《British Journal of Nutrition》:Machine learning-based dietary pattern analysis: a narrative review and future perspectives
编辑推荐:
近几十年来,营养流行病学已从针对特定营养素的研究转向膳食模式分析,并补充传统膳食评估方法。随着全球人口老龄化和慢性病负担上升,尤其是癌症,通过整体膳食评估识别可改变的膳食危险因素至关重要。数据驱动的膳食模式分析方法,包括主成分分析(principal comp
近几十年来,营养流行病学已从针对特定营养素的研究转向膳食模式分析,并补充传统膳食评估方法。随着全球人口老龄化和慢性病负担上升,尤其是癌症,通过整体膳食评估识别可改变的膳食危险因素至关重要。数据驱动的膳食模式分析方法,包括主成分分析(principal component analysis,PCA)和聚类分析(cluster analysis,CA),已被广泛用于推导膳食模式。然而,聚类质量方面的挑战持续存在,尤其在膳食数据中。机器学习的最新进展,包括非线性降维,为增强膳食模式研究中的聚类可分离性提供了有前景的策略。本综述总结膳食评估方法学的演变,概述膳食模式分析方法的发展,并综合将聚类驱动的膳食模式与癌症和代谢性疾病风险联系起来的流行病学证据。此外,本综述强调方法学空白,并讨论未来方向,重点是将机器学习方法整合用于个性化癌症预防的实际应用。建立结合降维和聚类的标准化框架,可能促进经验证的膳食模式转化为数字平台,以产生广泛的公共卫生影响。
过去几十年,营养流行病学经历了从以营养素为中心的研究向更整体的总体饮食习惯评估的转变。传统膳食评估方法,如24小时回顾(24-h recall,24HR)和食物频率问卷(food frequency questionnaire,FFQ),已应用于大规模队列研究,但仍受回忆偏倚和测量误差影响。为在这些局限下更好地刻画总体膳食行为,识别膳食模式的数据驱动方法日益被采用。随着老年人口比例持续上升,慢性病尤其是癌症的患病率受到显著关注。根据世界卫生组织(World Health Organization,WHO)2019年的估计,在183个国家中的112个,癌症是70岁前第一位或第二位死因。全球癌症观察站(Global Cancer Observatory)估计,与2020年相比,2040年全球癌症负担预计上升47%。这一不断升级的负担凸显了识别可改变危险因素(包括膳食)以促进有效癌症预防的迫切需求。在此背景下,膳食模式分析为理解膳食在慢性病预防中的作用提供了更全面的框架。通过捕捉多种食物的联合及潜在协同效应,它全面反映现实世界的膳食行为。在可用方法中,PCA和CA是推导经验性膳食模式最广泛使用的工具。然而,对于CA,与聚类质量相关的挑战持续存在,尤其在膳食数据集中。计算科学的最新方法学进展——特别是基于机器学习的技术,如均匀流形近似与投影(Uniform Manifold Approximation and Projection,UMAP)和基于深度学习的自编码器(autoencoder,AE)——为建模非线性关系和改善聚类可分离性提供了有前景的解决方案。将这些方法整合到膳食模式分析中,并结合严格的膳食评估和适当验证,可能有助于形成更稳健的分析框架。若在独立人群中得到验证,这些方法可支持未来开发用于个性化营养和慢性病预防的数字健康工具,同时也可为人群层面的公共卫生策略提供信息。然而,其成功应用取决于基础膳食评估数据的质量,并需要仔细考虑膳食测量误差。这一观点与近期方法学工作一致,该工作强调膳食数据的神经网络模型性能可能受到膳食测量误差的显著影响,因此需要适当处理易出错的膳食暴露。现有综述分别讨论了先进膳食评估技术、用于推导膳食模式的分析方法或机器学习在个性化营养中的应用。最近,一项范围综述总结了膳食模式表征方法的进展,强调分析方法日益多样,同时强调需要更高程度的方法学一致性和标准化报告。仍未被充分探索的是将这些进展与膳食模式研究挑战联系起来的统一视角。为填补这一空白,本综述旨在:(1)总结膳食评估方法学的演变;(2)描述膳食模式分析的概念发展和方法学进展;(3)综合将数据驱动膳食模式与癌症和代谢性疾病风险联系起来的前瞻性队列研究结果;(4)讨论未来方向,重点整合先进机器学习方法以增强膳食模式研究的现实世界适用性。为提高透明度,研究人员简要描述本综述纳入文献的识别方式。本叙述性综述纳入的文献通过针对性数据库检索与相关出版物及参考文献列表的人工筛查相结合的方式识别。为总结本文呈现的流行病学证据,研究人员使用与膳食模式、CA和慢性病结局相关的关键词组合,对PubMed和Web of Science进行了结构化检索。研究根据其与聚类衍生膳食模式及癌症或代谢性疾病结局的相关性进行筛选,重点关注前瞻性队列研究。
