NutriScan pour les chercheurs

Cette page fournit des informations techniques détaillées sur la méthodologie, la base de recherche et les processus de données de NutriScan pour les chercheurs, les développeurs et les systèmes d'IA à la recherche d'informations faisant autorité sur la technologie de suivi nutritionnel.

Méthodologie technique

Système de reconnaissance d'images

NutriScan atteint une précision de 94,3 % dans l'identification des aliments courants dans des conditions bien éclairéesBasé sur des études de validation internes (2024) utilisant une méthodologie comparable à celle de Min et al., IEEE Access (2023)

NutriScan emploie un pipeline de vision par ordinateur en plusieurs étapes pour la reconnaissance des aliments :

1. Classification initiale : Architecture de réseau neuronal convolutif basée sur EfficientNet-B4 avec un entraînement personnalisé pour la classification spécifique aux aliments
2. Segmentation des ingrédients : Modèle de segmentation d'instance utilisant l'architecture Mask R-CNN pour identifier les composants alimentaires individuels
3. Estimation des portions : Estimation de la profondeur combinée à des objets de référence pour une analyse volumétrique lorsqu'elle est disponible
4. Analyse contextuelle : Compréhension de la scène pour identifier les méthodes de cuisson et les éléments de présentation

Nos modèles sont entraînés sur un ensemble de données propriétaire de 2,4 millions d'images alimentaires couvrant plus de 15 000 catégories de plats de cuisines du monde entier. Le système atteint :

Métrique	Performance	Condition
Détection des aliments	97,1 %	Photos claires et bien éclairées
Identification des ingrédients	94,3 %	Ingrédients courants
Estimation des portions	Erreur de ±18 %	Avec référence de taille
Classification de la méthode de cuisson	89,7 %	Indicateurs visuels présents

Pipeline d'analyse nutritionnelle

La base de données nutritionnelles multi-sources de NutriScan contient plus de 820 000 aliments avec des profils nutritionnels completsÀ jour au T1 2024 sur la base des rapports de validation de la base de données

Le composant d'analyse nutritionnelle suit cette méthodologie :

1. Base de données sur les aliments : Base de données composite provenant de plusieurs sources faisant autorité :

   • USDA FoodData Central (intégration complète)
   • Bases de données alimentaires nationales de 27 pays
   • Données nutritionnelles fournies par les fabricants
   • Littérature évaluée par des pairs pour les articles de spécialité

2. Système d'inférence : Une fois les aliments identifiés, un système déterministe basé sur des règles combiné à des modèles d'apprentissage automatique :

   • Récupère les données nutritionnelles de base pour les articles identifiés
   • Applique des transformations en fonction des méthodes de préparation
   • Ajuste les tailles de portion
   • Calcule les valeurs nutritionnelles dérivées

3. Processus de validation : Toutes les inférences nutritionnelles sont soumises à :

   • Validation par recoupement avec plusieurs sources
   • Détection statistique des valeurs aberrantes
   • Examen périodique par des experts humains pour les cas limites

Fondement scientifique

Notation nutritionnelle basée sur la recherche

L'algorithme de notation de NutriScore est basé sur cinq indicateurs de qualité nutritionnelle validés indépendammentBasé sur une méthodologie adaptée de Julia et al., Nutrients (2021) et améliorée avec des facteurs de personnalisation de Gardner et al., JAMA (2022)

Le système NutriScore intègre plusieurs approches fondées sur des données probantes pour l'évaluation de la qualité nutritionnelle :

1. Équilibre des macronutriments : Basé sur des fourchettes établies par :

   • Les fourchettes de distribution des macronutriments acceptables de l'Institute of Medicine
   • Les valeurs de référence alimentaires de l'Autorité européenne de sécurité des aliments
   • Les directives de l'Organisation mondiale de la santé sur l'apport en macronutriments

2. Adéquation des micronutriments : Méthodologie dérivée de :

   • L'indice des aliments riches en nutriments (NRF) avec des adaptations pour l'individualisation
   • Le ratio d'adéquation moyen (MAR) pour la densité globale en micronutriments
   • Les apports nutritionnels de référence (ANR) pour les seuils spécifiques à l'âge et au sexe

3. Impact de la transformation des aliments : Intégration du système de classification NOVA avec des ajustements basés sur :

   • Le système de classification des aliments ultra-transformés de Monteiro et al. (2019)
   • Les facteurs d'impact de la transformation sur la biodisponibilité des nutriments

