《Frontiers in Nutrition》:An AI-driven multivariate approach for personalized healthy eating recommendations aligned with sustainable healthy diet food-group guidelines
编辑推荐:
将营养建议转化为实际的日常膳食选择仍然是一项具有挑战性的任务,特别是当个性化、营养充足性、膳食多样性、过敏原、季节性可用性和食物组约束必须同时满足时。本研究提出并评估了PLAN'EAT Nutrition Advisor,这是一个由人工智能(AI)驱动、基于专
将营养建议转化为实际的日常膳食选择仍然是一项具有挑战性的任务,特别是当个性化、营养充足性、膳食多样性、过敏原、季节性可用性和食物组约束必须同时满足时。本研究提出并评估了PLAN'EAT Nutrition Advisor,这是一个由人工智能(AI)驱动、基于专家规则构建的营养推荐系统,旨在生成个性化且营养均衡的每周膳食计划,这些计划与既定的膳食指南以及源自可持续健康饮食(SHD)原则的食物组建议保持一致。所提出的方法基于PLAN'EAT Expert-Curated Meal Database,这是一个由营养师设计、在本工作中引入的数据库,包含401道涵盖爱尔兰、西班牙和匈牙利菜系的专家策划餐食。膳食计划生成遵循四阶段流程:(1) 基于国家特定菜系、季节性、饮食偏好和过敏原进行餐食过滤;(2) 通过大规模采样并根据专家定义的营养目标进行评分,生成每日膳食计划;(3) 在营养和食物组约束下进行每周膳食计划的组装与优化;(4) 采用多样性优化以促进膳食多样性,同时保持营养有效性。所提出的方法通过一项大规模计算机模拟(in-silico)验证进行评估,涉及1,000个合成用户画像,生成了16,000个每周膳食计划(对应112,000个每日膳食计划)。研究人员评估了对每日和每周营养目标、食物组约束的遵守情况,以及大规模下膳食计划总体有效性。此外,研究人员还在两种互补设置下:检索增强生成(RAG)和监督微调(SFT),对基于最先进大语言模型(LLM)的方法进行了初步描述性评估。实验结果表明,所提出的系统能够高效生成个性化、营养合规且多样化的每周膳食计划,同时保持透明的专家规则驱动优化。此外,与LLM方法的描述性评估表明,在评估条件下,所提出的系统在能量和宏量营养素一致性方面表现更优。
**论文解读:AI驱动的个性化健康饮食推荐系统——PLAN'EAT Nutrition Advisor**
**研究背景与问题**
随着饮食与肥胖及非传染性疾病(NCDs)之间关联的证据日益增多,采取更健康的生活方式成为全球公共卫生重点。世界卫生组织(WHO)估计,每年至少280万人死亡归因于超重或肥胖,约2.3%的全球伤残调整生命年(DALYs)与超重相关。NCDs(如心血管疾病、糖尿病)占全球死亡人数的71%,其中许多可通过改善不健康饮食等风险因素加以预防。然而,“一刀切”的营养方法已显不足,个体在生理、偏好、文化、健康状况和行为方面存在巨大差异。这推动了个性化营养的发展,数字工具在其中扮演日益重要的角色。尽管已有传统推荐系统(如基于组合优化、协同过滤)和基于人工智能(AI)的方法(如知识驱动系统、机器学习系统),但现有系统往往只强调部分需求,例如用户人体测量特征、宏量营养素目标,而对微量营养素和全面的食物组规则关注不足。此外,很少有系统整合季节性和本地可用性,与可持续健康饮食(SHD)推荐的食物组模式保持一致,或在大规模下强制实现每周膳食多样性。为填补这些空白,该研究提出了PLAN'EAT Nutrition Advisor,一个新颖的AI驱动、基于知识库的个性化营养推荐系统。该论文发表在《Frontiers in Nutrition》。
