利用人工智能在餐厅和机构环境中进行食物识别与膳食评估：范围综述

《Appetite》：Using Artificial Intelligence for Food Identification and Dietary Assessment within Restaurant and Institutional Settings: A Scoping Review

　　

摘要 背景 近年来，人工智能（AI）的进步使机器学习和深度学习方法在膳食摄入评估中的应用日益广泛。然而，目前缺乏对机构环境中现有方法的全面综述。本范围综述旨在探讨当前在这些环境中用于评估食物选择和膳食摄入的AI方法，并总结AI方法的新兴应用。 方法 在四个研究数据库中进行了文献检索，包括PubMed、SCOPUS、IEEE Xplore和Academic Search Premier。根据是否利用AI方法评估机构环境（即医院、学校或工作餐厅）中从人群收集的食物供应、食物选择或膳食摄入数据，筛选同行评审研究。 结果 经过标题/摘要和全文筛选后，23项研究符合纳入标准。大多数研究在美国开展（n=7）。研究环境包括医院（n=7）、餐厅（n=6）、餐厅（n=6）和学校（n=4）。大多数研究依赖基于图像的数据（n=21），少数使用可穿戴传感器收集膳食数据（n=2）。这些研究利用AI用于多种目的，包括政策评估（n=6）、膳食评估（n=11）以及运营优化如计费系统（n=6）。基于图像的AI方法面临的主要挑战包括数据集变异性、食物项目重叠和光线反射。 结论 AI技术的进步为更客观、高效地测量膳食摄入并提供营养信息提供了机会，尤其是在大规模环境中。这证明AI是公共卫生应用的新兴工具，包括评估膳食摄入和评估政策。 引言 传统的自我报告膳食评估方法在准确测量膳食摄入方面存在若干挑战。最常用的工具包括24小时回顾法、食物记录、食物频率问卷和膳食评估筛查工具（美国国家癌症研究所，2025）。然而，这些方法容易受到系统误差和随机误差的影响（美国国家癌症研究所，2025）。24小时回顾法的关键局限性包括回忆偏倚、份量估计错误以及无法考虑日常饮食变化；食物记录的准确性可能受社会期望偏倚、反应性和受访者高负担的影响。食物频率问卷和筛查工具由于记忆限制、在较长时间内估计通常摄入量的认知难度/复杂性，以及使用预设食物列表和份量，可能导致报告不准确。尽管这些方法存在固有偏倚，它们仍能为客观测量提供有价值的互补信息，如用餐情境、饥饿水平或个体对自身饮食的感知。 考虑到这些局限性，客观方法已在各种环境中用于评估膳食摄入（美国国家癌症研究所，2025；Shanks等，2017）。某些客观方法可以在不需要自我报告数据的情况下评估饮食，在结构化环境中尤为有用。例如，在学校中，餐盘浪费法已作为客观测量学生摄入量的金标准实施。餐盘浪费法包括在学生食用前和食用后分别称量孩子餐盘/盘子上的食物项目（Shanks等，2017）。医院同样采用称重食物记录法，在食用前和食用后测量食物项目以确定患者摄入量，或使用其他常见方法，如医疗人员从患者餐盘中直接目测估算食物摄入百分比，或检查食用前和食用后拍摄的图片（Schumacker等，2025）。然而，机构环境中客观方法的高成本和资源密集型特性使其不太适合实施大规模数据收集，并且可能将营养数据类型限制在更广泛的信息上，如食物重量或摄入百分比（Kirkpatrick等，2018；Schumacker等，2025；Shanks等，2017）。这可能阻碍准确估算餐食特定营养内容的 ability。 近年来，AI技术的进步展示了AI作为膳食评估重要工具的潜力，以解决这些挑战（美国国家科学院、工程院和医学院，2024）。多种基于AI的方法已被用于改进不同环境中收集膳食信息的准确性和有效性，包括利用AI捕获和分类食物以及从食物图像估算营养素的应用，以及支持可穿戴设备监测手势和咀嚼以被动追踪进食行为的应用（美国国家科学院、工程院和医学院，2024）。特别是深度学习——作为AI和机器学习的子集，使用神经网络从数据集中区分模式并进行预测——使得能够更准确地从图像和视频分类食物并评估膳食摄入（Kawano & Yanai, 2014; Liu等, 2025; Mansouri等, 2023）。例如，卷积神经网络（CNN）能够从图像中学习并检测特征以进行物体分类和检测，已成功实施以从图像预测食物营养素（Dalakleidi等，2022）。