人工智能驱动的膳食比例评估：提升平衡餐盘模型准确性与实用性的新策略

《Scientific Reports》：AI powered dietary proportion assessment for improving accuracy and practicality of the balanced meal plate model

　　为解决传统2:1:1膳食比例模型在视觉估测食物分量时存在的准确性问题，研究人员开发了一款基于AI的膳食比例评估工具。研究表明，该AI应用在评估海南鸡饭和虾酱炒饭等复杂亚洲菜肴时，其平均绝对误差(MAE)显著低于营养学学生(ND)和注册营养师(RD)，显示出优越的准确性。用户满意度调查显示，61%的参与者对应用的整体体验评价为中等，超过半数认可其作为营养教育和膳食评估工具的潜力。该研究为推广健康饮食模式提供了创新性技术支持。

　　

在全球肥胖问题日益严峻的背景下，健康饮食已成为预防和管理非传染性疾病(NCD)的关键策略。其中，餐盘模型(Plate Model)作为一种直观的膳食指导工具，被广泛用于推广均衡饮食。泰国普遍采用的2:1:1比例模型建议将标准9英寸餐盘分为两份蔬菜、一份谷物或淀粉类食物以及一份蛋白质。尽管该模型在体重管理和降低NCD风险因素方面显示出积极效果，但其实际应用却面临挑战：个体难以准确目测食物分量，不同人对比例的判断存在主观差异，且某些混合菜肴的食材分类困难，这些因素都限制了该模型的推广效果。

传统上，人们依赖营养师或经过培训的专业人员进行膳食评估，但这种方式成本高、可及性差。随着技术进步，人工智能(AI)为膳食评估带来了新的可能。已有研究探索利用AI进行食物图像识别、热量估算和个性化营养建议，例如NutriNet、GoCARB和goFOOD等应用。这些工具通常基于机器学习(ML)和深度学习(DL)技术，能够通过分析食物图片来估算营养成分。然而，许多现有工具主要针对西式简餐开发，对食材多样、形态复杂的亚洲混合菜肴的评估准确性仍有待提高。此外，大多数工具侧重于热量和宏量营养素估算，而非直接指导食物比例平衡。

为此，由朱拉隆功大学（Chulalongkorn University）的Worasit Choochaiwattana、Patinya Jaruariyanon、Assaree Jitpranee、Rawirin Deecharoen、Thanaporn Kaewpradup、Charoonsri Chusak和Sirichai Adisakwattana组成的研究团队在《Scientific Reports》上发表了一项研究，题为"AI powered dietary proportion assessment for improving accuracy and practicality of the balanced meal plate model"。该研究开发了一款基于AI的网页应用，专门用于评估膳食是否符合2:1:1比例模型，并系统比较了AI与营养和饮食学学生(ND)及注册营养师(RD)在估测比例时的准确性，同时评估了用户对该应用的满意度和态度。

为开展研究，研究人员选取了三种受欢迎的泰国复合菜肴：海南鸡饭(Hainanese Chicken Rice)、虾酱炒饭(Shrimp Paste Fried Rice)和鸡蛋面(Egg Noodle)作为评估对象。每种菜肴准备了15张基础图像，呈现三种不同的分量变化。所有图像均在受控光照条件下，从垂直俯视角度使用智能手机拍摄，以确保一致性。研究参与者包括来自朱拉隆功大学联合健康科学学院的营养与饮食学专业学生(ND)和持有有效执照的注册营养师(RD)。样本量经计算，每组最终确定为12人。AI评估组则通过模型复现评估，与人类组别形成对比。

关键技术方法包括图像数据集的准备、AI模型训练与验证。研究人员采用像素标记法(PLM)对图像进行像素级语义分割标注，生成谷物/淀粉、蛋白质和蔬菜三个食物类别的真实掩码。使用数据增强技术（包括旋转、色温调整、对比度和亮度调整）将原始图像库扩充至每道菜225张图像。AI模型采用结合U-Net架构和VGG16编码器的深度学习模型进行训练，优化器为Adam，学习率0.0001，损失函数为分类焦点损失(Categorical Focal Loss)和Dice损失的组合。模型性能通过平均交并比(MIoU)进行定量评估，并在独立的测试集上进行验证。

