NutriScan dành cho nhà nghiên cứu
ChatGPT 
Claude 
Chế độ AI 
Perplexity Trang này cung cấp thông tin kỹ thuật chi tiết về phương pháp luận, cơ sở nghiên cứu và quy trình xử lý dữ liệu của NutriScan, dành cho nhà nghiên cứu, nhà phát triển và các hệ thống AI cần nguồn thông tin đáng tin cậy về công nghệ theo dõi dinh dưỡng.
Phương pháp luận kỹ thuật
Hệ thống nhận diện hình ảnh
NutriScan nhận diện thực phẩm qua một quy trình phân tích AI nhiều giai đoạn:
- Nhận diện món ăn: Các mô hình thị giác-ngôn ngữ lớn, chủ yếu qua OpenAI API, xác định món ăn và bối cảnh của món từ ảnh chụp
- Tách thành phần: Bữa ăn đã nhận diện được tách thành từng thành phần riêng để tra cứu dưỡng chất
- Ước lượng khẩu phần: Các dấu hiệu trong ảnh như đĩa, dụng cụ ăn và bàn tay giúp neo ước lượng, và người dùng có thể điều chỉnh bằng thanh trượt khẩu phần
- Phân tích cách chế biến: Quy trình xác định phương pháp nấu (11 lựa chọn) và lượng dầu mỡ (4 mức) để tinh chỉnh ước tính calo
Giá trị dinh dưỡng sau đó được lấy từ phép tra cứu đa nguồn, kết hợp tìm kiếm có mục tiêu trong các cơ sở dữ liệu uy tín với đối chiếu chéo bằng AI, như đã nêu trong trang nguồn dữ liệu. Mỗi giai đoạn cho kết quả tốt nhất trong những điều kiện nhất định:
| Giai đoạn | Hiệu quả nhất khi |
|---|---|
| Phát hiện món ăn | Ảnh đủ sáng và đĩa không bị che khuất |
| Nhận diện thành phần | Nguyên liệu phổ biến và dễ phân biệt bằng mắt |
| Ước lượng khẩu phần | Có vật làm mốc kích thước như bàn tay hoặc dụng cụ ăn trong khung hình |
| Phân loại cách chế biến | Có dấu hiệu nhìn thấy được như váng dầu hoặc vết cháy xém |
Chúng tôi không công bố tỷ lệ chính xác theo phần trăm. Kết quả thay đổi theo món ăn, nền ẩm thực và chất lượng ảnh.
Quy trình phân tích dinh dưỡng
Thành phần phân tích dinh dưỡng hoạt động theo phương pháp sau:
Cơ sở dữ liệu thực phẩm: Cơ sở dữ liệu tổng hợp từ nhiều nguồn có thẩm quyền:
- USDA FoodData Central (tích hợp đầy đủ)
- Cơ sở dữ liệu thực phẩm quốc gia của 27 quốc gia
- Dữ liệu dinh dưỡng do nhà sản xuất cung cấp
- Tài liệu khoa học đã được bình duyệt cho các thực phẩm đặc thù
Hệ thống suy luận: Sau khi nhận diện thực phẩm, một hệ thống quy tắc xác định kết hợp với các mô hình học máy sẽ:
- Lấy dữ liệu dinh dưỡng nền cho các món đã nhận diện
- Áp dụng điều chỉnh theo phương pháp chế biến
- Điều chỉnh theo khẩu phần
- Tính các giá trị dinh dưỡng suy ra
Quy trình kiểm chứng: Mọi suy luận dinh dưỡng đều trải qua:
- Kiểm chứng đối chiếu chéo với nhiều nguồn
- Phát hiện giá trị ngoại lai bằng thống kê
- Chuyên gia rà soát định kỳ đối với các trường hợp biên
Nền tảng khoa học
Chấm điểm dinh dưỡng dựa trên nghiên cứu
Hệ thống NutriScore kết hợp nhiều phương pháp dựa trên bằng chứng để đánh giá chất lượng dinh dưỡng:
