相关实验视频
Updated: Jun 6, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
技术饮食质量评估的翻译算法 整合营养代谢数据与机器学习方法
Víctor de la O1,2, Edwin Fernández-Cruz1,2, Pilar Matía Matin3,4
1Cardiometabolic Nutrition Group, Precision Nutrition Program, Research Institute on Food and Health Sciences IMDEA Food, Consejo Superior de Investigaciones Científicas-Universidad Autónoma de Madrid (CSIC-UAM), 28049 Madrid, Spain.
Nutrients
|November 27, 2024
概括
机器学习算法有效地使用生物化学标记器预测饮食模式,区分亲地中海和亲西方饮食. 这促进了个性化的营养评估.
科学领域:
- 生物化学 生物化学
- 营养科学 营养科学
- 计算生物学 计算生物学
背景情况:
- 饮食评估正在随着机器学习 (ML) 和omics数据的发展而发展.
- 生物标志物是个性化的精准营养的关键.
- 人工智能工具可以分析生物标志物,以了解食物摄入量和饮食模式.
研究的目的:
- 评估AI和ML在分析饮食评估生物标志物的过程中.
- 用生物标志物来描述食物和营养素摄入量.
- 通过生物标志物分析预测饮食模式.
主要方法:
- 分析了来自138名受试者的数据,包括检查,问卷和血液样本.
- 基于72小时回忆,性别,年龄和BMI的饮食聚类.
- 探索性因子分析和弹性净回归用于识别生物标志物和构建算法.
主要成果:
- 确定了两个饮食模式:亲地中海 (亲MP) 和亲西方 (亲WP).
- 与脂质代谢,肝功能和代谢因素相关的生物化学标志物区分了模式.
- 为预测亲WP模式分类开发了三种算法,其中一个监督算法显示出高预测能力 (ROC=0.91,PRC=0.80).
结论:
- 生物化学标记物具有预测营养模式的巨大潜力.
- 可以开发算法来有效地分类饮食集群.
- 这项研究通过生物标志物分析推进了饮食摄入量评估技术.
