\u00f3n. Sin embargo, en las im\u00e1genes de otros participantes, el fondo parec\u00eda tener un impacto m\u00e1s fuerte en la predicci\u00f3n, especialmente cuando los participantes inclu\u00edan otros objetos de vidrio, a pesar de que se les hab\u00eda aconsejado espec\u00edficamente evitar estos elementos en sus fotograf\u00edas. Esto indujo un mayor error relativo en la estimaci\u00f3n (Fig. 3B, error relativo del 25 %, 125 mL medidos frente a 100 mL estimados). <\/p>\n\n\n\n

    En algunos casos, los participantes no parec\u00edan haber seguido las instrucciones indicadas en la aplicaci\u00f3n web, ya que sus fotograf\u00edas se tomaron a distancias cercanas o \u00e1ngulos poco adecuados, como en el caso de la Fig. 3C (error relativo del 41 %). En otro ejemplo, el participante tom\u00f3 una fotograf\u00eda 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 precisi\u00f3n, lo que podr\u00eda abrir nuevas aplicaciones del modelo a otros tipos de vinos. <\/p>\n\n\n\n

    Adem\u00e1s, en la inspecci\u00f3n visual tambi\u00e9n se detectaron posibles fuentes de error en el volumen seleccionado a trav\u00e9s de la aplicaci\u00f3n web por el participante al subir la fotograf\u00eda; este parec\u00eda ser el caso en la Fig. 3E (error relativo del 52 %). Finalmente, tambi\u00e9n hubo algunas fotograf\u00edas en las que el participante utiliz\u00f3 un tipo de vaso diferente que el modelo no hab\u00eda visto antes, como en la Fig. 3F (error relativo del 32 %).<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    Evaluaci\u00f3n del consumo individual de vino<\/strong><\/p>\n\n\n\n

    Adem\u00e1s de la evaluaci\u00f3n del modelo DL ajustado, se analiz\u00f3 la informaci\u00f3n recopilada sobre el consumo individual de vino tinto del estudio de consumidores (conjunto de im\u00e1genes reales). El n\u00famero de fotograf\u00edas (vasos de vino consumidos) subidas por cada participante durante el per\u00edodo de 3 semanas que dur\u00f3 el estudio vari\u00f3 entre 1 y 17, con una media de 6 fotograf\u00edas por participante <\/p>\n\n\n\n

    Con respecto al momento del consumo de vino tinto, se observ\u00f3 que el consumo individual de vino se realiz\u00f3 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 \u00abcrianza\u00bb fue el m\u00e1s frecuentemente consumido (Fig. Suplementaria 4B). En cuanto al tipo de vaso utilizado para el consumo, se observ\u00f3 una considerable diversidad, aunque el tipo BordeauX fue el m\u00e1s frecuente (Fig. Suplementaria 4C).<\/p>\n\n\n\n

    La Fig. 4 muestra la distribuci\u00f3n del volumen en un servicio (vaso) estimado por nuestro modelo DL a partir de las fotograf\u00edas tomadas por los participantes (n = 229) (conjunto de im\u00e1genes reales) en comparaci\u00f3n 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 \u00b1 29 mL de vino tinto, cercano al promedio del volumen medido por los participantes (114 \u00b1 33 mL de vino tinto).<\/p>\n\n\n\n

    El dise\u00f1o de este estudio de consumidores tambi\u00e9n permiti\u00f3 evaluar la influencia de diferentes factores en el volumen de vino tinto servido en un vaso, como el individuo, el g\u00e9nero, el momento del consumo, el tipo de vino y el tipo de vaso (Fig. 5). Como era de esperar, se observ\u00f3 una variabilidad significativa (p < 0.000, prueba ANOVA) entre los individuos en el volumen de vino tinto servido, que vari\u00f3 de 50 a 275 mL (Fig. 5A). Cabe destacar que se sospech\u00f3 un posible error hacia arriba en la etiqueta de la \u00fanica imagen de 275 mL, como tambi\u00e9n lo indic\u00f3 el volumen estimado por nuestro m\u00e9todo (176 mL).<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    \u00bfQui\u00e9nes llenan m\u00e1s el vaso, hombres o mujeres?<\/strong><\/p>\n\n\n\n

