Достижения в применении искусственного интеллекта для оценки рациона по изображениям пищи: обзор литературы

Введение: Для точной оценки потребления пищи диетологам часто приходится расспрашивать пациентов о частоте употребления продуктов и размерах порций, полагаясь на память пациента, что может быть обременительно. Фотографирование пищи наряду с ведением пищевого дневника позволяет снизить нагрузку на пользователя и уменьшить число ошибок самоотчёта, однако для перевода фотографий пищи в данные о рационе по-прежнему требуется обученный персонал. Оценка рациона с использованием изображений (image-assisted dietary assessment, IADA) — инновационный подход, в котором компьютерные алгоритмы имитируют действия человека при определении пищевой ценности продуктов по их изображениям. Развитие этой области постоянно ускоряется благодаря достижениям компьютерных наук, особенно в сфере искусственного интеллекта (ИИ). Однако технический характер данного направления может затруднять его полноценное понимание специалистами без соответствующей подготовки.

Цель: Обобщить современные данные о внедрении ИИ в оценку рациона по изображениям пищи. Материал организован в хронологическом порядке и изложен доступно для читателей, не знакомых с терминологией ИИ. Кроме того, рассмотрены сильные и слабые стороны существующих систем и предложены способы повышения точности IADA и её распространения среди специалистов по питанию.

Методы: Для проведения обзора литературы с картированием использовали базы данных PubMed и Google Scholar. В обзор включали исследования, опубликованные в 2008–2021 годах и посвящённые вычислительным методам оценки рациона по изображениям, в частности моделям ИИ, устройствам, сенсорам и цифровым методам распознавания продуктов и оценки их объёма.

Результаты: Первоначально выявили 522 статьи. После строгого отбора в обзор включили 84 статьи (16,1%). Согласно данным отобранных исследований, в ранних системах, разработанных до 2015 года, для выполнения традиционных последовательных этапов — сегментации, распознавания продуктов, оценки порций и расчёта содержания пищевых веществ — применяли алгоритмы машинного обучения с ручным конструированием признаков. С 2015 года такие алгоритмы в значительной степени были заменены алгоритмами глубокого обучения, выполняющими те же задачи. В дальнейшем традиционный последовательный процесс уступил место более современным алгоритмам, включая многозадачные свёрточные нейронные сети и генеративно-состязательные сети. Большинство систем валидировали для оценки содержания макронутриентов и энергетической ценности, тогда как лишь немногие могли оценивать содержание микронутриентов, например натрия. В области IADA достигнут значительный прогресс; основные усилия направлены на воспроизведение показателей, сопоставимых с результатами человека.

Выводы: Оценка рациона по изображениям пищи значительно продвинулась, особенно в области распознавания продуктов и оценки порций. Совершенствование методов ИИ открывает большие возможности для повышения точности и эффективности этого направления. Однако для соответствия требованиям специалистов и формирования их доверия к таким системам необходимо привлекать диетологов и других специалистов по питанию к их разработке.