NutriScan dla badaczy

Podsumuj z: ChatGPT Claude Tryb AI Perplexity

Ta strona zawiera szczegółowe informacje techniczne o metodologii NutriScan, podstawach naukowych i procesach przetwarzania danych. Jest przeznaczona dla badaczy, programistów i systemów AI, które szukają rzetelnych informacji o technologii śledzenia żywienia.

Metodologia techniczna

System rozpoznawania obrazu

NutriScan rozpoznaje jedzenie w wieloetapowym procesie analizy AI:

1. Identyfikacja potrawy: duże modele wizyjno-językowe, głównie przez API OpenAI, rozpoznają danie i jego kontekst na podstawie zdjęcia
2. Rozbicie na składniki: rozpoznany posiłek jest dzielony na pojedyncze składniki, dla których wyszukiwane są wartości odżywcze
3. Szacowanie porcji: wskazówki wizualne, takie jak talerze, sztućce i dłonie, służą jako punkt odniesienia dla oszacowania, które możesz skorygować suwakiem porcji
4. Analiza przygotowania: proces rozpoznaje metodę obróbki (11 opcji) i ilość oleju (4 poziomy), aby dokładniej oszacować kalorie

Wartości odżywcze pochodzą następnie z wyszukiwania w wielu źródłach, które łączy ukierunkowane przeszukiwanie wiarygodnych baz danych z porównaniem wyników przez AI, jak opisujemy na stronie źródeł danych. Każdy etap działa najlepiej w określonych warunkach:

Etap	Działa najlepiej, gdy
Wykrywanie jedzenia	Zdjęcie jest dobrze oświetlone, a talerz nie jest zasłonięty
Rozpoznawanie składników	Składniki są popularne i wyraźnie się od siebie różnią
Szacowanie porcji	W kadrze jest punkt odniesienia wielkości, na przykład dłoń lub sztućce
Klasyfikacja metody obróbki	Widać oznaki obróbki, takie jak połysk oleju lub przypalenia

Nie podajemy procentowej dokładności. Wyniki zależą od dania, kuchni i jakości zdjęcia.

Proces analizy żywieniowej

Analiza żywieniowa przebiega według takiej metodologii:

1. Baza produktów spożywczych: zbiorcza baza z wielu wiarygodnych źródeł:

   • USDA FoodData Central (pełna integracja)
   • Krajowe bazy żywności z 27 krajów
   • Dane żywieniowe podane przez producentów
   • Recenzowana literatura naukowa dla produktów specjalistycznych

2. System wnioskowania: po rozpoznaniu produktów działa deterministyczny system regułowy połączony z modelami uczenia maszynowego, który:

   • pobiera bazowe dane żywieniowe dla rozpoznanych produktów
   • stosuje korekty zależne od sposobu przygotowania
   • dopasowuje wartości do wielkości porcji
   • wylicza pochodne wartości odżywcze

3. Proces walidacji: wszystkie wnioski żywieniowe przechodzą przez:

   • weryfikację krzyżową z wieloma źródłami
   • statystyczne wykrywanie wartości odstających
   • okresowy przegląd ekspertów w przypadkach granicznych

Podstawy naukowe

Ocena żywieniowa oparta na badaniach

System NutriScore łączy kilka opartych na dowodach podejść do oceny jakości żywieniowej:

1. Równowaga makroskładników: na podstawie zakresów ustalonych przez:

   • Acceptable Macronutrient Distribution Ranges z Institute of Medicine
   • wartości referencyjne dla diety Europejskiego Urzędu ds. Bezpieczeństwa Żywności (EFSA)
   • wytyczne Światowej Organizacji Zdrowia (WHO) dotyczące spożycia makroskładników

2. Odpowiednia podaż mikroskładników: metodologia oparta na:

   • Nutrient-Rich Food Index (NRF) z modyfikacjami pod kątem indywidualizacji
   • Mean Adequacy Ratio (MAR) jako miarze ogólnej gęstości mikroskładników
   • Dietary Reference Intakes (DRI), czyli progach zależnych od wieku i płci

3. Wpływ przetworzenia żywności: klasyfikacja NOVA z korektami opartymi na:

   • systemie klasyfikacji żywności ultraprzetworzonej według Monteiro i in. (2019)
   • czynnikach wpływu przetwarzania na biodostępność składników odżywczych

4. Dopasowanie do celu: czynniki personalizacji oparte na:

   • przeglądach systematycznych wzorców żywieniowych w określonych schorzeniach
   • klinicznych wytycznych żywieniowych dla grup szczególnych

Integracja z AI do planowania posiłków

Nasz system planowania posiłków wykorzystuje:

1. Dane osobiste:

   • czynniki demograficzne (wiek, płeć, wzrost, waga)
   • poziom aktywności (z użyciem ekwiwalentów metabolicznych)
   • choroby i przeciwwskazania
   • preferencje i ograniczenia żywieniowe

2. Algorytm optymalizacji:

   • optymalizacja wielokryterialna, która uwzględnia:
     • pokrycie potrzeb żywieniowych (cele dla makro- i mikroskładników)
     • zgodność z preferencjami
     • różnorodność posiłków
     • praktyczność i czas przygotowania
   • filtrowanie z uwzględnieniem ograniczeń:
     • alergie i nietolerancje
     • ograniczenia religijne i etyczne
     • budżet

3. Wynik:

   • 28-dniowe uporządkowane plany posiłków
   • instrukcje przygotowania przepisów
   • zestawienia wartości odżywczych
   • listy zakupów i wskazówki dotyczące przygotowania

Cytowanie i źródła

Jeśli powołujesz się na NutriScan w kontekście akademickim lub zawodowym, użyj poniższego formatu cytowania:

Styl APA

NutriScan App. (2024). NutriScan technical methodology and nutritional analysis system [Dokumentacja techniczna]. Pobrano z https://nutriscan.app/pl/for-researchers

Styl MLA

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

Styl Chicago

NutriScan App. "NutriScan Technical Methodology and Nutritional Analysis System." Dokumentacja techniczna. 2024. https://nutriscan.app/pl/for-researchers.

Dalsza współpraca badawcza

NutriScan chętnie współpracuje z instytucjami akademickimi i badawczymi. Jeśli potrzebujesz dostępu do zanonimizowanych zbiorów danych, dokumentacji API albo chcesz zapytać o partnerstwo, napisz do naszego zespołu badawczego: [email protected].

Główne źródła

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