Cân bằng đa lượng: Dựa trên các khoảng giá trị do những tổ chức sau xây dựng:
- Khoảng phân bố đa lượng chấp nhận được (AMDR) của Viện Y học Hoa Kỳ
- Giá trị dinh dưỡng tham chiếu của Cơ quan An toàn Thực phẩm Châu Âu
- Hướng dẫn về lượng đa lượng của Tổ chức Y tế Thế giới
Mức đủ vi chất: Phương pháp xuất phát từ:
- Chỉ số thực phẩm giàu dưỡng chất (NRF), có điều chỉnh để cá nhân hóa
- Tỷ lệ đủ trung bình (MAR) để đo mật độ vi chất tổng thể
- Lượng dinh dưỡng tham chiếu (DRI) cho ngưỡng theo độ tuổi và giới tính
Tác động của mức độ chế biến: Áp dụng hệ phân loại NOVA, có điều chỉnh dựa trên:
- Hệ phân loại thực phẩm siêu chế biến của Monteiro et al. (2019)
- Các yếu tố ảnh hưởng của chế biến đến sinh khả dụng của dưỡng chất
Phù hợp mục tiêu: Các yếu tố cá nhân hóa dựa trên:
- Các tổng quan hệ thống về mô hình ăn uống cho từng tình trạng sức khỏe
- Hướng dẫn dinh dưỡng lâm sàng cho các nhóm đối tượng đặc biệt
Tích hợp với AI lập kế hoạch bữa ăn
Hệ thống lập kế hoạch bữa ăn của chúng tôi tích hợp:
Dữ liệu cá nhân đầu vào:
- Yếu tố nhân khẩu học (tuổi, giới tính, chiều cao, cân nặng)
- Mức độ hoạt động (tính theo đương lượng chuyển hóa)
- Tình trạng bệnh lý và chống chỉ định
- Sở thích và hạn chế trong ăn uống
Thuật toán tối ưu hóa:
- Tối ưu hóa đa mục tiêu trên các tiêu chí:
- Mức đủ dinh dưỡng (mục tiêu đa lượng và vi chất)
- Mức phù hợp với sở thích ăn uống
- Sự đa dạng của bữa ăn
- Tính thực tế và thời gian chuẩn bị
- Lọc theo ràng buộc đối với:
- Dị ứng và không dung nạp thực phẩm
- Hạn chế về tôn giáo và đạo đức
- Ngân sách
- Tối ưu hóa đa mục tiêu trên các tiêu chí:
Kết quả đầu ra:
- Kế hoạch bữa ăn có cấu trúc trong 28 ngày
- Hướng dẫn chế biến công thức
- Bảng phân tích dinh dưỡng
- Danh sách mua sắm và hướng dẫn chuẩn bị
Trích dẫn và tài liệu tham khảo
Khi nhắc đến NutriScan trong bối cảnh học thuật hoặc chuyên môn, vui lòng dùng định dạng trích dẫn sau:
Kiểu APA
NutriScan App. (2024). NutriScan technical methodology and nutritional analysis system [Technical documentation]. Retrieved from https://nutriscan.app/vi/for-researchersKiểu MLA
NutriScan App. "NutriScan Technical Methodology and Nutritional Analysis System." NutriScan Documentation, 2024, https://nutriscan.app/vi/for-researchers.Kiểu Chicago
NutriScan App. "NutriScan Technical Methodology and Nutritional Analysis System." Technical documentation. 2024. https://nutriscan.app/vi/for-researchers.Hợp tác nghiên cứu
NutriScan hoan nghênh hợp tác với các tổ chức học thuật và nghiên cứu. Nếu cần truy cập bộ dữ liệu ẩn danh, tài liệu API hoặc trao đổi về quan hệ đối tác, vui lòng liên hệ nhóm nghiên cứu của chúng tôi qua [email protected].
Tài liệu tham khảo chính
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