    En relaci\u00f3n con el g\u00e9nero, 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 variaci\u00f3n m\u00e1s amplios (Fig. 5B). No se observaron diferencias estad\u00edsticas en relaci\u00f3n 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 estad\u00edsticas 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 bal\u00f3n), la tendencia fue a servir vol\u00famenes m\u00e1s altos de vino en comparaci\u00f3n con los recipientes de menor capacidad (es decir, vaso corto) (p = 0.003, prueba t) (Fig. 5E).<\/p>\n\n\n\n

    El cuestionario para consumidores incluido en la aplicaci\u00f3n web tambi\u00e9n nos permiti\u00f3 descubrir otra informaci\u00f3n 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 d\u00edas por semana, siguiendo la misma tendencia en hombres y mujeres (Tabla Suplementaria 3). Cabe destacar que los hombres informaron consumir con m\u00e1s frecuencia que las mujeres. <\/p>\n\n\n\n

    El tipo de consumo, en todos los casos, fue mayor durante los fines de semana, y el n\u00famero de copas fue mayormente de 1\u20132, con un aumento en el porcentaje de 3\u20134 copas en hombres (Tabla Suplementaria 3). La cerveza y otras bebidas se consumieron generalmente de manera ocasional, siendo el consumo de cerveza m\u00e1s 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, as\u00ed como en el almuerzo y la cena) (Tabla Suplementaria 3). Alrededor del 78 % de los participantes masculinos en el estudio dijeron que nunca consum\u00edan vino bajo en alcohol, en comparaci\u00f3n con el 41 % de las mujeres; por lo tanto, los resultados parecen se\u00f1alar un mayor consumo de vino bajo en alcohol por parte de las mujeres (Tabla Suplementaria 3).<\/p>\n\n\n\n

    <\/div>\n\n\n
    \n
    \"\"<\/a>
    Fig. 4. Diagramas de caja (box plots) del volumen de vino tinto en un servicio (vaso) (n = 229) (conjunto de im\u00e1genes reales): A) valores reales, medidos directamente por el participante utilizando el vaso graduado, y B) valores estimados por nuestro modelo DL a partir de las fotograf\u00edas tomadas por los participantes. (Para la interpretaci\u00f3n de las referencias de color en esta leyenda de la figura, el lector debe consultar la versi\u00f3n en l\u00ednea de este art\u00edculo.)<\/strong><\/em><\/figcaption><\/figure><\/div>\n\n
    \n
    \"\"<\/a>
    Fig. 5. Diagramas de caja (box plots) del volumen de vino tinto en un servicio (vaso) (n = 229) seg\u00fan: A) participante, B) g\u00e9nero, C) momento del consumo, D) tipo de vino, y E) tipo de vaso. (Para la interpretaci\u00f3n de las referencias de color en esta leyenda de la figura, el lector debe consultar la versi\u00f3n en l\u00ednea de este art\u00edculo.)<\/strong><\/em><\/figcaption><\/figure><\/div>\n\n\n
    <\/div>\n\n\n\n

    Al elegir vino tinto, los factores preferidos, en orden descendente, fueron Denominaci\u00f3n de Origen > Variedad de uva > Disfrutar de buena comida > Zona de producci\u00f3n del vino (Tabla Suplementaria 3). Las mujeres parecen tener m\u00e1s en cuenta la regi\u00f3n que los hombres, mientras que alrededor del 17 % de los hombres encuestados se preocupaban por la salud al elegir vino, en comparaci\u00f3n 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 l\u00ednea 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 informaci\u00f3n en la etiqueta en comparaci\u00f3n con las mujeres (35.3 %) (Tabla Suplementaria 3).<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    Discusi\u00f3n<\/strong><\/p>\n\n\n\n