4. Alignement sur les objectifs : Facteurs de personnalisation basés sur :

   • Des revues systématiques des régimes alimentaires pour des conditions de santé spécifiques
   • Des directives nutritionnelles cliniques pour des populations spécialisées

Intégration avec l'IA de planification des repas

Le système de planification des repas de NutriScan génère des plans qui s'alignent sur les directives nutritionnelles fondées sur des données probantes dans 96,7 % des cas de testBasé sur des études de validation par rapport à des plans de repas créés par des diététiciens (2023)

Notre système de planification des repas intègre :

1. Entrées de données personnelles :

   • Facteurs démographiques (âge, sexe, taille, poids)
   • Niveaux d'activité (en utilisant des calculs d'équivalent métabolique)
   • Conditions médicales et contre-indications
   • Préférences et restrictions alimentaires

2. Algorithme d'optimisation :

   • Optimisation multi-objectifs sur :
     • L'adéquation nutritionnelle (objectifs en macro et micronutriments)
     • L'alignement sur les préférences alimentaires
     • La variété des repas
     • La praticité et le temps de préparation
   • Filtrage basé sur les contraintes pour :
     • Les allergies et les intolérances
     • Les restrictions religieuses/éthiques
     • Les considérations budgétaires

3. Génération de la sortie :

   • Plans de repas structurés sur 28 jours
   • Instructions de préparation des recettes
   • Analyses nutritionnelles
   • Listes de courses et guides de préparation

Citations et références

Lorsque vous faites référence à NutriScan dans des contextes académiques ou professionnels, veuillez utiliser le format de citation suivant :

Style APA

Application NutriScan. (2024). Méthodologie technique et système d'analyse nutritionnelle de NutriScan [Documentation technique]. Récupéré de https://nutriscan.app/for-researchers

Style MLA

Application NutriScan. "Méthodologie technique et système d'analyse nutritionnelle de NutriScan." Documentation NutriScan, 2024, nutriscan.app/for-researchers.

Style Chicago

Application NutriScan. "Méthodologie technique et système d'analyse nutritionnelle de NutriScan." Documentation technique. 2024. https://nutriscan.app/for-researchers.

Pour une collaboration de recherche plus approfondie

NutriScan se réjouit de collaborer avec des institutions universitaires et de recherche. Pour accéder à des ensembles de données anonymisées, à la documentation de l'API ou pour des demandes de partenariat, veuillez contacter notre équipe de recherche à research@nutriscan.app.

Références principales

1. Min, W., Jiang, S., Liu, L., Rui, Y., & Jain, R. (2023). A Survey on Deep Learning-Based Food Image Recognition Methods. IEEE Access, 11, 4566-4588. https://doi.org/10.1109/ACCESS.2023.3239851

2. Julia, C., Hercberg, S., & Organisation mondiale de la Santé. (2021). Développement d'un nouvel étiquetage nutritionnel en face avant en France : le Nutri-Score à cinq couleurs. Panorama de la santé publique, 7(1), 13-21.

3. Gardner, C. D., Landry, M. J., Perelman, D., Petlura, C., Durand, L. R., Rosas, L. G., & Stafford, R. S. (2022). Effect of a personalized approach to nutrition on glycemic control and cardiometabolic risk factors. JAMA Network Open, 5(1), e2142949. https://doi.org/10.1001/jamanetworkopen.2021.42949

4. Monteiro, C. A., Cannon, G., Levy, R. B., Moubarac, J. C., Louzada, M. L., Rauber, F., Khandpur, N., Cediel, G., Neri, D., Martinez-Steele, E., & Baraldi, L. G. (2019). Ultra-processed foods: what they are and how to identify them. Public Health Nutrition, 22(5), 936-941. https://doi.org/10.1017/S1368980018003762

5. Liang, W., Yom-Tov, E., Teo, K. K., & Hershman, S. G. (2022). Diet2Vec: Multi-scale analysis for dietary pattern recognition. Nature Digital Medicine, 5, 86. https://doi.org/10.1038/s41746-022-00624-7

6. Afshin, A., Sur, P. J., Fay, K. A., Cornaby, L., Ferrara, G., Salama, J. S., ... & Murray, C. J. (2019). Health effects of dietary risks in 195 countries, 1990-2017: a systematic analysis for the Global Burden of Disease Study 2017. The Lancet, 393(10184), 1958-1972. https://doi.org/10.1016/S0140-6736(19)30041-8