神经质地-胃肠消化评分?的开发与内部验证：一种基于机器学习的自闭症谱系障碍食物接受度预测模型

《International Journal of Gastronomy and Food Science》：DEVELOPMENT AND INTERNAL VALIDATION OF THE NEUROTEXTURE-GASTROUMHDIET SCORE?: A MACHINE LEARNING-BASED PREDICTIVE MODEL OF FOOD ACCEPTANCE IN AUTISM SPECTRUM DISORDER

　　

摘要

食物选择性进食是自闭症谱系障碍（ASD）中常见的喂养问题，且与典型感觉处理异常密切相关。本研究旨在开发并内部验证神经质构-胃肠UMHDiet评分?（NGS），这是一种概念验证型机器学习框架，用于根据专家提取的半定量神经质构特征来估算常规食物接受度。本研究采用横断面观察性设计，纳入10名12至21岁的自闭症谱系障碍青少年及年轻成年人（8名男性，2名女性）。ASD严重程度依据DSM-5支持水平进行分类：1级（需要支持），n=3；2级（需要大量支持），n=5；3级（需要非常大支持），n=2。建立了一个包含124种常见食物的数据库，从九个有序神经质构维度（0–5级）进行表征：硬度、弹性、粘性、纤维性、水分、常规食用温度、气味强度、颜色强度和口腔变化性。常规食物接受度针对每种食物分别评估，标准是该食物是否构成参与者常规饮食组合的一部分，并在评估前一个月内是否自愿食用。数据主要从参与者处获取，在需要澄清时由了解其饮食习惯的看护者或专业人员进行补充。接受度以二元结局编码（1=接受；0=拒绝），最终获得1,238个有效食物-参与者观测值（790个接受；448个拒绝）。由于观测值在参与者内部存在聚类，模型验证采用了留一参与者交叉验证（LOPO-CV），确保训练数据和测试数据在参与者层面完全分离。随机森林显示出最强的参与者级判别能力（平均ROC-AUC 0.736 ± 0.077），其次是梯度提升（0.719 ± 0.089）和逻辑回归（0.630 ± 0.106）。合并的参与者外ROC-AUC值分别为0.694、0.641和0.546。对于随机森林，在0.50概率阈值下的分类准确率为64.6%，灵敏度为63.3%，特异度为67.0%，阳性预测值为77.2%，阴性预测值为50.8%。探索性合并校准显示随机森林的Brier分数为0.227；校准截距和斜率分别为0.428和0.166，表明尽管判别能力有用，但概率校准能力有限。LOPO-CV排列重要性分析显示纤维性是信息量最大的神经质构特征（平均ΔROC-AUC = 0.068），其次是水分（0.039）和气味强度（0.032）。这些发现表明，专家提取的神经质构特征包含关于自闭症谱系障碍青少年和年轻成年人常规食物接受度的适中但可测量的预测信息。然而，小样本单中心研究、专家提取的有序表征、有限的校准以及缺乏外部验证限制了结果的可推广性。因此，NGS应被视为一个探索性预测框架，在临床应用之前需要进行前瞻性的多中心和外部验证。

引言

自闭症谱系障碍（ASD）是一种异质性的神经发育障碍，其特征为持续的社交沟通和互动差异、受限或重复的行为和兴趣模式，以及典型感觉处理异常。重要的是，ASD涵盖广泛的临床和功能表现，在症状严重程度、认知功能、沟通能力、适应行为和学习风格等方面存在显著的个体间变异（American Psychiatric Association, 2022; Maenner et al., 2023）。这种异质性在考虑进食行为时尤为重要，因为对食物的感觉反应以及沟通食物偏好或厌恶的能力在ASD个体之间可能存在显著差异。

食物选择性是ASD中最常报告的喂养问题之一，可能包括食物选择范围受限、食物拒绝、僵化的进食模式、强烈的品牌或烹饪方式偏好，以及对具有特定感觉特征食物的持续回避（Bandini et al., 2010; Sharp et al., 2013; Ferrara et al., 2025）。越来越多的证据表明，这些行为不应仅被解释为行为现象，还应与涉及触觉、嗅觉、味觉、视觉和口腔感觉领域的感觉处理差异联系起来（Nimbley et al., 2022; Mirizzi et al., 2025）。

ASD中食物选择性的营养后果是异质性的。饮食多样性受限可能减少了对营养多样化食物的接触，并与某些微量营养素和食物组的摄入不足相关。相反，选择性进食并不必然意味着能量摄入不足：对有限的能量密度高、高度适口食物组合的偏好可能与饮食多样性受限并存，并在某些个体中导致超重或肥胖。因此，ASD中的营养评估应考虑营养摄入不足的风险以及能量摄入过多和营养状况改变的可能性，而不是假设统一的营养表型。

ASD中的食物接受度似乎也因食物的感觉和物理特征而异。具有可预测的感觉特性、均匀质构和相对一致的口腔加工特征的食物可能被某些个体更容易接受，而纤维性、混合性、异质性或感觉复杂的食物可能更常被拒绝（Cermak et al., 2010; Nadon et al., 2011; Breda et al., 2025）。然而，这些模式并非普遍存在。ASD的显著异质性意味着一种与某个个体食物拒绝相关的食物特征可能被另一个个体所耐受或偏好，这强调了避免将个体感觉属性解释为食物接受度的决定性原因的需要。