    Hoy en d\u00eda, la recopilaci\u00f3n de datos sobre patrones de consumo de bebidas, particularmente de alcohol (etanol), es un tema sensible en el campo de la salud p\u00fablica. De hecho, diversos estudios epidemiol\u00f3gicos han encontrado de manera consistente que los bebedores de vino ligeros y moderados dentro del marco de la Dieta Mediterr\u00e1nea <\/strong>parecen tener un menor riesgo de enfermedad cardiovascular (ECV) en comparaci\u00f3n con los no bebedores, mientras que los bebedores excesivos presentan el mayor riesgo.<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    En estas circunstancias, se necesitan mediciones precisas para establecer claramente qu\u00e9 constituye un bebedor ligero y\/o moderado. La estimaci\u00f3n del consumo de vino a trav\u00e9s de FFQs es particularmente inexacta, ya que una porci\u00f3n (vaso de vino) se estandariza a 100 mL<\/strong>, lo que no siempre corresponde a la realidad.<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    Basado en estas limitaciones, en este art\u00edculo se propone una estrategia para estimar el volumen de vino tinto en un vaso a partir de una imagen de vista \u00fanica. Para ello, hemos seguido una estrategia previa basada en redes neuronales convolucionales (CNN) de regresi\u00f3n. De hecho, la mayor\u00eda de los conocidos Sistemas de Reconocimiento de Alimentos Basados en Im\u00e1genes tambi\u00e9n han adoptado m\u00e9todos de aprendizaje profundo y especialmente CNN en al menos una fase de su desarrollo.<\/p>\n\n\n\n

    Uno de los primeros logros del presente estudio fue la generaci\u00f3n de un conjunto de datos p\u00fablico de im\u00e1genes de consumo de vino tinto en situaciones reales (el conjunto de datos de im\u00e1genes diarias BrainGut_WineUp).<\/p>\n\n\n\n

    Este es un conjunto de datos de im\u00e1genes etiquetadas de vasos de vino tinto compuesto por 1945 im\u00e1genes que podr\u00edan ser \u00fatiles en futuras aplicaciones y modelado por la comunidad cient\u00edfica que trabaja en el campo de los componentes del vino. En nuestro estudio, el conjunto de datos de im\u00e1genes diarias BrainGut_WineUp nos permiti\u00f3 afinar el modelo DL previo siguiendo una arquitectura de CNN, t\u00edpica de las tareas de visi\u00f3n por computadora. <\/p>\n\n\n\n

    Esta arquitectura se ha utilizado ampliamente en el aprendizaje profundo, junto con el aprendizaje por transferencia, particularmente en tareas de clasificaci\u00f3n y reconocimiento de im\u00e1genes. La evaluaci\u00f3n del modelo de aprendizaje profundo mejorado utilizando im\u00e1genes del conjunto de datos diario mostr\u00f3 predicciones confiables y precisas del volumen de vino (MAE de 10 mL y RMSE de 13 mL). <\/p>\n\n\n\n

    Estos valores fueron comparables a los reportados para el modelo DL anterior construido con im\u00e1genes de laboratorio (8 y 11 mL, respectivamente). Por lo tanto, el modelo inicial de laboratorio se optimiz\u00f3 con \u00e9xito, logrando un rendimiento en im\u00e1genes de la vida real comparable al de las im\u00e1genes de laboratorio, mientras que requer\u00eda significativamente menos im\u00e1genes debido a la aplicaci\u00f3n del enfoque de aprendizaje por transferencia. <\/p>\n\n\n\n

    Hasta donde sabemos, este es el primer m\u00e9todo validado basado en digitalizaci\u00f3n para determinar el volumen de vino a partir de im\u00e1genes de vista \u00fanica. Entre otras ventajas, este nuevo modelo solo requiere una fotograf\u00eda (im\u00e1genes de vista \u00fanica) y ning\u00fan objeto de referencia, lo que facilitar\u00e1 significativamente su uso futuro.<\/p>\n\n\n\n

