Доказова база для AI-інструментів харчування: що говорить опубліковане дослідження про точність

Наскільки точний трекінг харчування за допомогою AI? Це питання важливе для всіх, хто використовує фото-базовані калорійні лічильники для контролю свого раціону, і на нього можна отримати відповідь завдяки опублікованим дослідженням.

Протягом останнього десятиліття дослідники в галузі комп'ютерних наук, науки про харчування та клінічної медицини тестували системи розпізнавання їжі на основі AI, порівнюючи їх з реальними даними, вимірювали помилки в оцінці калорій у контрольованих умовах та порівнювали AI-трекінг з традиційними методами. Ця стаття узагальнює ключові результати з цього обсягу досліджень, охоплюючи бенчмарки глибокого навчання, дослідження оцінки порцій, клінічні випробування валідації та визнані обмеження сучасних систем.

Еволюція досліджень розпізнавання їжі за допомогою AI

Ранні оцінки харчування на основі зображень

Концепція використання зображень для оцінки споживання їжі існує ще до появи глибокого навчання. Ранні дослідження вивчали, чи можуть фотографії страв, які аналізуються підготовленими експертами, забезпечити точні оцінки харчування.

Мартін та ін. (2009) розробили метод Remote Food Photography Method (RFPM) і продемонстрували, що підготовлені аналітики можуть оцінити калорійність їжі з фотографій з точністю в межах 3-10 відсотків від вагових значень їжі. Це стало важливим базовим показником: візуальна оцінка їжі, навіть людьми, може досягати значної точності, якщо проводиться систематично (British Journal of Nutrition, 101(3), 446-456).

Перехід до автоматизованого аналізу зображень почався з впровадження глибокого навчання в завдання розпізнавання їжі приблизно в 2014-2016 роках, коли згорткові нейронні мережі почали значно перевершувати традиційні підходи комп'ютерного зору на бенчмарках класифікації зображень.

Революція глибокого навчання в розпізнаванні їжі

Мезгец і Корушич Селяк (2017) опублікували один з перших комплексних оглядів підходів глибокого навчання для розпізнавання їжі в журналі Nutrients, 9(7), 657. Їхній огляд охоплював швидкий прогрес від ручних візуальних ознак до моделей глибокого навчання з кінця в кінець та документував покращення точності на 20-30 відсоткових пунктів у порівнянні з традиційними методами на стандартних наборах даних.

Огляд виявив кілька ключових технічних досягнень, які сприяли цим покращенням: перенесення навчання з великих наборів зображень (зокрема ImageNet), техніки збільшення даних, специфічні для зображень їжі, та архітектури навчання з багатьма завданнями, які могли одночасно ідентифікувати продукти та оцінювати порції (Мезгец і Корушич Селяк, 2017).

Бенчмарки наборів даних та метрики точності

Сфера розпізнавання їжі за допомогою AI покладається на стандартизовані набори даних для вимірювання та порівняння продуктивності моделей. Розуміння цих бенчмарків надає контекст для заяв про точність, зроблених додатками для харчування.

Ключові бенчмарки наборів даних

Набір даних	Рік	Кількість продуктів	Кількість зображень	Мета
Food-101	2014	101 категорія	101,000	Класифікація їжі
ISIA Food-500	2020	500 категорій	399,726	Класифікація їжі великого масштабу
Nutrition5k	2021	5,006 страв	5,006	Оцінка калорій та макронутрієнтів
ECUST Food-45	2017	45 категорій	4,500	Оцінка обсягу та калорій
UEC Food-100	2012	100 категорій	14,361	Розпізнавання японської їжі
UEC Food-256	2014	256 категорій	31,395	Розширене розпізнавання японської їжі
Food-2K	2021	2,000 категорій	1,036,564	Глобальне розпізнавання їжі великого масштабу

Food-101: Стандартний бенчмарк

Food-101, представлений Боссардом та ін. (2014) на Європейській конференції з комп'ютерного зору, містить 101,000 зображень у 101 категорії їжі. Він став де-факто стандартом для оцінки моделей розпізнавання їжі.

Продуктивність на Food-101 постійно покращується:

Модель / Підхід	Рік	Точність Top-1
Random Forest (базовий)	2014	50.8%
GoogLeNet (доладнено)	2016	79.2%
ResNet-152	2017	88.4%
EfficientNet-B7	2020	93.0%
Vision Transformer (ViT-L)	2021	94.7%
Великомасштабні попередньо навчені моделі	2023-2025	95-97%

Прогрес від 50.8% до понад 95% точності Top-1 за приблизно десять років ілюструє драматичний вплив глибокого навчання на продуктивність розпізнавання їжі (Боссард та ін., 2014, ECCV).

