综述：人工智能支持的膳食评估软件性能与临床应用：结构化叙述性综述（2020-2026）

《Nutrients》：Artificial Intelligence-Driven Dietary Assessment Software: A Structured Narrative Review of Technological Advances, Persistent Measurement Error and Barriers to Clinical Translation

　　摘要背景：准确的膳食摄入评估是营养研究和临床饮食学的基础，但自报方法仍易受回忆偏差、份量估计错误和报告误差的影响。目标：本结构化叙述性综述评估了AI赋能及传感器支持的膳食评估软件，重点关注技术性能、测量效度、用户参与度、食物成分数据库、文化适用性及临床就绪程度。方法：通过检索五个电子数据库——PubMed（含MEDLINE索引记录）、Scopus、Web of Science核心合集、IEEE Xplore和ScienceDirect——涵盖2020年1月至2025年3月的文献，并在2026年8月7日对相同五个数据库进行了完整重新检索，辅以回溯和前瞻性引文追踪。初筛记录包含1620条电子数据库记录和42条额外记录（去重前共1662条）；去重478条，筛选1184条，全文评估212条，最终纳入15条来源用于初阶段定性综合。这些数字为保留的汇总评审日志总数，不应解读为完全可重建的系统性综述审计轨迹。2026年更新纳入了18篇出版物：10篇来自2020年1月至2025年3月的历史区间（通过单独恢复/重新评估获取），8篇为2025年3月后发表（通过497条记录的更新专项筛选流程获取），检索阶段与证据角色分别报告。图内较高、中等及有限/新兴的汇合描述符总结了目的性选取文献中的模式，并不代表穷尽式检索、正式证据确定性或可重复筛选。结果：在受控条件下，对视觉特征明显的食物的识别最为成熟。份量估计、营养素定量、混合菜肴、持续参与度及文化多样性食物仍表现不一致。部分系统在既定条件下显示出合理的组水平能量和宏量营养素一致性，但在自由生活环境和临床环境中的验证仍存在差异；2026年一项双标记水研究报告，在肥胖女性中存在严重低估且个体间一致性较差。结论：现有工具可能支持自我监测、研究筛查及注册营养师辅助评估，但用于高风险治疗决策的独立使用需要在目标人群中开展独立的、针对特定营养素的验证。