    El m\u00e9todo propuesto de aprendizaje profundo (DL) fue espec\u00edficamente ajustado para im\u00e1genes 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, tambi\u00e9n produce resultados adecuados con vino rosado. Aplicar el m\u00e9todo a otros tipos de vino y bebidas implicar\u00eda ajustar el modelo hasta cierto punto, dependiendo del nivel de precisi\u00f3n requerido para la tarea.<\/p>\n\n\n\n

    Paralelamente, se realiz\u00f3 un estudio ad hoc con consumidores a trav\u00e9s de un servicio web que nos permiti\u00f3 generar un nuevo conjunto de im\u00e1genes (el conjunto de datos de im\u00e1genes reales BrainGut_WineUp) con el cual tambi\u00e9n se prob\u00f3 el nuevo modelo. En este caso, los predictores de volumen de vino mostraron valores m\u00e1s altos (MAE = 26 mL y RMSE = 33 mL), sobreestimando o subestimando en relaci\u00f3n con el volumen \u00abreal\u00bb de vino medido. Para explicar este hallazgo e identificar posibles errores en las im\u00e1genes reales, se realiz\u00f3 una inspecci\u00f3n visual para evaluar la calidad de las im\u00e1genes proporcionadas por los participantes. El error relativamente mayor observado era razonablemente esperado, ya que las fotograf\u00edas fueron tomadas por los consumidores en situaciones cotidianas sin prestar especial atenci\u00f3n a las indicaciones dadas en la aplicaci\u00f3n web para tomar las fotograf\u00edas. <\/p>\n\n\n\n

    <\/div>\n\n\n
    \n
    \"\"<\/a>
    Dieta Mediterr\u00e1nea<\/em><\/strong><\/figcaption><\/figure><\/div>\n\n\n
    <\/div>\n\n\n\n

    Adem\u00e1s, los errores m\u00e1s comunes detectados estaban relacionados con la presencia de objetos adicionales, la distancia\/\u00e1ngulo en el que se tomaron las fotograf\u00edas o el uso de vino rosado en lugar de vino tinto, aunque el error detectado en este caso espec\u00edfico fue menor que en las otras situaciones. <\/p>\n\n\n\n

    Otra causa plausible que podr\u00eda explicar el alto porcentaje de fotos mal estimadas fue el hecho de que los participantes aproximaron el volumen medido en el vaso a marcas espec\u00edficas con intervalos de 25 mL (50, 75, 100, 125, 150, 175, 200, 225, 250, 275 y 300 mL) que estaban preestablecidas en la aplicaci\u00f3n web. En contraste, para la generaci\u00f3n de las im\u00e1genes \u00abde la vida diaria\u00bb, los vasos se llenaron con vol\u00famenes medidos con un tubo de ensayo (precisi\u00f3n de 0.5 mL) a intervalos de 25 mL, lo que llev\u00f3 a una mayor precisi\u00f3n en la estimaci\u00f3n (Figuras Suplementarias 5 y 6). <\/p>\n\n\n\n

    De hecho, este es un aspecto del trabajo actual que deber\u00eda mejorarse en futuros estudios en los que se pedir\u00eda a los participantes que anoten el volumen medido exacto sin utilizar marcas preestablecidas. Por lo tanto, para estudios futuros, recomendamos incluir instrucciones m\u00e1s detalladas para la configuraci\u00f3n de las fotograf\u00edas y permitir que los participantes ajusten libremente el volumen; creemos que ambos cambios mejorar\u00edan la precisi\u00f3n de la estimaci\u00f3n del volumen de vino por el modelo DL desarrollado.<\/p>\n\n\n\n

