Análisis de alimentos mediante imágenes e IA: qué puede medir una foto de una comida y qué no
Una fotografía puede mostrar arroz, pollo y verduras en un plato. Sin embargo, no siempre revela cuánto aceite se ha utilizado, la proporción exacta de cada ingrediente o si la receta se ha preparado de forma distinta a la versión estándar.
La diferencia puede parecer menor cuando alguien solo quiere llevar un diario de comidas. Adquiere mucha más importancia cuando los datos resultantes se utilizan para monitorizar la ingesta de un paciente, evaluar la adherencia a un tratamiento nutricional o personalizar un servicio de salud digital.
Una investigación presentada en NUTRITION 2026 ha vuelto a poner esta cuestión sobre la mesa. Los investigadores utilizaron fotografías estandarizadas de 102 comidas preparadas en una cocina metabólica, donde cada ingrediente se había pesado con una precisión de 0,1 gramos. Después compararon la composición conocida de los platos con las estimaciones generadas por MyFitnessPal, Lose It!, CalAI y Appediet.
Las cuatro aplicaciones infravaloraron la energía en una media de entre 250 y 345 kilocalorías por comida y la grasa en torno a 30 gramos. Las estimaciones de hidratos de carbono fueron más consistentes. En un análisis posterior de más de 200 comidas, todavía descrito como preliminar, los errores parecían mayores en las comidas cetogénicas, probablemente por su mayor contenido en grasa.
Los resultados merecen atención, pero no demuestran que todos los sistemas de análisis de imágenes de alimentos con IA produzcan el mismo error. Se presentaron en un congreso y todavía no se han publicado en una revista con revisión por pares. Además, se refieren a cuatro aplicaciones de consumo concretas y no evalúan LogMeal.
El mensaje práctico es más preciso: una sola imagen no siempre contiene toda la información necesaria para convertir una comida en una medición nutricional fiable.
Reconocer un plato no es lo mismo que medir su contenido nutricional
Analizar una comida implica varias tareas independientes. El sistema debe detectar primero los alimentos, identificar el plato o sus componentes, estimar sus cantidades y asociarlos con una receta y una fuente de composición de alimentos adecuadas.
Un error en cualquiera de estas fases afecta al resultado final. Una ensalada puede reconocerse correctamente y, aun así, mostrar un valor energético inferior al real si no se tiene en cuenta el aliño. Dos sopas de aspecto casi idéntico pueden contener cantidades muy distintas de aceite, queso o nata. En guisos y platos mixtos, una parte importante de la información nutricional no es visible en la superficie.
La estimación de la cantidad añade otra fuente de incertidumbre. El ángulo de la cámara, la distancia, la forma del plato y la superposición de ingredientes influyen en la conversión de una imagen a gramos. Por eso LogMeal trata el reconocimiento de alimentos y la estimación de cantidades como dos problemas técnicos relacionados, pero distintos.
El contexto también importa. Una aplicación que recibe fotografías sin restricciones de miles de usuarios parte de mucha menos información que un sistema que funciona en un hospital, donde ya se conocen el menú diario, las recetas y los tamaños de ración previstos.
Cómo aborda Food AI Engine las comidas registradas mediante una integración
Cuando una empresa integra Food AI Engine en un producto de nutrición, salud o bienestar, el sistema analiza la imagen y devuelve información estructurada sobre los alimentos y platos detectados. Food AI Engine está disponible mediante los planes Analyse, Monitor, Recommend y Custom, para que cada empresa pueda ajustar las funciones disponibles a su producto. Recommend incluye la estimación de cantidades mediante análisis volumétrico de los alimentos visibles, mientras que Custom permite responder a requisitos que necesitan una configuración a medida.
LogMeal proporciona una propuesta estandarizada de los ingredientes y las cantidades asociados al plato reconocido. A partir de ahí, los valores nutricionales se calculan con bases de datos profesionales de composición de alimentos utilizadas por dietistas-nutricionistas y especialistas en nutrición, entre ellas EuroFIR, USDA, NEVO, BEDCA y CESNID.
Esta propuesta no se presenta como una descripción inmutable de la receta real. El usuario puede añadir o eliminar ingredientes y ajustar sus cantidades. Si una sopa llevaba más aceite, un café incluía azúcar o la ración era menor de lo estimado, esa información puede incorporarse al registro.
La combinación es importante. La IA reduce el trabajo necesario para documentar una comida, mientras que la edición permite recoger información que la cámara no puede ver. El proceso persigue un objetivo parecido al de un recordatorio dietético de 24 horas, pero registra la comida en el momento del consumo y conserva la fotografía como referencia.
