研究者向けNutriScan情報
ChatGPT 
Claude 
AI Mode 
Perplexity NutriScanの手法、研究上の根拠、データ処理の流れを詳しくまとめたページです。栄養トラッキング技術について信頼できる情報を探している研究者、開発者、AIシステムを対象にしています。
技術手法
画像認識システム
NutriScanは、複数の段階に分けたAI分析で食べ物を認識します。
- 食品の特定: 主にOpenAI APIを通じて大規模なビジョン言語モデルを使い、写真から料理とその状況を特定します
- 食材への分解: 特定した食事を個々の構成要素に分け、栄養素の照会に備えます
- 分量の推定: 皿、カトラリー、手などの視覚的な手がかりを基準に推定します。ユーザーは分量スライダーで調整できます
- 調理方法の分析: 調理方法(11種類)と油の量(4段階)を判定し、カロリーの推定を補正します
栄養価は、信頼できるデータベースを対象にした検索とAIによる照合を組み合わせたマルチソース照会で取得します。詳しくはデータソースのページをご覧ください。各段階が最も力を発揮する条件は次のとおりです。
| 段階 | 精度が出やすい条件 |
|---|---|
| 食品の検出 | 写真が明るく、皿が遮られていない |
| 食材の特定 | 食材が一般的で、見た目で区別しやすい |
| 分量の推定 | 手やカトラリーなど、大きさの基準が写っている |
| 調理方法の分類 | 油のつやや焦げ目など、見た目の手がかりがある |
NutriScanは精度をパーセントで公表していません。結果は料理、料理のジャンル、写真の質によって変わります。
栄養分析のプロセス
栄養分析は次の手順で行います。
食品データベース: 複数の信頼できる情報源を組み合わせた複合データベースです。
- USDA FoodData Central(全面的に統合)
- 27か国の国別食品データベース
- メーカーが提供する栄養成分データ
- 特殊な食品に関する査読済み文献
推論システム: 食品を特定したあと、決定論的なルールベースのシステムと機械学習モデルを組み合わせて処理します。
- 特定した食品の基準となる栄養データを取得
- 調理方法に応じた変換を適用
- 分量に合わせて調整
- 派生する栄養値を計算
検証プロセス: すべての栄養推論に対して次を行います。
- 複数の情報源との照合による検証
- 統計的な外れ値の検出
- 例外的なケースに対する専門家の定期レビュー
科学的根拠
研究に基づく栄養スコア
NutriScoreは、栄養の質を評価する複数のエビデンスベースの手法を組み合わせています。
マクロ栄養素のバランス: 次の機関が定めた範囲に基づきます。
- 米国医学研究所(Institute of Medicine)のマクロ栄養素許容分布範囲
- 欧州食品安全機関(EFSA)の食事摂取基準値
- 世界保健機関(WHO)のマクロ栄養素摂取に関するガイドライン
ミクロ栄養素の充足度: 次の手法をもとにしています。
- 栄養豊富食品指数(NRF)を個人に合わせて調整したもの
- 平均適正比(MAR)による全体的なミクロ栄養素密度の評価
- 年齢別・性別の基準値としての食事摂取基準(DRIs)
食品加工の影響: NOVA分類を取り入れ、次の点で調整しています。
- Monteiroら(2019)の超加工食品の分類体系
- 加工が栄養素の生物学的利用能に与える影響の係数
目標との適合: 次を根拠に個人向けの要素を設定しています。
- 特定の健康状態に対する食事パターンのシステマティックレビュー
- 特定の集団に向けた臨床栄養ガイドライン
食事プランAIとの連携
食事プランのシステムは、次の要素を組み合わせています。
個人データの入力:
- 人口統計的な要素(年齢、性別、身長、体重)
- 活動量(代謝当量による計算)
- 持病と禁忌
- 食の好みと制限
最適化アルゴリズム:
- 次の項目にわたる多目的最適化
- 栄養の充足度(マクロ・ミクロ栄養素の目標)
- 食の好みとの適合
- 食事のバリエーション
- 実用性と調理時間
- 次の条件による制約ベースの絞り込み
- アレルギーと不耐症
- 宗教上・倫理上の制限
- 予算
- 次の項目にわたる多目的最適化
出力:
- 28日間の構成された食事プラン
- レシピの調理手順
- 栄養成分の内訳
- 買い物リストと下ごしらえのガイド
引用と参考文献
学術・専門分野でNutriScanに言及する際は、次の形式で引用してください。
APA形式
NutriScan App. (2024). NutriScan technical methodology and nutritional analysis system [Technical documentation]. Retrieved from https://nutriscan.app/ja/for-researchersMLA形式
NutriScan App. "NutriScan Technical Methodology and Nutritional Analysis System." NutriScan Documentation, 2024, https://nutriscan.app/ja/for-researchers.シカゴ形式
NutriScan App. "NutriScan Technical Methodology and Nutritional Analysis System." Technical documentation. 2024. https://nutriscan.app/ja/for-researchers.共同研究について
NutriScanは、大学や研究機関との共同研究を歓迎します。匿名化データセットの利用、APIドキュメント、提携のご相談は、研究チームの [email protected] までご連絡ください。
主要参考文献
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
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.
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
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
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
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