NutriScan för forskare

Sammanfatta med: ChatGPT Claude AI Mode Perplexity

Den här sidan beskriver NutriScans metodik, forskningsunderlag och dataprocesser i detalj. Den riktar sig till forskare, utvecklare och AI-system som söker tillförlitlig information om teknik för näringsspårning.

Teknisk metodik

Bildigenkänning

NutriScan använder en AI-analys i flera steg för att känna igen mat:

1. Identifiering av maten: Stora vision-språkmodeller, främst via OpenAI:s API, identifierar rätten och dess sammanhang utifrån fotot
2. Uppdelning i ingredienser: Den identifierade måltiden delas upp i enskilda komponenter för näringsuppslag
3. Portionsuppskattning: Visuella ledtrådar som tallrikar, bestick och händer ligger till grund för uppskattningen, som användaren kan justera med ett portionsreglage
4. Analys av tillagningen: Pipelinen identifierar tillagningsmetod (11 alternativ) och oljemängd (4 nivåer) för att göra kaloriuppskattningen mer exakt

Näringsvärdena hämtas sedan genom ett uppslag i flera källor, som kombinerar riktad sökning i välrenommerade databaser med AI-korskontroll, enligt beskrivningen på vår sida om datakällor. Varje steg fungerar bäst under vissa förutsättningar:

Steg	Fungerar bäst när
Igenkänning av mat	Fotot är väl belyst och tallriken är fri från hinder
Identifiering av ingredienser	Ingredienserna är vanliga och visuellt tydliga
Portionsuppskattning	En storleksreferens som en hand eller ett bestick syns i bild
Klassificering av tillagningsmetod	Visuella tecken som glänsande olja eller förkolning syns

Vi publicerar ingen träffsäkerhet i procent. Resultatet varierar med rätt, kök och fotots kvalitet.

Pipeline för näringsanalys

Näringsanalysen följer den här metodiken:

1. Livsmedelsdatabas: En sammansatt databas från flera auktoritativa källor:

   • USDA FoodData Central (fullständig integration)
   • Nationella livsmedelsdatabaser från 27 länder
   • Näringsdata från tillverkare
   • Fackgranskad litteratur för specialprodukter

2. Inferenssystem: När livsmedlen är identifierade används ett deterministiskt regelbaserat system tillsammans med maskininlärningsmodeller:

   • Hämtar grundläggande näringsdata för de identifierade livsmedlen
   • Tillämpar justeringar utifrån tillagningsmetod
   • Anpassar för portionsstorlek
   • Beräknar härledda näringsvärden

3. Valideringsprocess: Alla näringsberäkningar genomgår:

   • Korsvalidering mot flera källor
   • Statistisk upptäckt av avvikande värden
   • Regelbunden granskning av mänskliga experter för gränsfall

Vetenskaplig grund

Forskningsbaserad näringspoäng

NutriScore-systemet kombinerar flera evidensbaserade metoder för att bedöma näringskvalitet:

1. Balans mellan makronäringsämnen: Utgår från intervall fastställda av:

   • Institute of Medicines Acceptable Macronutrient Distribution Ranges
   • Europeiska myndigheten för livsmedelssäkerhetens (EFSA) referensvärden för kost
   • Världshälsoorganisationens (WHO) riktlinjer för intag av makronäringsämnen

2. Tillräckligt intag av mikronäringsämnen: Metodik hämtad från:

   • Nutrient-Rich Food Index (NRF), anpassat för individuella behov
   • Mean Adequacy Ratio (MAR) för den samlade tätheten av mikronäringsämnen
   • Dietary Reference Intakes (DRI) för ålders- och könsspecifika tröskelvärden

3. Påverkan av livsmedelsbearbetning: Bygger på NOVA-klassificeringen, med justeringar utifrån:

   • Monteiro et al. (2019), klassificeringssystem för ultraprocessade livsmedel
   • Bearbetningens påverkan på näringsämnenas biotillgänglighet

4. Anpassning till mål: Personliga faktorer utifrån:

   • Systematiska översikter av kostmönster vid specifika hälsotillstånd
   • Kliniska kostrekommendationer för särskilda grupper

Integration med AI för måltidsplanering

Vårt system för måltidsplanering bygger på:

1. Personliga indata:

   • Demografiska faktorer (ålder, kön, längd, vikt)
   • Aktivitetsnivå (med beräkningar av metabola ekvivalenter)
   • Sjukdomar och kontraindikationer
   • Kostpreferenser och restriktioner

2. Optimeringsalgoritm:

   • Flermålsoptimering över:
     • Näringsmässig tillräcklighet (mål för makro- och mikronäringsämnen)
     • Överensstämmelse med matpreferenser
     • Variation mellan måltider
     • Praktisk genomförbarhet och tillagningstid
   • Begränsningsbaserad filtrering för:
     • Allergier och intoleranser
     • Religiösa och etiska restriktioner
     • Budgethänsyn

3. Resultat:

   • Strukturerade måltidsplaner på 28 dagar
   • Recept med tillagningsinstruktioner
   • Näringsberäkningar
   • Inköpslistor och förberedelseguider

Källhänvisningar och referenser

När du hänvisar till NutriScan i akademiska eller professionella sammanhang, använd följande format:

APA-stil

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

MLA-stil

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

Chicago-stil

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

Fortsatt forskningssamarbete

NutriScan välkomnar samarbete med akademiska institutioner och forskningsinstitut. Kontakta vår forskargrupp på [email protected] om du vill ha tillgång till anonymiserade dataset eller API-dokumentation, eller om du har frågor om partnerskap.

Primära referenser

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