    El estudio con consumidores realizado a trav\u00e9s del servicio web tambi\u00e9n proporcion\u00f3 datos valiosos sobre el volumen de vino en un vaso (volumen por porci\u00f3n) as\u00ed como datos sobre un estudio piloto sobre la ingesta de componentes del vino tinto, que es otra contribuci\u00f3n de este trabajo. El volumen promedio en una porci\u00f3n (vaso) de las 229 fotograf\u00edas tomadas por los 38 participantes fue de 114 \u00b1 33 mL de vino tinto, menor que el volumen promedio reportado en un estudio en los Pa\u00edses Bajos realizado con 141 participantes (131.7 mL) a partir de 392 mediciones de porciones de vino tinto. <\/p>\n\n\n\n

    Varios factores explicar\u00edan las diferencias entre estudios, pero, en cualquier caso, todos los hallazgos sugieren que la estandarizaci\u00f3n de 100 mL por porci\u00f3n de vino considerada en muchas grabaciones diet\u00e9ticas podr\u00eda estar ligeramente subestimada y, en algunos patrones diet\u00e9ticos, esto podr\u00eda llevar a conclusiones no precisas.<\/p>\n\n\n\n

    Entre los factores considerados en este estudio que afectan el volumen de vino tinto servido en un vaso (Fig. 5), s\u00f3lo el tipo de vaso pareci\u00f3 influir en esta caracter\u00edstica del consumo de vino. Concretamente, el vaso de bal\u00f3n (el vaso de mayor capacidad) tend\u00eda a llevar a porciones mayores que el vaso corto (el vaso de menor capacidad) (Fig. 5E). <\/p>\n\n\n\n

    Aunque no hay muchos estudios en la literatura con los que comparar, un estudio centrado en el consumo de vino en casa [12] encontr\u00f3 que los hogares consum\u00edan en promedio un 6.5 % menos de vino cuando beb\u00edan de vasos m\u00e1s peque\u00f1os (290 mL) en comparaci\u00f3n con vasos m\u00e1s grandes (350 mL). En un estudio de laboratorio [28], los autores tambi\u00e9n encontraron vol\u00famenes significativamente menores cuando el vino se serv\u00eda a s\u00ed mismo en vasos peque\u00f1os y medianos en comparaci\u00f3n con vasos grandes. En relaci\u00f3n con el g\u00e9nero, algunos autores [29], en un experimento de vertido de agua y vino tinto, encontraron que los hombres tend\u00edan a verter m\u00e1s l\u00edquido en los vasos que las mujeres, un factor que fue d\u00e9bilmente apreciado en nuestro estudio.<\/p>\n\n\n\n

    La recopilaci\u00f3n del consumo diario de vino mediante m\u00e9todos digitales como el desarrollado en el presente estudio permitir\u00eda una estimaci\u00f3n precisa de la ingesta diet\u00e9tica de alcohol y otros componentes beneficiosos, como los polifenoles, provenientes del consumo de vino. <\/p>\n\n\n\n

    Esto es de gran inter\u00e9s en el contexto de la dieta mediterr\u00e1nea, que probablemente es uno de los patrones diet\u00e9ticos m\u00e1s evaluados y recomendados para mantener la salud, y que incluye un consumo ligero a moderado de vino tinto [9]. <\/p>\n\n\n\n

    Por ejemplo, una ingesta diaria de 114 mL de vino tinto -el valor promedio para una porci\u00f3n de vino encontrado en este estudio- proporcionar\u00eda 80.9 Kcal (71 Kcal por 100 mL de vino tinto), 0.342 g de az\u00facares (0.3 g por 100 mL de vino tinto), 11.2 g de alcohol (12.5\u00ba de etanol por 100 mL de vino tinto) en la dieta. En cuanto a los fitoqu\u00edmicos activos del vino (es decir, polifenoles), una porci\u00f3n de vino tinto de 114 mL proporcionar\u00eda un total de 137\u2013342 mg de polifenoles totales si se considera una concentraci\u00f3n de 1.2\u20133.0 g por litro de vino.<\/p>\n\n\n\n