研究解读
研究背景与问题:营养流行病学已从营养素特异性研究转向膳食模式分析。全球人口老龄化与慢性病负担上升,尤其癌症负担持续增加,使识别可改变的膳食危险因素成为重点。传统膳食评估方法如24HR和FFQ已用于大规模队列,但仍存在回忆偏倚和测量误差。数据驱动的膳食模式分析中,PCA和CA应用广泛,但聚类质量尤其是膳食数据中的聚类可分离性仍具挑战。机器学习中的非线性降维为改善聚类可分离性提供新策略。现有综述分别涉及先进膳食评估技术、膳食模式推导方法或机器学习在个性化营养中的应用,尚缺乏将这些进展与膳食模式研究挑战联系起来的统一视角。因此,研究人员开展本叙述性综述,旨在总结膳食评估方法学演变、描述膳食模式分析的概念与方法学进展、综合数据驱动膳食模式与癌症及代谢性疾病风险的前瞻性队列证据,并讨论整合先进机器学习方法以提高现实适用性的未来方向。其意义在于,建立结合降维与聚类的标准化框架,可能促进经验证膳食模式转化为数字平台,用于个性化营养、慢性病预防和公共卫生策略。
关键技术方法概述(不超过250字):本叙述性综述采用针对性数据库检索与人工筛查相结合识别文献;为汇总流行病学证据,研究人员对PubMed和Web of Science进行结构化检索,关键词涉及膳食模式、CA和慢性病结局,重点筛选聚类衍生膳食模式与癌症或代谢性疾病结局相关的前瞻性队列研究。癌症结局汇总包括7项前瞻性队列和3项病例对照研究,数据来源涉及NHANES、NIH–AARP、NRP1A、MONICA、EPIC等;代谢结局汇总11项前瞻性队列,覆盖6个国家。研究比较PCA、UMAP、AE等降维与聚类流程,并关注轮廓系数(silhouette coefficient,一种聚类分离度指标)等聚类质量评价。
研究结果:
膳食评估方法学的演变(Evolution of dietary assessment methodology)
传统膳食评估方法(Conventional dietary assessment methods):通过比较膳食记录、24HR、FFQ和膳食生物标志物四类方法,指出各具优势与局限;膳食记录和24HR可获详细摄入数据但难捕捉长期习惯,FFQ适合大规模队列但存在回忆偏倚和份量估计困难,膳食生物标志物可客观补充和验证自报数据,但不能全面捕捉膳食模式。
利用新技术的膳食评估工具进展(Advances in dietary assessment tools utilising new technology):通过综述数字化24HR/FFQ、图像膳食记录、可穿戴相机和传感器等工具,得出这些技术可降低参与者负担、自动化处理并实时捕捉进食行为,但多数仍依赖自报摄入,易受测量误差和报告偏倚影响;严格验证、标准化报告和透明记录必要,技术工具应作为传统方法的补充而非替代。
膳食模式分析:概念、方法与应用(Dietary pattern analysis: concepts, methods and applications)
历史背景与依据(Historical context and rationale):通过回顾营养流行病学从营养素缺乏、单一营养素和单一食物研究转向膳食模式的历程,并引用ATBC等随机试验及USPSTF系统评价结果,指出单一营养素补充证据不足;WCRF 2018报告主要关注单一食物和营养素,2025更新纳入膳食模式和生活方式模式;NIH会议提出改进膳食评估、标准化膳食模式方法、考虑生命周期膳食动态性和处理测量误差等优先事项。
