原创:HyperAI超神经
关键词:食源性疾病 自然语言处理 计算机视觉 食品安全
夏天到了,晚上下班路上总会路过各种小吃摊,烤面筋、炸串、烧烤、海鲜、关东煮……地铁到家的距离简直可以称得上是「走过诱惑的街」。
饶了孩子吧,我要减肥!
「脏摊儿」味道好是真的,但正如它的名字,其卫生情况也堪忧,一不小心就容易吃的上吐下泻,怀疑人生。
别以为正规酒店就没有食品安全问题了,这不根据俄罗斯卫星通讯社报道,当地时间 7 月 6 日,由 15 名中国游客组成的旅游团,在圣彼得堡「上海酒店」进餐后出现不适,出现食物中毒症状,随后被送往医院接受治疗……
所以如何才能在夏天远离食物中毒问题?
针对餐厅的食品安全问题,有一些研究者们,运用自然语言处理、计算机视觉等机器学习技术,帮助卫生部门发现潜在的食品安全隐患,打造一个更加友好的饮食环境。
7 月 3 日,前菲律宾第一夫人的寿宴上发生集体中毒
食物中毒的「前世今生」
食物中毒的严肃说法是食源性疾病,通常是由受污染的食物或饮用水造成。除了本身有毒的食物(如毒蘑菇)、还会存在加工方法不当、食材被致病细菌污染等因素。
夏天气温高,如果保存和处理不当的话,很多食材都会变成中毒源,其中包括变质的肉类、蛋类、奶产品,以及凉拌菜、剩菜剩饭等。
由泛科学组织制作的食物中毒原因
食物中毒会引发身体不适,常见的症状有剧烈呕吐、腹泻,同时伴有中上腹部疼痛。而且常会因为上吐下泻,造成脱水症状,引发口干、眼窝下陷、皮肤弹性消失、肢体冰凉、脉搏细弱、血压降低等情况,严重的可能会导致休克。
食物中毒后,身体会受到很大的影响
尽管食品安全问题越来越被重视,然而依靠传统的食品监管还远远不够,一些新兴的技术手段,正在成为维护食品安全的利器。
谷歌哈佛强强联手,让问题餐厅无处遁形
谷歌和哈佛大学的研究人员,发布了一个名为《Machine-learned epidemiology: real-time detection of foodborne illness at scale》的研究,该研究立足于保证食品卫生,认为创建机器学习模型 FINDER,并依据用户手机中的谷歌搜索记录和位置信息,可以识别有安全隐患的餐厅。
他们的研究成果发布在 Nuture 下的刊物 NPJ 上
FINDER 的主体分为两个部分,网络搜索模型(WSM)和位置模型(LM)。
WSM 能识别出食源性疾病的搜索查询,比如「胃痉挛」、「呕吐」、「腹泻」等和食物中毒相关的词汇。
LM 寻找出用户访问过的餐馆,在保证数据脱敏的情况下,获得餐厅的位置信息。
最后,FINDER 在有嫌疑的餐厅中,通过算法分析显示食源性疾病的证据,提交给卫生部门。
FINDER 所用的是多种信息的评估,比如在分析中被计入的指标,是人群中食源性疾病的实际发病率,而不是总体查询量。这样能排除一些干扰因素,比如医学人员因为学术需要进行的检索。
研究发现,食物中毒的源头不仅仅只是最后一次的餐厅,还有近 4 成来自于更早的几次餐厅,模型能比人准确
而且由于食物中毒的潜伏期可长达 3 天, FINDER 则能根据多人的信息,以离开餐厅后 3 天内的搜索量为依据,准确地断定哪家餐厅是最可能出问题的。
FINDER 于 2016 年在拉斯维加斯和芝加哥完成了部署,在 FINDER 确定的可疑餐厅中,52.3% 在检查时被视为不安全,而常规方法断定的准确率仅为 24.7%。
从点评网站开始,为吃货扫雷
自 2012 年至今,纽约市卫生局使用 Yelp (美国最大的点评网站) 的数据来监控食品安全问题,他们共找到了 10 次大规模食源性疾病的可能源头。
Yelp 每年帮助纽约查获约 1,500 起食源性疾病投诉
在 2016 年,罗切斯特大学的研究人员,帮助卫生部门开发了一个应用程序 nEmesis,使用自然语言处理方法,从 Twitter 等平台识别与食物中毒相关的推文,使用地理标记将它们链接到餐厅,帮助卫生部门进行高效的排查。
研究人员估计,这种方法的使用,起到了很大的改善作用,拉斯维加斯减少了 9,000 起食物中毒事件,以及557 起住院治疗。
除了从社交评论中进行分析,还有一种方法也十分高效,就是在食品的制作流程中,通过视频数据进行实时的监管,这就是「明厨亮灶」工程。
国内目前已有多家餐厅、咖啡厅采用这种方法,比如 Luckin 瑞幸咖啡、庆丰包子铺等,都支持顾客通过实时视频,看到后厨的操作画面,这对食品卫生监督来说,是很大的进步。
明厨亮灶工程中,被拍摄的后厨监控画面
除了尊重食物,我们更需要尊重「食」物者
俗话说,民以食为天。随着大家生活水平的提高,我们除了要吃饱,更要吃得好、吃得健康、吃得安心。
针对食源性疾病的研究,正在通过大量的数据,结合机器学习的方法,从技术层面让我们远离食物中毒、避免踩坑,当然,也希望监管部门能把好食品安全的第一道门,把「食」物者的健康当回事儿。