结果

海南鸡饭

对于海南鸡饭，AI组在估算谷物/淀粉比例时表现出显著更低的平均绝对误差(MAE)，为3.2±2.5%，而注册营养师(RD)组的MAE为4.9±2.6%，差异具有统计学意义。在蛋白质类别中，AI组的MAE为3.1±2.4%，但与营养学学生(ND)组的误差(3.9±2.6%)相比，无显著差异。

虾酱炒饭

在分析虾酱炒饭时，AI组在谷物/淀粉估算中的MAE(0.6±0.5%)显著低于ND组(4.3±2.3%)和RD组(4.3±1.2%)。在蛋白质估算中，AI组的误差(1.5±1.1%)也显著低于ND组(4.3±4.4%)和RD组(3.3±2.0%)。对于蔬菜，AI组的MAE(1.3±1.3%)同样显著低于ND组(3.9±5.2%)和RD组(3.3±2.0%)。

鸡蛋面

对于鸡蛋面，三组在所有三个食物组分的比例估算误差上均未发现显著差异。AI组的表现与ND和RD组相当。

用户满意度与态度

共有23名参与者（12名ND，11名RD）完成了满意度与态度问卷调查。结果显示，61%的参与者对食物成分比例检测的准确性表示中等满意。参与者对网页应用的数据处理速度(91%表示中等至高满意度)、稳定性(70%)、图像与内容的一致性(70%)以及界面的美观现代性(78%)给予了积极评价。61%的参与者对易用性表示非常满意，57%对字体大小和样式感到满意。总体而言，大多数参与者(61%)对网页应用的整体满意度评为中等。

在态度方面，57%的参与者同意该应用可在营养师工作或实习中实际应用。61%认为它是营养教育的宝贵资源。44%同意其可能减少营养教育所需时间。56%认可其可为膳食评估提供有价值信息。52%表示愿意向他人推荐此应用。

讨论与结论

该研究表明，基于AI的膳食比例评估应用在处理复杂的亚洲菜肴（如海南鸡饭和虾酱炒饭）时，其准确性超越了人类评估者。这凸显了AI工具在应对具有多种成分、质地和颜色的复杂膳食评估方面的潜力，有助于解决饮食评估中的文化差异问题。与许多专注于估算热量和宏量营养素（尤其是碳水化合物）的现有工具不同，该模型直接提供谷物、肉类和蔬菜的比例估算，强调份量平衡，引导用户遵循2:1:1模型，为实现健康饮食提供了一种更直观、简便的方法。

对于鸡蛋面，AI表现与人类相当，这可能是因为该菜肴成分（如豆芽、鸡蛋面、鱼丸）颜色相似（白色、黄色），给AI的图像识别带来了挑战。这与先前研究中AI工具对视觉相似食物分类准确性下降的发现一致。这表明需要进一步丰富训练数据集，并改进图像识别算法，以更好地处理成分颜色、纹理相近的复杂餐食。

用户满意度调查结果总体积极，特别是在应用的速度、稳定性和易用性方面。参与者对其在营养学实践和教育中的应用潜力持肯定态度。用户友好的界面使其特别适合膳食管理的初学者，有助于他们监测摄入、识别增加蔬菜摄入的机会，并调整谷物和蛋白质的摄入量，从而促进对2:1:1模型的依从性。

该AI工具对于超重或肥胖人群的体重管理，以及需要针对糖尿病或心血管疾病等健康状况进行饮食调整的个体具有潜在益处。通过提供食物比例的实时反馈，它简化了份量控制，帮助用户做出明智的饮食选择。长期使用可培养用户对自身饮食模式的认知，促进可持续的行为改变。对于营养专业学生，该应用提供了一个练习份量估算、发展饮食咨询和行为管理技能的宝贵平台。对于注册营养师，它则是一个帮助更新技能、向患者直观演示平衡膳食的有效工具。

研究的局限性在于AI模型仅基于三种泰国菜肴的图像进行训练，可能限制其推广到其他食物和菜系的普适性。未来研究需要包含更多样化的菜肴以增强模型的泛化能力。

综上所述，这项研究成功开发了一款能够准确评估复杂东盟菜肴膳食比例的AI应用，其性能优于人类评估者。用户反馈肯定了其实际应用潜力。这款AI工具有望帮助个人，特别是超重肥胖人群，做出更健康的饮食选择，促进可持续的饮食行为改变，为公共卫生领域的营养干预提供了新的技术方案。