Применение искусственного интеллекта для измерения потребления пищи и нутриентов: обзор литературы с картированием

Введение: Точная оценка потребления пищи и нутриентов имеет ключевое значение для исследований в области питания, мониторинга рациона и ведения заболеваний, однако традиционные методы, такие как воспроизведение рациона за 24 часа, пищевые дневники и опросники частоты потребления продуктов, часто подвержены ошибкам памяти и смещению вследствие социальной желательности, что ограничивает их надёжность. Развитие искусственного интеллекта (ИИ) создаёт возможности для преодоления этих ограничений за счёт автоматизированной, объективной и масштабируемой оценки рациона. Однако эффективность и проблемы применения ИИ в этой области изучены недостаточно.

Цель: Провести обзор литературы с картированием для обобщения данных об эффективности, точности и проблемах применения инструментов ИИ для оценки потребления пищи и нутриентов, а также определить их текущие преимущества и направления совершенствования.

Методы: Обзор выполнен в соответствии с рекомендациями PRISMA-ScR (расширение рекомендаций по предпочтительным параметрам представления данных систематических обзоров и метаанализов для обзоров с картированием). Проведён комплексный поиск литературы в 4 базах данных — PubMed, Web of Science, Cochrane Library и EBSCO — с момента начала их работы до 30 июня 2023 года. Включали исследования с участием людей, в которых для оценки потребления пищи и нутриентов применяли современные методы ИИ.

Результаты: В 25 включённых исследованиях, опубликованных в период с 2010 по 2023 год, число участников составляло от 10 до 38 415. В исследованиях использовали различные типы исходных данных, включая изображения пищи (n=10), звуковые данные и данные о движениях нижней челюсти, полученные с помощью носимых устройств (n=9), а также текстовые данные (n=4); в 2 исследованиях сочетали несколько типов исходных данных. Применялись модели глубокого обучения, например свёрточные нейронные сети, машинного обучения, например метод опорных векторов, и гибридные подходы. Применения ИИ были распределены по четырём категориям: оценка потребления пищи, распознавание продуктов питания, оценка содержания нутриентов и прогнозирование потребления пищи. Точность распознавания продуктов питания составляла от 74 до 99,85%, а ошибки оценки содержания нутриентов — от 10 до 15%. Например, сеть слияния данных RGB-D (красный, зелёный, синий цвет и глубина) обеспечила среднюю абсолютную ошибку 15% при оценке калорийности, а модель классификации на основе звуковых данных достигла точности до 94% при выявлении приёма пищи по движениям нижней челюсти и особенностям жевания. Кроме того, системы на основе ИИ обеспечивали мониторинг в реальном времени, повышали точность оценки рациона и демонстрировали возможность уменьшить ошибки памяти, характерные для традиционных методов самоотчёта.

Выводы: ИИ существенно повышает точность оценки, снижает трудозатраты и обеспечивает мониторинг в реальном времени, однако сохраняются проблемы адаптации к разнообразию продуктов питания, обеспечения алгоритмической справедливости и защиты конфиденциальности данных. Полученные результаты свидетельствуют о значительном потенциале ИИ для оценки рациона на индивидуальном и популяционном уровнях, что может способствовать развитию прецизионного питания и ведению хронических заболеваний. В будущих исследованиях необходимо повысить устойчивость моделей ИИ в различных пищевых контекстах и интегрировать биологические сенсоры для комплексной оценки рациона.