这些方法由于其效率和较低的资源需求，提供了收集和分析大规模摄入数据的能力，使客观、可扩展的方法来分类食物选择和确定膳食摄入成为可能。 Cofre等（2025）先前的系统综述检查了基于AI的膳食摄入方法的效度。该综述包括来自临床前和临床环境的研究，显示AI膳食摄入评估方法是估算营养内容的潜在可靠和有效测量方法。综述发现，与传统膳食评估工具相比，AI方法在卡路里和宏量营养素估算之间存在高度相关性，而在估算微量营养素内容的准确性上存在更大变异性。Shonkoff等（2023）的另一项系统综述发现了与Cofre等（2025）相似的结果，AI方法的营养估算在多种环境中的研究中表现出与人类估算相似的性能。由于不同环境、人群和研究目的下的研究差异，AI方法被与不同的基准值进行比较，包括主观和客观评估。例如，在自由生活情境中，使用食物日记等主观评估作为参考方法，而在医院环境中使用观察员称量食物等客观评估。这突出了专注于特定环境或人群的好处，因为膳食评估的不同应用可以根据情境更好地应用。考虑到膳食评估方法在不同情境和环境中的差异，我们发现研究利用AI方法在餐厅和机构环境中的当前应用范围十分有限，在这些环境中采用基于AI的技术可以实现许多大规模膳食评估的重要应用。因此，本范围综述旨在确定用于在大规模环境中自动化食物分类和评估膳食摄入的AI方法的情境和类型，以改善健康并指导政策。该范围综述将识别已开展当前AI分析方法研究的场所（学校、大学、餐厅、餐厅和医院）、地理位置（国家）、人群和应用，以帮助识别需要更多研究的差距。 方案片段 本研究按照系统综述和荟萃分析范围综述扩展报告项目的优先事项进行（Tricco等，2018）。进行初步检索以识别与主题相关的文章，从而为文章检索选择相关关键词。使用Covidence（Covidence系统综述软件，2025）进行范围综述中所有文章的整理和筛选。 纳入标准 •2010年至2025年2月的同行评审来源 ○深度学习的重大进展 来源选择 从四个搜索数据库中，如图1所示，在移除171篇重复文章后，初始筛选共选择了729项研究。经过标题和摘要筛选后，共确定40项研究进行全文审查。审查员独立审查了研究，发现2014年至2025年间发表并符合资格标准的23项研究纳入最终研究样本。文献表格（表1）中的研究编号[1-23] 讨论 本范围综述检查了当前在现实世界的机构和餐厅环境中利用AI方法进行大规模食物识别和膳食评估的情境。综述共纳入23项研究，大多数研究自2018年以来开展。这些研究主要使用基于AI的图像方法进行食物识别和膳食评估，其中两项研究专注于可穿戴设备。AI方法已在世界各地各种环境中实施。 结论 本范围综述检查了AI方法如何在机构和餐厅环境中集成，以自动化食物供应、食物选择和膳食摄入的识别。包括餐厅、医院、餐厅和学校在内的多种场所已成功实施AI方法用于不同目的，包括政策评估、膳食评估和运营优化。这些发现说明了AI方法的应用潜力和可行性。 CRediT作者贡献声明 Hassan Ghasemzadeh：撰写—审查与编辑、验证、概念化。Tatum Dykstra：撰写—审查与编辑、撰写—原稿、正式分析、概念化。Punam Ohri-Vachaspati：撰写—审查与编辑、验证、正式分析、概念化。Natasha Tasevska：撰写—审查与编辑、验证、概念化。 未引用参考文献 Calorie Mama Food AI—Food, 2017; Covidence系统综述软件, 2025; 美国国家科学院、工程院和医学院等，2024。 伦理声明 范围综述《利用人工智能在餐厅和机构环境中进行食物识别和膳食评估：一项范围综述》不涉及人类受试者研究，仅使用公开发表的文献，因此不需要机构审查委员会批准。所有来源均已引用。 资金声明 本出版物中报告的研究得到了美国国立卫生研究院国立糖尿病、消化和肾脏疾病研究所的支持，奖项编号T32DK137525。内容完全由作者负责，不一定代表美国国立卫生研究院的官方观点。 利益冲突声明 ? 作者声明他们没有已知的可能影响本文所述工作的竞争性经济利益或个人关系。 Tatum Dykstra|Hassan Ghasemzadeh|Natasha Tasevska|Punam Ohri-Vachaspati