**研究人员开展的研究与结论**
研究人员设计并评估了PLAN'EAT Nutrition Advisor,该系统将专家膳食指南编码为显式规则和约束,结合线性规划、组合搜索和透明评分机制,生成个性化、营养均衡且多样化的每周膳食计划。核心组件是PLAN'EAT Expert-Curated Meal Database(膳食数据库),包含401道由营养师策划的餐食,涵盖爱尔兰、西班牙和匈牙利菜系。通过大规模计算机模拟验证(in-silico validation),涉及1,000个合成用户画像,生成了16,000个每周膳食计划(对应112,000个每日膳食计划),评估了对每日和每周营养目标、食物组约束的遵守情况。此外,研究人员还进行了与最先进大语言模型(LLM)方法的描述性比较,包括检索增强生成(RAG)和监督微调(SFT)两种设置。实验结果表明,该系统能高效生成个性化、营养合规且多样化的每周膳食计划,在能量和宏量营养素一致性方面优于LLM方法。
**重要意义**
该研究提供了透明、可解释的个性化营养推荐框架,结合专家营养知识、策划的食物数据和透明优化技术,为未来个性化营养推荐系统的开发奠定了坚实基础,并推动可持续健康饮食(SHD)原则的实践落地。膳食数据库已公开可用,促进了可重复性研究。
**主要技术方法**
研究人员采用以下关键技术方法:1) **膳食数据库构建**:基于McCance and Widdowson's The Composition of Foods Integrated Dataset 2021,由营养师设计三层结构(食物项、菜肴、餐食),包含401道餐食,涵盖爱尔兰、西班牙、匈牙利菜系,并标注季节性、饮食偏好、过敏原等属性。2) **用户画像计算**:根据性别、出生年份、身高、体重、体力活动水平(PAL)计算年龄、BMI、基础代谢率(BMR)和每日能量需求(DER)。3) **膳食过滤**:基于国家菜系、季节、饮食偏好和过敏原过滤可用的早餐、零食、午餐、晚餐。4) **每日计划生成与评分**:从过滤后的餐食中均匀采样最多100,000个候选每日计划,使用加权欧氏距离的每日营养计划评分(DNPS)进行评分,保留前1,000个并均匀采样21个。5) **每周计划生成与评分**:从21个每日计划中选择7天,使用每周营养计划评分(WNPS)评分,并加入多样性约束(同一餐食每周出现不超过两次)。6) **大规模验证**:基于1,000个合成用户画像(来自欧洲人群分布),在4个数据库配置和4个季节下生成16,000个每周计划,评估能量、宏量营养素、微量营养素和食物组目标遵守情况。7) **LLM比较**:在RAG和SFT设置下,使用LLaMA和Mistral模型,比较能量和宏量营养素遵守情况。
**研究结果**
**3.1 合成用户画像的计算机模拟验证(In-silico validation on synthetic user profiles)**
**3.1.2 营养目标遵守与验证结果(Nutritional target adherence and validation results)**
**3.1.2.1 能量目标遵守(Energy Target Adherence)**:通过大规模合成用户验证,系统实现了每周能量目标的高精度贴合。整体平均相对差异为-3.08%,Pearson相关系数r=0.935。西班牙数据库偏差最小(+0.40%,r=0.996),而爱尔兰数据库对纯素和乳制品过敏用户存在较大偏差(约-11%至-12%)。Bland-Altman分析显示,偏差主要出现在目标值较高时,且大多数观察值落在±1.96 SD一致限内。误差分布显示,大多数观察值落在[0-5%]误差区间内。
**3.1.2.2 营养素目标遵守(Nutrient target adherence)**:宏量营养素(蛋白质、脂肪、碳水化合物)准确率平均约70%,微量营养素(纤维、叶酸、铁、钙)准确率约63%。爱尔兰数据库宏量营养素准确率最高(~81%),西班牙数据库最低(~51%)。女性用户微量营养素准确率高于男性。受限饮食模式(纯素、素食、乳制品过敏)准确率较低。西班牙数据库宏量营养素准确率低主要与脂肪目标难以满足有关,因其膳食空间脂肪含量高。
**3.1.2.3 食物组规则遵守(Food-group rule adherence)**:每日食物组规则中,蔬菜克数和水果克数存在持续不足,而乳制品克数常超标。每周规则中,蔬菜和油性鱼目标低于目标范围,而部分每周份数限制控制较好。