ISIA Food-500: Масштабування до різноманітності реального світу

Мін та ін. (2020) представили ISIA Food-500, значно більший і різноманітніший набір даних з 500 категоріями їжі та майже 400,000 зображеннями. Продуктивність на цьому більш складному бенчмарку нижча, ніж на Food-101, через більшу кількість категорій і внутрішньокласову варіабельність, але найсучасніші моделі все ще досягають точності Top-1 понад 65% і точності Top-5 понад 85% (Proceedings of the 28th ACM International Conference on Multimedia).

Різниця в продуктивності між Food-101 і ISIA Food-500 підкреслює важливу реальність: точність бенчмарків на обмеженій кількості категорій не завжди безпосередньо відображає точність у реальному світі для всього спектра світової кухні.

Nutrition5k: Від класифікації до оцінки калорій

Теймс та ін. (2021) представили Nutrition5k на конференції IEEE/CVF з комп'ютерного зору та розпізнавання образів (CVPR). На відміну від попередніх наборів даних, які зосереджувалися на класифікації їжі, Nutrition5k надає дані про калорії та макронутрієнти для 5,006 страв, кожна з яких сфотографована з верхнього та бічного ракурсів і зважена на точних вагах.

Цей набір даних дозволив дослідникам безпосередньо оцінити точність оцінки калорій. Початкові результати показали середні абсолютні процентні помилки в оцінці калорій від 15 до 25 відсотків при використанні лише зображень, з суттєвим покращенням при поєднанні аналізу зображень з інформацією про глибину або багатогранними зображеннями (Теймс та ін., 2021).

Оцінка розміру порцій: складніша проблема

Точність ідентифікації їжі — це лише частина рівняння. Оцінка того, скільки кожного продукту присутнє — оцінка розміру порцій — загальновизнано є більш складним завданням.

Дослідження точності оцінки порцій

Фанг та ін. (2019) в Університеті Пердью розробили систему оцінки порцій на основі зображень і оцінили її в порівнянні з ваговими записами їжі. Їхня система досягла середніх процентних помилок від 15 до 25 відсотків для оцінки ваги порцій серед різних типів їжі. У дослідженні зазначалося, що точність оцінки значно варіювала в залежності від типу їжі, при цьому тверді, регулярно сформовані продукти (такі як куряча грудка) оцінювалися точніше, ніж аморфні продукти (такі як смажені овочі) (IEEE Journal of Biomedical and Health Informatics, 23(5), 1972-1979).

Ло та ін. (2020) досліджували підходи до оцінки порцій з використанням сенсорів глибини, використовуючи стереокамери та структуроване світло для створення 3D-моделей продуктів. Цей підхід зменшив помилки оцінки порцій на 20-35 відсотків у порівнянні з методами, що використовують лише 2D-зображення, що свідчить про те, що багатосенсорні підходи можуть стати перспективним напрямком для покращення точності (Proceedings of the IEEE International Conference on Multimedia and Expo).

Помилка оцінки порцій за типом їжі

Тип їжі	Типова помилка оцінки	Причина
Тверді білки (курка, стейк)	8-15%	Регулярна форма, видимі межі
Зернові та крохмалі (рис, макарони)	10-20%	Змінна щільність і стиль подачі
Овочі (салат, броколі)	12-22%	Нерегулярні форми, змінна упаковка
Рідини та супи	15-25%	Варіація глибини та контейнера
Змішані страви (карі, рагу)	18-30%	Інгредієнти не видно окремо
Соуси та олії	25-40%	Часто невидимі або частково видимі

Постійна знахідка в дослідженнях полягає в тому, що приховані або аморфні продукти призводять до більших помилок оцінки, що є вродженим обмеженням будь-якого підходу на основі зображень.

AI проти ручного трекінгу: порівняльні дослідження

Кілька досліджень безпосередньо порівнювали точність оцінки харчування за допомогою AI з традиційними ручними методами.

