🍽️ Les applications qui évaluent un repas en photo testées : sont-elles fiables ?

Les applications capables d’estimer les calories d’un repas à partir d’une simple photo promettent un suivi alimentaire rapide. Une évaluation menée sur quatre services populaires montre toutefois qu’elles sous-estiment souvent l’énergie et les matières grasses présentes dans l’assiette.

Les chercheurs ont testé MyFitnessPal, Lose It!, Cal AI et Appediet avec 102 repas préparés dans une cuisine métabolique des National Institutes of Health. Chaque ingrédient avait été pesé à 0,1 g près, fournissant une référence beaucoup plus précise qu’une estimation visuelle ordinaire.

Pour chaque repas, une photographie standardisée a été transmise aux quatre applications. Leurs résultats ont ensuite été comparés aux valeurs nutritionnelles réelles. En moyenne, les estimations affichaient entre 250 et 345 calories de moins par repas, soit une réduction d'environ un tiers.

Les erreurs concernaient particulièrement les matières grasses, sous-évaluées d’environ 30 g par repas. Les glucides étaient généralement mieux reconnus. Les premiers résultats indiquent aussi que les plats pauvres en glucides et riches en lipides, comme certains repas cétogènes, posent davantage d'incohérences.

Une photographie ne révèle pas toujours la quantité d’huile, de beurre, de sauce ou d’ingrédients dissimulés dans une préparation. L’intelligence artificielle doit également estimer les volumes à partir d’une image en deux dimensions, sans connaître précisément la recette ni la densité des aliments.

Ces écarts peuvent fausser un journal alimentaire utilisé pour perdre du poids, adapter un traitement ou discuter avec un professionnel de santé. Les auteurs recommandent donc de vérifier les portions et de compléter manuellement les informations lorsque la précision nutritionnelle est importante.

L’étude reste préliminaire. Elle a été présentée au congrès NUTRITION 2026 et compare quatre applications dans des conditions contrôlées, sans mesurer directement leurs effets sur les habitudes alimentaires des utilisateurs.

Les chercheurs ont poursuivi l’analyse avec plus de 200 repas supplémentaires afin d’identifier les types de plats les plus difficiles à interpréter. Ces travaux pourraient aider les développeurs à améliorer l’estimation des portions, la reconnaissance des matières grasses et l’intégration d’informations fournies par l’utilisateur.