在感觉食物属性中，质构尤为相关，因为进食需要在口腔加工过程中整合多种机械和感觉信号。硬度、弹性、粘性、纤维性、水分、温度、气味、颜色以及在咀嚼过程中发生的变化可能共同影响食物的感觉体验。既往研究已确定质构、味道、气味、颜色和温度是ASD中食物选择性的潜在重要贡献因素（Cermak et al., 2010; Zulkifli et al., 2022）。然而，食物接受度本质上是多维度的，个体食物特征的贡献可能取决于感觉属性之间的交互作用以及参与者特定的因素。

机器学习方法提供了一种检验这种多维关系的方法，而不假设食物接受度源于个体感觉特征的简单线性组合。然而，在此背景下的预测建模需要特别的方法学谨慎。从同一参与者获得的重复食物观测值在统计上并非独立，观测层面的随机训练/测试分割可能导致参与者层面的信息泄露和对模型性能的过度乐观估计。因此，验证策略应保留数据的参与者结构，并评估从一组个体中学习的模式是否对完全未见的参与者保留预测信息。

在此背景下，本研究开发并内部验证了神经质构-胃肠UMHDiet评分?（NGS），这是一个探索性机器学习框架，旨在根据九个专家提取的半定量神经质构食物特征来估算常规食物接受度。主要目标是评估在严格的留一参与者交叉验证（LOPO-CV）下，这些食物层面的特征是否包含关于自闭症谱系障碍青少年和年轻成年人常规食物接受度的参与者外预测信息。次要目标包括比较逻辑回归、随机森林和梯度提升的预测性能；量化判别能力的参与者层面异质性；使用留出排列重要性评估九个神经质构特征的相对预测贡献；以及进行探索性的概率校准评估。

鉴于本研究的探索性质以及模型中缺乏参与者特定的感觉、认知、胃肠道和营养预测因素，NGS不旨在代表经过临床验证的个体化营养工具。相反，它构成了一个概念验证框架，用于调查结构化的食物层面神经质构信息是否可能有助于常规食物接受度的预测，并为未来将食物特征与个体感觉和临床表型相结合的研究提供基础。

研究设计

本研究采用横断面观察性设计，具有分析和预测组成部分，旨在调查自闭症谱系障碍个体中食物神经质构特征与常规食物接受度之间的关联。分析工作流程包括食物数据库的构建、专家提取的神经质构表征、参与者层面食物接受度数据的收集、转换为长格式食物-参与者结构，以及参与者分组的机器学习验证。

数据

参与者及食物接受度数据集

研究对象为10名自闭症谱系障碍（ASD）青少年和年轻成年人，包括8名男性（80.0%）和2名女性（20.0%）。参与者平均年龄为15.3 ± 2.6岁，年龄范围为12至21岁，中位年龄为16岁。

关于ASD支持需求，参与者涵盖了DSM-5的三个支持水平。3名参与者（30.0%）被归类为1级（需要支持），5名（50.0%）为2级（需要大量支持），

讨论

本概念验证研究探讨了专家提取的半定量食物神经质构特征是否有助于估算自闭症谱系障碍（ASD）青少年和年轻成年人的常规食物接受度。在严格的留一参与者交叉验证（LOPO-CV）下评估了三种监督机器学习方法，从而确保每位参与者的预测仅由在除该参与者之外的所有其他参与者上训练的模型生成。

结论

本概念验证研究表明，专家提取的半定量神经质构特征包含关于自闭症谱系障碍青少年和年轻成年人常规食物接受度的适中但可测量的预测信息。在严格的参与者层面验证下，随机森林显示出最强的判别能力，而留出排列重要性分析显示纤维性、水分和气味强度是具有最大预测贡献的神经质构特征。

CRediT作者贡献声明

ángel Carbonell-Barrachina：项目管理。Enrique Roche：写作-审阅与编辑。Javier Aranceta：概念设计。Hanan Issa：可视化、数据整理。Elena García García：方法学、调查、形式分析、数据整理。

未引用参考文献

Alibrandi et al., 2023; Berbel et al., 2026; Berding and Donovan, 2016; Das et al., 2023; Esposito, 2023; Fang et al., 2025; Friston, 2010; Kang et al., 2017; Luisier, 2021; Marco et al., 2011; Page et al., 2020; Pellicano and Burr, 2012; Robertson and Baron-Cohen, 2017; Tomaszek et al., 2025; Wu et al., 2025。

利益冲突声明

作者声明无利益冲突。

写作过程中生成式AI和AI辅助技术的使用声明

在本作品的准备过程中，作者使用生成式人工智能工具协助准备和图形摘要的视觉设计。

资金

本研究未获得公共、商业或非营利机构拨款机构的具体资助。

利益冲突声明

作者声明他们没有已知的可能影响本文报告工作的竞争性经济利益或个人关系。

致谢

CIBEROBN是Carlos III卫生研究所（马德里，西班牙）的一项倡议。作者感谢参与者及其家庭的协作。我们也感谢ASPANIAS的工作人员和专业人士，他们为这项研究的开展提供了宝贵的帮助，并始终致力于支持自闭症谱系障碍个体及其家庭。

Elena García-García | Hannan Issa | Javier Aranceta | Enrique Roche | ángel Carbonell-Barrachina

西班牙阿利坎特埃尔切 米格尔·埃尔南德斯大学应用生物学-营养系与生物工程研究所，03202-Elche Alicante