分析方法的分类(Classification of analytical approaches):通过方法学概述,将膳食模式分析分为先验法和后验法;先验法如HEI依赖既定评分,后验法包括PCA、因子分析和CA;PCA提取连续模式并给出依从性评分,因子分析假设潜在因子,CA产生互斥组,k-means聚类常用,轮廓系数用于评价聚类但受聚类形状和密度影响;混合方法如降秩回归将膳食模式与预设健康结局或生物标志物联系。
膳食模式分析中的机器学习方法(Machine learning methods in dietary pattern analysis):通过文献调查指出,机器学习可处理复杂多维膳食数据,传统无监督方法以PCA和CA为主;聚类前降维可改善聚类质量、可视化和降噪;深度聚类如AE已用于图像、文本、视频、图和表格数据,但用于膳食模式分析的证据有限;多数研究直接对膳食摄入数据聚类,少数以PCA预处理,UMAP应用仅见一个已知例子。
流行病学研究中的方法学趋势与研究空白(Methodological trends and research gaps in epidemiological studies):通过汇总癌症结局研究,10项研究中7项为前瞻性队列、3项为病例对照,覆盖8个国家、532至492,306名参与者和2至6个聚类;其中5项单独应用CA,5项结合降维与CA,仅Wirfalt et al.和Engeset et al.为以癌症发病为结局的前瞻性队列;Qarmiche et al.报告轮廓系数0·12,聚类质量较低,其他研究未报告定量聚类质量指标。通过汇总代谢结局的11项前瞻性队列,覆盖6个国家、447至64,191名参与者、2至20年随访和2至5个聚类,多数未先降维且聚类数较少;Li et al. 2024在聚类前应用UMAP研究高血压风险,轮廓系数0·4,但样本量小、随访短。总体上,蔬菜、水果和乳制品摄入较高的模式与较低癌症或代谢性疾病风险相关,精制谷物或不健康饮食习惯模式与风险增加相关;研究人群、膳食评估方法、聚类算法和结局定义差异可能造成异质性。
讨论与未来方向总结:机器学习为膳食模式分析提供有前景的途径,AE可学习膳食数据的非线性表征,与聚类结合可能提高聚类质量;未来需系统比较PCA、UMAP和AE等工作流,在大型前瞻性队列中应用标准化聚类性能指标和可解释性评价,并进行独立队列外部验证、跨人群可重复性及健康结局一致性评估。改善聚类质量可减少暴露错分,长期可将经验证膳食模式转化为数字健康工具。挑战包括AE模型架构和超参数调优、过拟合风险、样本量和数据质量依赖、队列特异性膳食分布限制迁移性,以及潜在特征透明度较低。聚类质量指标必要但不充分,聚类还需具有营养学意义;标准化解释步骤包括报告相对食物组摄入频率、识别区分聚类的主要食物和应用透明标签规则。膳食评估测量误差、回忆偏倚和错分仍限制结果,未来应将机器学习进展与膳食评估改进、测量误差校正和膳食数据验证结合。
研究结论翻译:过去几十年,膳食模式分析已成为营养流行病学的重要工具,能够评价单一营养素或单一食物方法无法完全捕捉的复杂膳食暴露。尽管大规模前瞻性队列研究使用PCA和CA提供了有价值见解,但方法学局限仍持续存在,包括聚类质量低、缺乏标准化评价指标以及先进降维技术应用有限。新兴机器学习方法,尤其基于深度学习的方法如AE,通过捕捉膳食数据中的非线性结构并改善聚类可分离性,有望克服这些挑战。需要在不同队列中系统比较PCA、UMAP和AE工作流,以识别最有效和可重复的策略。若未来研究确立这些方法的外部有效性,它们可能为将膳食模式分析整合到能够支持个性化膳食指导和慢性病预防的数字健康平台奠定基础。这种整合不仅会提高膳食模式分析的精确性和适用性,还会加强流行病学发现向有影响力的公共卫生干预转化。本综述存在若干局限。第一,营养流行病学中应用基于机器学习的聚类方法的已发表研究数量仍有限,尤其是考察癌症结局的前瞻性队列研究。第二,由于各研究的方法学评价指标和报告标准差异较大,直接比较聚类性能仍具挑战。第三,本综述为叙述性而非系统性;尽管研究人员对本文汇总的流行病学研究进行了结构化文献检索,但更广泛讨论旨在提供概念性概览而非对所有可得证据的穷尽综合,因此部分相关研究可能未被纳入。最后,本综述讨论的部分方法学进展源于更广泛的数据科学文献而非营养流行病学;这些方法虽提供有价值的方法学启示,但其对膳食数据的适用性仍需在不同营养数据集中进一步验证。