Систематичне порівняння

Бушей та ін. (2017) провели огляд технологій, що допомагають оцінці харчування, і дійшли висновку, що підходи на основі зображень забезпечують оцінки калорій з помилками 10-20 відсотків, у порівнянні з 20-50 відсотками недообліку, задокументованими для ручних самозвітів за допомогою валідації з подвійно міченою водою (Journal of the Academy of Nutrition and Dietetics, 117(8), 1156-1166).

Метод	Типова помилка калорій	Напрямок упередження
AI трекінг на основі фото	10-20%	Змішаний (перевищення та недооблік)
Ручне ведення журналу в додатку	20-35%	Систематичне недообліку
Паперовий харчовий щоденник	25-50%	Систематичне недообліку
24-годинний харчовий звіт	15-30%	Систематичне недообліку
Ваговий запис їжі	2-5%	Мінімальний (золотий стандарт)

Критичне розрізнення полягає в напрямку помилки. Ручні методи постійно недообліковують споживання, оскільки люди забувають про продукти, недооцінюють порції та пропускають закуски. Помилки на основі AI більш випадкові — іноді перевищують, іноді недообліковують — що означає, що вони менш ймовірно призведуть до систематичного упередження, яке заважає плануванню харчування.

Клінічна валідація

Пендергест та ін. (2017) оцінили Автоматизований інструмент самоадміністрованої 24-годинної оцінки харчування (ASA24) і виявили, що технології, що допомагають оцінці харчування, покращили точність і повноту записів споживання їжі в порівнянні з неавтоматизованими методами. Дослідження показало, що технології зменшили як навантаження на учасників, так і частоту пропусків або неповних записів (Journal of Nutrition, 147(11), 2128-2137).

Визнані обмеження в літературі

Наукова спільнота була відвертою щодо поточних обмежень AI-інструментів харчування.

Відомі виклики

Приховані інгредієнти: Чжу та ін. (2015) зазначили, що методи на основі зображень не можуть надійно виявити інгредієнти, які не видимі на фотографіях, такі як олії для приготування, масло, що використовується в приготуванні, або цукор, розчинений у напоях. Це обмеження становить значну частину помилки оцінки калорій, спостережуваної в валідаційних дослідженнях (IEEE Journal of Biomedical and Health Informatics, 19(1), 377-388).

Культурні та регіональні упередження: Еге та Янаї (2019) продемонстрували, що моделі розпізнавання їжі, навчені переважно на західних наборах даних, працюють значно гірше на азіатських, африканських та близькосхідних кухнях. Точність Top-1 може знизитися на 15-25 відсоткових пунктів при оцінці на недостатньо представлених кухнях, що підкреслює необхідність глобально різноманітних навчальних даних (Proceedings of ACM Multimedia).

Оцінка порцій у змішаних стравах: Лу та ін. (2020) виявили, що помилка оцінки калорій приблизно подвоюється при переході від зображень однієї їжі до змішаних тарілок. Виклик атрибуції обсягу окремим інгредієнтам у змішаній страві залишається відкритою проблемою дослідження (Nutrients, 12(11), 3368).

Однозначна глибина зображення: Без інформації про глибину оцінка тривимірного обсягу їжі з одного двовимірного зображення вимагає припущень про висоту та щільність їжі. Мейерс та ін. (2015) в Google Research задокументували це як фундаментальне обмеження інформації монокулярної оцінки на основі зображень (Proceedings of IEEE International Conference on Computer Vision Workshops).

Як Nutrola використовує це дослідження

Підхід Nutrola до AI-трекінгу харчування ґрунтується на висновках, задокументованих у цьому обсязі досліджень.

Вирішення відомих обмежень

Виходячи з виявлення літературою прихованих інгредієнтів як ключового розриву в точності, Nutrola поєднує розпізнавання зображень з введенням природної мови, що дозволяє користувачам додавати примітки про методи приготування, олії та соуси, які камера не може зафіксувати. Цей мультимодальний підхід вирішує обмеження, вказане Чжу та ін. (2015).

Щоб подолати культурні упередження, задокументовані Еге та Янаї (2019), моделі розпізнавання їжі Nutrola навчені на глобально різноманітному наборі даних, що охоплює кухні з 47 країн, з постійним розширенням на недостатньо представлені регіони.

Для оцінки порцій Nutrola використовує масштабування за допомогою об'єктів-орієнтирів та навчені моделі порцій, калібровані на основі вагових даних про їжу, спираючись на підходи, валідацію яких провели Фанг та ін. (2019) і Ло та ін. (2020).

