综述：机器学习在母乳宏量与微量营养素分析中的应用：范围综述

这篇综述系统评价了机器学习（ML）在母乳营养成分分析中的前沿应用，重点聚焦宏量营养素（脂肪、蛋白质、乳糖）和微量营养素预测模型的构建与验证。研究揭示ML在提升分析效率（如R2值）和揭示母婴健康关联方面的潜力，同时指出当前研究在样本多样性、标准化方法及微量营养素（如矿物质）领域的局限性，为个性化婴儿营养研究提供了技术路线图。

　　

背景

人工智能（AI）尤其是机器学习（ML）正重塑生物系统分析范式，而母乳作为婴儿发育的核心营养源，其复杂动态成分的分析成为ML的重要应用场景。母乳含数千种营养与非营养成分，受母体饮食、健康状态和哺乳阶段显著影响，传统检测方法面临高成本、低通量等挑战。

目标与方法

本研究遵循乔安娜·布里格斯研究所（JBI）指南，系统检索2024年11月前MEDLINE等四大数据库，筛选出5项应用ML分析母乳成分的研究（2021-2024年），涵盖横断面（4项）和队列设计（1项）。

结果

样本量从6份至超1000份不等，采集方式包括泵吸、手工挤奶和母乳库捐赠。ML模型对宏量营养素（脂肪、蛋白质）预测表现突出，误差率低且R²值高；乳糖和能量预测结果波动较大。仅1项研究涉及微量营养素（如铁结合蛋白乳铁蛋白），其抗菌特性对早产儿坏死性小肠结肠炎（NEC）的防治具临床意义。

讨论

当前研究凸显三大缺口：

1. 技术局限：微量营养素数据稀疏，模型泛化能力不足；

2. 方法异质性：算法选择（如随机森林与神经网络）和预处理步骤缺乏标准化；

3. 临床转化：需结合母婴配对数据解析成分-健康关联机制。

结论

ML为母乳研究开辟了新维度，尤其在实时成分监测和个性化营养干预领域。未来应构建跨种群大样本库，开发嵌入式传感器等便携技术，并探索母乳微生物组等新兴靶点，以解锁“智能泌乳”时代的精准健康管理。