同时满足的食物组规则数量分布:每日规则峰值约7-8条,每周规则峰值约4条,综合规则峰值约12-14条。
**3.2 所提出推荐系统与最先进LLM的描述性评估(Descriptive evaluation of the proposed recommender and state-of-the-art LLMs)**
**3.2.1 检索增强生成(RAG)评估**:在RAG设置下,LLM生成计划仅从膳食数据库中检索的餐食中生成。实验使用10个合成杂食无过敏用户画像,结果显示RAG方法能量和宏量营养素准确率较低,例如爱尔兰数据库下RAG-Llama能量准确率仅10%。
**3.2.2 监督微调(SFT)评估**:在SFT设置下,使用PLAN'EAT生成的5,000个每周计划对LLaMA-3.1-8B和Mistral-7B进行微调。微调后模型准确率显著提高,例如爱尔兰数据库下FT-Llama能量准确率50%,但误差仍大于PLAN'EAT系统。
**3.2.3 描述性评估结果**:PLAN'EAT推荐系统在能量和宏量营养素一致性上优于所有LLM方法,能量误差更小、稳定性更高。例如爱尔兰数据库下PLAN'EAT能量准确率80%,而最佳LLM(FT-Llama)为50%。PLAN'EAT在宏量营养素准确率上接近100%,且误差标准差极小。
**讨论与结论**
**讨论部分总结**:研究人员指出,三个国家膳食数据库在规模、覆盖范围和营养组成上存在显著差异,影响推荐性能。能量遵守结果表明,系统在大多数用户画像下能紧密贴合目标,但高度受限的纯素和乳制品过敏用户偏差较大,主要由于可行餐食组合减少。营养素遵守方面,宏量营养素优于微量营养素,部分原因在于同时满足SHD食物组约束和EFSA微量营养素目标存在权衡。西班牙数据库宏量营养素准确率较低归因于其脂肪含量较高。食物组规则中,蔬菜和油性鱼不足表明这些目标与其他约束存在竞争。与LLM比较表明,监督微调能改善LLM性能,但无法完全复制优化过程的约束满足能力。系统优势在于透明性和可解释性,但当前研究为技术验证,未涉及真实用户行为或长期健康结局。局限性包括:可持续性仅通过SHD食物组建议间接表示,未直接量化环境指标;仅考虑部分微量营养素;过敏原支持限于乳制品和坚果;LLM比较中SFT模型训练数据来自推荐系统,可能偏向于再现训练模式。未来工作将聚焦于真实用户评估、扩展膳食覆盖、整合更多营养素和过敏原、加入环境可持续性和成本目标、增强解释能力和用户反馈机制。
**翻译研究结论部分**:本文提出了PLAN'EAT Nutrition Advisor,一个AI驱动的推荐框架,用于生成个性化每周膳食计划,该框架结合了营养师策划的膳食数据库、专家定义的营养规则、基于评分的优化和多样性感知的膳食选择。除了推荐方法本身,本工作还贡献了一个跨爱尔兰、西班牙和匈牙利菜系的统一膳食数据库,该数据库通过结构化策划过程开发,以支持营养均衡和文化相关的膳食计划。所提出的框架通过一项大规模计算机模拟验证研究进行评估,涉及1,000个合成用户画像,跨越多个季节、饮食偏好、过敏原、人口特征和数据库配置。结果表明,PLAN'EAT能够在广泛推荐场景下以高精度满足个性化每周能量目标,同时保持对宏量营养素、微量营养素和食物组目标的高度遵守。尽管在高约束画像和苛刻营养目标下推荐难度增加,但系统在数据库和用户层次上保持稳健。分析进一步表明,在透明的基于优化的推荐过程中,同时平衡多个营养、膳食、多样性和SHD衍生食物组约束是可行的。与最先进开源LLM的比较评估进一步表明,监督微调相对于检索增强生成能显著提高营养推荐质量。然而,所提出的推荐系统在评估条件下表现出比检索增强和微调模型更低的误差和更稳定的能量及宏量营养素遵守。总体而言,研究结果突显了将专家营养知识、策划食物数据和透明优化技术相结合对个性化营养推荐的价值。为促进透明度、可重复性和未来研究,PLAN'EAT膳食数据库通过Zenodo公开可用。未来工作将重点在真实环境中扩展和评估该框架,拓宽其营养、过敏原、可持续性和成本相关范围,并增强其个性化和解释能力。此外,未来研究应探讨膳食数据库组成和覆盖范围如何影响复杂营养和膳食约束下的优化性能。