NutriScan для исследователей

Краткое содержание в: ChatGPT Claude AI Mode Perplexity

На этой странице описаны методология NutriScan, научная основа и процессы работы с данными. Она рассчитана на исследователей, разработчиков и ИИ-системы, которым нужны достоверные сведения о технологиях отслеживания питания.

Техническая методология

Система распознавания изображений

NutriScan использует многоступенчатый ИИ-конвейер для распознавания еды:

1. Определение блюда: большие визуально-языковые модели, в основном через OpenAI API, определяют блюдо и его контекст по фото
2. Разбор на ингредиенты: распознанное блюдо раскладывается на отдельные компоненты для поиска нутриентов
3. Оценка порции: размер оценивается по визуальным ориентирам (тарелка, приборы, рука), а пользователь может скорректировать его ползунком порции
4. Анализ приготовления: конвейер определяет способ приготовления (11 вариантов) и количество масла (4 уровня), чтобы уточнить оценку калорий

Значения питательной ценности берутся из многоисточникового поиска: целевой поиск по надёжным базам данных сочетается с перекрёстной проверкой ИИ. Подробности есть на странице об источниках данных. Каждый этап лучше всего работает при определённых условиях:

Этап	Лучше всего работает, когда
Определение блюда	Фото хорошо освещено, тарелка не закрыта
Определение ингредиентов	Ингредиенты распространённые и хорошо различимы на вид
Оценка порции	В кадре есть ориентир размера, например рука или прибор
Классификация способа приготовления	Видны признаки вроде блеска масла или подгорания

Мы не публикуем процент точности. Результат зависит от блюда, кухни и качества фото.

Конвейер анализа питательной ценности

Компонент анализа питательной ценности работает по такой методологии:

1. База продуктов: составная база из нескольких авторитетных источников:

   • USDA FoodData Central (полная интеграция)
   • национальные базы продуктов 27 стран
   • данные о питательной ценности от производителей
   • рецензируемая литература для специализированных продуктов

2. Система вывода: после распознавания продуктов работает детерминированная система правил в сочетании с моделями машинного обучения:

   • получает базовые данные о питательной ценности распознанных продуктов
   • применяет поправки на способ приготовления
   • корректирует значения по размеру порции
   • рассчитывает производные показатели

3. Проверка: все расчёты проходят через:

   • перекрёстную проверку по нескольким источникам
   • статистическое выявление выбросов
   • периодическую экспертную проверку сложных случаев вручную

Научная основа

Оценка питания на основе исследований

Система NutriScore объединяет несколько научно обоснованных подходов к оценке качества питания:

1. Баланс макронутриентов: опирается на диапазоны, которые установили:

   • Institute of Medicine (допустимые диапазоны распределения макронутриентов, AMDR)
   • Европейское управление по безопасности пищевых продуктов (EFSA), референсные значения потребления
   • Всемирная организация здравоохранения, рекомендации по потреблению макронутриентов

2. Достаточность микронутриентов: методология основана на:

   • индексе питательной плотности продуктов (Nutrient-Rich Food Index, NRF) с поправками на индивидуальные особенности
   • среднем коэффициенте достаточности (Mean Adequacy Ratio, MAR) для общей плотности микронутриентов
   • референсных нормах потребления (DRI) с порогами по возрасту и полу

3. Влияние переработки продуктов: используется классификация NOVA с поправками на основе:

   • системы классификации ультрапереработанных продуктов Monteiro et al. (2019)
   • факторов влияния переработки на биодоступность нутриентов

4. Соответствие цели: персонализация опирается на:

   • систематические обзоры рационов при конкретных состояниях здоровья
   • клинические рекомендации по питанию для особых групп населения

Интеграция с ИИ для планирования питания

Наша система планирования питания включает:

1. Личные данные на входе:

   • демографические факторы (возраст, пол, рост, вес)
   • уровень активности (по расчётам метаболического эквивалента)
   • заболевания и противопоказания
   • пищевые предпочтения и ограничения

2. Алгоритм оптимизации:

   • многокритериальная оптимизация по:
     • достаточности питательных веществ (цели по макро- и микронутриентам)
     • соответствию пищевым предпочтениям
     • разнообразию блюд
     • удобству и времени приготовления
   • фильтрация по ограничениям:
     • аллергии и непереносимости
     • религиозные и этические ограничения
     • бюджет

3. Результат:

   • структурированные планы питания на 28 дней
   • инструкции по приготовлению рецептов
   • разбивка по питательным веществам
   • списки покупок и руководства по подготовке

Цитирование и источники

Если вы ссылаетесь на NutriScan в научном или профессиональном контексте, используйте такой формат цитирования:

Стиль APA

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

Стиль MLA

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

Стиль Chicago

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

Сотрудничество в исследованиях

NutriScan открыт к сотрудничеству с академическими и исследовательскими организациями. Чтобы получить доступ к анонимизированным датасетам, документации API или обсудить партнёрство, напишите нашей исследовательской команде: [email protected].

Основные источники

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