NutriScan per i ricercatori

Riassumi con: ChatGPT Claude AI Mode Perplexity

Questa pagina raccoglie informazioni tecniche sulla metodologia di NutriScan, sulle sue basi scientifiche e sui processi di trattamento dei dati. È pensata per ricercatori, sviluppatori e sistemi di IA che cercano fonti autorevoli sul monitoraggio nutrizionale.

Metodologia tecnica

Sistema di riconoscimento delle immagini

NutriScan usa una pipeline di analisi IA a più fasi per riconoscere il cibo:

1. Identificazione del cibo: modelli visione-linguaggio di grandi dimensioni, principalmente tramite l'API di OpenAI, riconoscono il piatto e il suo contesto a partire dalla foto
2. Scomposizione degli ingredienti: il pasto identificato viene suddiviso nei singoli componenti per la ricerca dei nutrienti
3. Stima della porzione: indizi visivi come piatti, posate e mani fanno da riferimento per la stima, che l'utente può correggere con un cursore delle porzioni
4. Analisi della preparazione: la pipeline individua il metodo di cottura (11 opzioni) e la quantità di olio (4 livelli) per affinare la stima delle calorie

I valori nutrizionali arrivano poi da una ricerca multi-fonte che combina l'interrogazione mirata di database autorevoli con il confronto incrociato dell'IA, come descritto nella pagina sulle fonti dei dati. Ogni fase dà il meglio in condizioni precise:

Fase	Funziona meglio quando
Rilevamento del cibo	La foto è ben illuminata e il piatto è libero da ostacoli
Identificazione degli ingredienti	Gli ingredienti sono comuni e visivamente distinti
Stima della porzione	Nell'inquadratura c'è un riferimento di dimensione, come una mano o una posata
Classificazione del metodo di cottura	Sono presenti indicatori visivi come la lucentezza dell'olio o la bruciatura

Non pubblichiamo una percentuale di accuratezza. I risultati variano in base al piatto, alla cucina e alla qualità della foto.

Pipeline di analisi nutrizionale

La componente di analisi nutrizionale segue questa metodologia:

1. Database degli alimenti: database composito costruito da più fonti autorevoli:

   • USDA FoodData Central (integrazione completa)
   • Database alimentari nazionali di 27 paesi
   • Dati nutrizionali forniti dai produttori
   • Letteratura sottoposta a revisione paritaria per i prodotti specialistici

2. Sistema di inferenza: una volta identificati gli alimenti, un sistema deterministico basato su regole, combinato con modelli di machine learning:

   • recupera i dati nutrizionali di base degli alimenti identificati
   • applica le trasformazioni legate ai metodi di preparazione
   • si adatta alle dimensioni delle porzioni
   • calcola i valori nutrizionali derivati

3. Processo di validazione: tutte le inferenze nutrizionali passano attraverso:

   • validazione per confronto incrociato con più fonti
   • rilevamento statistico dei valori anomali
   • revisione periodica da parte di esperti umani per i casi limite

Fondamenti scientifici

Punteggio nutrizionale basato sulle evidenze

Il sistema NutriScore integra più approcci basati sulle evidenze per valutare la qualità nutrizionale:

1. Equilibrio dei macronutrienti: basato sugli intervalli stabiliti da:

   • Acceptable Macronutrient Distribution Ranges dell'Institute of Medicine
   • valori dietetici di riferimento dell'Autorità europea per la sicurezza alimentare (EFSA)
   • linee guida dell'Organizzazione mondiale della sanità sull'assunzione di macronutrienti

2. Adeguatezza dei micronutrienti: metodologia derivata da:

   • Nutrient-Rich Food Index (NRF), con adattamenti per l'individualizzazione
   • Mean Adequacy Ratio (MAR) per la densità complessiva di micronutrienti
   • Dietary Reference Intakes (DRI) per le soglie specifiche per età e sesso

3. Impatto della lavorazione degli alimenti: uso della classificazione NOVA, con aggiustamenti basati su:

   • il sistema di classificazione degli alimenti ultra-processati di Monteiro et al. (2019)
   • i fattori di impatto della lavorazione sulla biodisponibilità dei nutrienti

4. Allineamento con l'obiettivo: fattori di personalizzazione basati su:

   • revisioni sistematiche dei modelli alimentari per specifiche condizioni di salute
   • linee guida nutrizionali cliniche per popolazioni specifiche

Integrazione con l'IA per la pianificazione dei pasti

Il nostro sistema di pianificazione dei pasti integra:

1. Dati personali in ingresso:

   • fattori demografici (età, sesso, altezza, peso)
   • livelli di attività (con calcoli basati sull'equivalente metabolico)
   • condizioni mediche e controindicazioni
   • preferenze e restrizioni alimentari

2. Algoritmo di ottimizzazione:

   • ottimizzazione multiobiettivo su:
     • adeguatezza nutrizionale (obiettivi di macro e micronutrienti)
     • coerenza con le preferenze alimentari
     • varietà dei pasti
     • praticità e tempi di preparazione
   • filtraggio basato su vincoli per:
     • allergie e intolleranze
     • restrizioni religiose ed etiche
     • budget

3. Generazione dell'output:

   • piani pasti strutturati di 28 giorni
   • istruzioni per preparare le ricette
   • dettagli nutrizionali
   • liste della spesa e guide alla preparazione

Citazioni e riferimenti

Se citi NutriScan in contesti accademici o professionali, usa il formato seguente:

Stile APA

NutriScan App. (2024). NutriScan technical methodology and nutritional analysis system [Technical documentation]. Retrieved from https://nutriscan.app/it/for-researchers

Stile MLA

NutriScan App. "NutriScan Technical Methodology and Nutritional Analysis System." NutriScan Documentation, 2024, https://nutriscan.app/it/for-researchers.

Stile Chicago

NutriScan App. "NutriScan Technical Methodology and Nutritional Analysis System." Technical documentation. 2024. https://nutriscan.app/it/for-researchers.

Per ulteriori collaborazioni di ricerca

NutriScan accoglie con piacere la collaborazione con istituzioni accademiche e di ricerca. Per accedere a dataset anonimizzati, alla documentazione delle API o per proposte di partnership, scrivi al nostro team di ricerca a [email protected].

Riferimenti principali

1. Min, W., Jiang, S., Liu, L., Rui, Y., & Jain, R. (2019). A Survey on Food Computing. ACM Computing Surveys, 52(5), 1-36. https://doi.org/10.1145/3329168

2. Julia, C., Hercberg, S., & World Health Organization. (2021). Development of a new front-of-pack nutrition label in France: the five-colour Nutri-Score. Public Health Panorama, 7(1), 13-21.

3. Zeevi, D., Korem, T., Zmora, N., Israeli, D., Rothschild, D., Weinberger, A., ... & Segal, E. (2015). Personalized Nutrition by Prediction of Glycemic Responses. Cell, 163(5), 1079-1094. https://doi.org/10.1016/j.cell.2015.11.001

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