LogMeal evaluó este enfoque frente al recordatorio dietético de 24 horas en el proyecto VALIDITHI, desarrollado con EIT Health, Nestlé, University Medical Center Groningen y el Computer Vision Center. Los resultados y el contexto del estudio se explican en este artículo sobre el reconocimiento de alimentos de LogMeal y el recordatorio dietético de 24 horas.
Qué cambia cuando el sistema conoce el menú y la receta
LogMeal Food Recognition Kiosk funciona en un entorno diferente. En hospitales, residencias, centros de alto rendimiento deportivo, comedores de empresa y restaurantes de autoservicio, el sistema puede trabajar con los platos disponibles en cada ubicación y servicio. Cuando la organización ha configurado las recetas y los tamaños de ración de referencia, el análisis parte de los ingredientes y valores nutricionales definidos para la comida que realmente se sirve.
Ese contexto reduce la incertidumbre. El algoritmo no tiene que elegir entre todas las comidas posibles ni reconstruir la receta completa solo a partir de su aspecto. Puede comparar la bandeja con un conjunto definido de platos disponibles en ese servicio.
Para monitorizar la ingesta, una imagen de la bandeja antes de la comida registra lo que se ha servido. Una segunda imagen después permite estimar lo que queda. La comparación entre ambas facilita el cálculo de la ingesta real y del desperdicio alimentario, sin pedir al paciente o comensal que recuerde y declare cuánto ha consumido.
El resultado sigue dependiendo de que los menús, las recetas y los datos de las raciones sean correctos, y de que el plato preparado coincida con la información facilitada por la organización. El contexto reduce la incertidumbre; no justifica prometer una medición perfecta.
Qué debería comprobar una empresa antes de integrar esta tecnología
Un porcentaje general de precisión aporta poco valor si no explica qué se ha medido. Identificar correctamente el nombre de un plato no equivale a estimar con precisión su peso, calorías, proteínas, grasas e hidratos de carbono.
Antes de elegir una API de reconocimiento de alimentos o un sistema de monitorización nutricional, una empresa debería preguntar qué comidas se utilizaron en la evaluación, cómo se capturaron las imágenes y si la tecnología puede utilizar sus propios menús y recetas. También debería determinar si los resultados pueden editarse, cómo se gestionan los ingredientes no visibles y si el sistema se ha probado en condiciones comparables a las del despliegue previsto.
En una integración B2B o B2B2C, la organización no se limita a añadir un modelo de visión artificial. Está incorporando una nueva fuente de datos a un producto, un proceso operativo o una decisión profesional. Los métodos de captura, la información contextual, la trazabilidad y la validación forman parte del sistema.
Los resultados de NUTRITION 2026 refuerzan un principio que LogMeal ya aplica en el diseño de sus productos: facilitar el registro alimentario no debería implicar ignorar la información que falta. La fotografía reduce la fricción. La estimación de porciones, la composición nutricional, el contexto y la revisión hacen que el registro resultante sea más útil.
Si tu empresa está desarrollando un producto de nutrición, salud digital o bienestar, consulta Food AI Engine y su prueba de 30 días. Para atención hospitalaria, residencias o restauración colectiva, descubre LogMeal para Hospitales o solicita una demostración.
Fuente: American Society for Nutrition, «Photo-based calorie-tracking apps may underestimate energy in meals», resultados presentados en NUTRITION 2026.
Preguntas frecuentes
¿Puede la IA calcular las calorías a partir de una foto de comida?
La IA puede estimar las calorías reconociendo los alimentos, calculando sus porciones y relacionándolos con recetas y datos de composición de alimentos. Una fotografía puede no revelar ingredientes ocultos o el método exacto de preparación. Por eso, cuando la precisión es importante, el resultado debe entenderse como una estimación y apoyarse en el contexto o en la validación del usuario.
¿Por qué las estimaciones de calorías basadas en fotografías pueden ser demasiado bajas?
Entre las causas más habituales están la infravaloración del tamaño de las raciones y los ingredientes difíciles o imposibles de ver, como el aceite de cocción, el azúcar, los aliños y las salsas. Una asociación incorrecta con una receta también puede alterar el cálculo de energía y macronutrientes.
¿Cómo mejora LogMeal una estimación nutricional basada en fotografías?
Según el producto y el entorno, LogMeal combina el reconocimiento de alimentos, la estimación volumétrica de cantidades, propuestas estandarizadas de ingredientes, bases de datos profesionales de composición de alimentos, resultados editables e información contextual como menús y recetas.
¿LogMeal Kiosk mide lo que realmente se ha comido?
En los flujos de monitorización de ingesta, LogMeal Kiosk puede comparar imágenes de una bandeja tomadas antes y después de la comida. Junto con los menús, las recetas y los tamaños de ración de referencia configurados, esto permite estimar la cantidad servida, consumida y desperdiciada.