    Adem\u00e1s, considerando un valor promedio de ingesta diaria de polifenoles de 1011 mg\/d\u00eda en pa\u00edses mediterr\u00e1neos (como Espa\u00f1a) [30], una porci\u00f3n de vino tinto de 114 mL representar\u00eda el 14\u201334 % de la ingesta diet\u00e9tica de polifenoles, dependiendo de la riqueza en polifenoles del vino. Estos datos deber\u00edan tenerse en cuenta al hacer recomendaciones diet\u00e9ticas a grupos espec\u00edficos.<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    En la pr\u00e1ctica, 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 p\u00fablico en general, requiere su implementaci\u00f3n en aplicaciones m\u00f3viles. En este sentido, el modelo de DL propuesto ser\u00e1 la base de una pr\u00f3xima aplicaci\u00f3n que nos permitir\u00e1 estimar el volumen de vino a partir de una fotograf\u00eda utilizando el tel\u00e9fono m\u00f3vil.<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    En resumen, este estudio informa sobre el desarrollo de un nuevo modelo de DL refinado para la estimaci\u00f3n del volumen de vino tinto en un vaso, con los hallazgos que demuestran el rendimiento y la viabilidad de este modelo en una peque\u00f1a cohorte de adultos consumidores de vino tinto. <\/p>\n\n\n\n

    El modelo de DL propuesto constituye una herramienta autom\u00e1tica simple y efectiva para medir el volumen de vino tinto y supera las desventajas generales de los cuestionarios de frecuencia alimentaria convencionales, donde la medici\u00f3n de l\u00edquidos es subjetiva e imprecisa, ya que se basa en el recuerdo del participante. <\/p>\n\n\n\n

    Adem\u00e1s, cuando se integra con la aplicaci\u00f3n web utilizada en este estudio, el modelo de aprendizaje profundo desarrollado facilita la estimaci\u00f3n de la ingesta de componentes del vino y su asociaci\u00f3n con resultados de salud. En el futuro, estas tecnolog\u00edas de imagen y computaci\u00f3n podr\u00edan ampliarse a otros alimentos, ofreciendo diversas aplicaciones en ciencia de alimentos y nutrici\u00f3n.<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    Conclusi\u00f3n<\/strong><\/p>\n\n\n\n

    Los resultados han mostrado que el modelo de DL demostr\u00f3 una buena precisi\u00f3n para el c\u00e1lculo del volumen de vino tinto, a partir de fotograf\u00edas tomadas en situaciones reales de consumo, permitiendo estimar que el volumen medio de vino tinto consumido en una copa es de 114 \u00b1 33 mL dependiendo del formato de copa. El modelo de an\u00e1lisis de imagen desarrollado en el marco de este trabajo constituye una herramienta \u00fatil para la evaluaci\u00f3n precisa de los patrones de consumo de vino. No obstante, esta herramienta podr\u00eda tener futuras aplicaciones en los estudios de mercado y de percepci\u00f3n de los consumidores, relacionados con el volumen de vino contenido en la copa.<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    Fuente: Instituto de Ciencias de la Vid y el Vino de Espa\u00f1a. Publicado originalmente el 7\/8\/24<\/strong><\/em><\/p>\n\n\n\n

    <\/div>\n","protected":false},"excerpt":{"rendered":"

    Como todos nuestros lectores conocen, abundan los estudios sobre los posibles efectos ben\u00e9ficos para el…<\/p>\n","protected":false},"author":3,"featured_media":122079,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[14],"tags":[],"class_list":["post-121968","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news"],"_links":{"self":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/posts\/121968","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/comments?post=121968"}],"version-history":[{"count":0,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/posts\/121968\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/media\/122079"}],"wp:attachment":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/media?parent=121968"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/categories?post=121968"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/tags?post=121968"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}