Постійне вдосконалення через зворотний зв'язок від користувачів

Коли користувачі коригують ідентифікацію їжі або коригують оцінку порції, цей зворотний зв'язок агрегується для покращення точності моделі з часом. Ця замкнена система навчання відображає підхід безперервного навчання, рекомендований Мезгецом і Корушичем Селяком (2017) для реального впровадження систем розпізнавання їжі.

Перевірена база даних як основа точності

Незалежно від того, наскільки точно AI ідентифікує продукт, харчові значення, що повертаються, є такими ж добрими, як і база даних, на яку вони посилаються. Використання Nutrola багатоджерельної перевіреної бази даних з понад 3 мільйонів записів, перехресно перевірених з урядовими базами даних, такими як USDA FoodData Central, забезпечує, що правильно ідентифіковані продукти повертають точні харчові дані.

Тенденція покращення точності

Тенденція в дослідженнях розпізнавання їжі за допомогою AI стрімко зростає. Точність Top-1 на Food-101 покращилася з 50.8% до понад 95% за десятиліття. Помилки в оцінці калорій зменшилися з 25-40% у ранніх системах до 10-20% у сучасних найсучасніших підходах. Багатосенсорні та багатогранні системи продовжують розширювати межі точності оцінки порцій.

З ростом різноманітності навчальних наборів даних моделі стають більш складними, а технології сенсорів на мобільних пристроях покращуються, розрив між оцінками AI та реальністю продовжить звужуватися. Дослідження, розглянуті тут, надають впевненість у тому, що AI-трекінг харчування вже є більш точним, ніж ручні методи, які використовують більшість людей, і він швидко покращується.

Часто задавані питання

Наскільки точне розпізнавання їжі за допомогою AI в опублікованих дослідженнях?

На стандартному бенчмарку Food-101 найсучасніші моделі глибокого навчання досягають точності Top-1 понад 95% для ідентифікації їжі. На більш різноманітних і складних бенчмарках, таких як ISIA Food-500 з 500 категоріями їжі, точність Top-5 перевищує 85%. Реальна точність у споживчих додатках зазвичай коливається між цими бенчмарками в залежності від різноманітності продуктів.

Як оцінка калорій за допомогою AI порівнюється з ручним веденням харчування?

Опубліковані дослідження показують, що AI трекінг на основі фото забезпечує помилки в оцінці калорій від 10 до 20 відсотків, тоді як ручне самозвітування недообліковує споживання на 20-50 відсотків відповідно до досліджень з подвійно міченою водою. Критично важливо, що помилки AI, як правило, випадкові, тоді як ручні помилки систематично недообліковують калорії.

Яке найбільше джерело помилки в трекінгу калорій за допомогою AI?

Згідно з літературою, найбільшими джерелами помилки є приховані інгредієнти (олії для приготування, масло, соуси та заправки, які не видимі на фотографіях) та оцінка порцій для змішаних страв. Однозначна глибина зображення також сприяє, оскільки оцінка тривимірного обсягу їжі з двовимірного фото вимагає припущень про висоту та щільність їжі.

Що таке набір даних Food-101?

Food-101 — це бенчмарк-набір даних, представлений Боссардом та ін. у 2014 році, що містить 101,000 зображень у 101 категорії їжі. Це найбільш широко використовуваний стандарт для оцінки продуктивності моделей розпізнавання їжі та став важливим інструментом для відстеження прогресу підходів глибокого навчання від приблизно 50% до понад 95% точності.

Чи працює розпізнавання їжі за допомогою AI однаково добре для всіх кухонь?

Ні. Дослідження Еге та Янаї (2019) продемонструвало, що моделі, навчені переважно на західних наборах даних, працюють значно гірше на азіатських, африканських та близькосхідних кухнях, з падінням точності на 15-25 відсоткових пунктів. Саме тому глобально різноманітні навчальні дані є важливими, і Nutrola спеціально навчається на зображеннях їжі з 47 країн.

Чи достатньо точно AI-трекінг калорій для клінічного використання?

Дослідження свідчать про так, з застереженнями. Бушей та ін. (2017) виявили, що підходи на основі зображень забезпечують оцінки калорій з помилкою 10-20 відсотків, що значно краще, ніж 25-50 відсотків недообліку, типового для ручної клінічної оцінки харчування. Для клінічних умов AI-трекінг рекомендується використовувати як доповнення, а не повну заміну оцінці під керівництвом дієтолога.