天给大家介绍一篇由Larissa Oliveira Chaves等人，于2021年7月29日上发表在Food Science and Nutrition（IF=11.171）的一篇综述性文章。该综述使用5个计算机数据库进行文献搜索，旨在确定使用ML算法评估不同人群食物摄入量的研究。
摘要
今天给大家介绍一篇由Larissa Oliveira Chaves等人，于2021年7月29日上发表在Food Science and Nutrition（IF=11.171）的一篇综述性文章。该综述使用5个计算机数据库进行文献搜索，旨在确定使用ML算法评估不同人群食物摄入量的研究。
1. 介绍
不健康的食物摄入是许多非传染性疾病(NCD)的重要行为风险因素，包括心血管疾病(CVD)、癌症和糖尿病。食物摄入量评估有几种方法，最常用的是食物频率问卷(FFQ)、24小时回顾(R24H)、食物记录和食物回忆法。然而，这些方法的不准确性对饮食和非传染性疾病之间的关系构成了一个重大挑战。
ML算法应用于卫生领域，以帮助确定预防、预测、诊断、疾病的早期诊断以及治疗的决策，有助于提高服务质量、降低疾病的发病率、死亡率、住院时间和住院成本。
但是，ML在卫生领域的应用仍具有挑战性，因为卫生专业人员需要在临床设置和流行病学研究中准确地解释从算法中获得的信息。此外，ML算法在营养领域，特别是在食物摄入量方面的应用还有待研究。因此，这篇综述可以作为对食物摄入和数据科学感兴趣的健康专业人员的指南，并启发和帮助其他研究人员开展新的研究。
2. 材料和方法
2.1 研究选择和数据收集过程
研究由两位作者(L.O.C和A.L.G.D)独立进行，分三个阶段进行：标题分析、摘要分析和全文分析。在阅读了选定的研究后，作者对汇编的数据进行了比较，以确保其完整性和可靠性。对于每项纳入的研究，提取了作者、发表年份、研究开展的国家、研究目标、参与者的特征、食物摄入量评估方法、ML方法和算法，以及计算工具等信息。
2.2 数据分析
文章所选的所有研究都按其主要特点进行了总结。这些研究是按发表年份组织的，从第一项发表的研究开始。发表的年份、研究的地点、评估食物消耗的方法、ML方法和算法以及使用的计算工具被认为是这项系统综述的主要特点。由于纳入的研究之间的不均匀性，荟萃分析的表现是不合理的。因此，根据Cochrane手册，作者进行了系统评价。
3. 结果与讨论
3.1 研究选择
通过在数据库中的搜索，确定了252项研究。去除重复研究、无关研究后，36项研究符合系统审查采用的所有标准，因此纳入其中(图1)。
图 1. 根据 PRISMA 的建议，研究选择过程的流程图
3.2 纳入研究的描述
3.2.1关于研究年份和国家的出版物数量概览
这篇综述分析的第一份出版物是在2008年，在2008至2016年间只有9份出版物。从2017年开始，这一领域的研究有所增加，2017年至2020年(截至审查时)发表了27项研究(如图2)。在本篇综述中纳入的36项研究中，共在北美、欧洲、亚洲、大洋洲进行。
图 2. 每年的出版物数量
图3的热图显示了2008至2020年间的出版物与所进行研究国家的关系。为了更好地直观分析这些结果，使用了webColorBrewer2.0工具来区分。
图 3. 与在进行研究的国家/地区发表的文章数量相关的热图
3.2.2 人口特征
36项研究通过描述不同性别和各个年龄的人口特征。值得注意的是，这篇综述中包括的大多数研究都是以有超重、肥胖或癌症存在的人群为研究对象的，其中既有成人，也有老年人。
3.3 食物摄入量评估方法
研究使用FFQ、智能手机/软件应用程序、问卷、食品记录、R24H等作为食物摄入量评估方法 。
3.4 ML算法和计算工具
这篇综述中的研究使用了不同的ML算法，在纳入的36项研究中使用最多的是监督学习，只有4项研究采用了非监督学习。
此外，36项研究中有9项没有告知所使用的计算工具，其他研究使用统计程序R、WEKA程序、SA、Stata、Google Collaboratory、CART、MATLAB、SPSS、Google Custom Search API计算工具（如表1）。
表 1. 与评估食物摄入量的方法以及算法和计算工具的类型相关的纳入研究的特征
4. 优势
本篇综述的优点：（1）第一次分析不同ML算法在评估健康和不健康个体食物摄入量方面的应用的系统性综述。（2）包括所研究人群的特征、研究类型、语言和出版年份如何。（3）纳入了识别食品和饮料图像的研究，以评估食品消费。（4）介绍了评价食物摄入量的主要方法、主要的ML算法和使用的计算工具。
5. 结论与讨论
本综述了利用不同的ML算法评估食物摄入量的最新信息,如关于ML和营养学的研究和出版物增长、区域化对食品消费的影响、食物摄入量评价方法。研究结果表明，由于近年来发表的论文数量显著增加，ML算法在营养学领域的应用受到了越来越多的关注。
此外，使用最多的是监督学习算法，更准确地说是基于决策树的算法。用于统计分析的计算工具的使用发生了变化，倾向于使用其他软件，如R，而不是使用经典的统计程序。FFQ是关于食物摄入量的评估的最常用方法，因为它可以进行长期的评估，而且简单、快速、易于管理。然而，即使理解了调查每个人群食物摄入量的重要性，以及ML算法的使用是如何作用的，参与分析的研究涉及的国家也几乎没有多样性。此外，卫生专业人员应该理解，ML的使用是一项合作形式，将专业经验与数据分析和处理结合在一起，以促进规划和提供卫生保健的决策。除了作者引用的方法之外，还有其他机器学习方法应用于食物摄取。
作者建议在研究中使用机器学习技术的研究人员在他们的文本中提到更广泛的搜索词，如：机器学习、深度学习和数据挖掘，而不仅仅是技术的具体名称，以扩大他们的搜索范围，并使他们在使用搜索引擎时更容易识别他们的文章。
参考文献
- Oliveira Chaves L, Gomes Domingos AL, Louzada Fernandes D, Ribeiro Cerqueira F, Siqueira-Batista R, Bressan J. Applicability of machine learning techniques in food intake assessment: A systematic review. Crit Rev Food Sci Nutr. 2021 Jul 29:1-18.
长按关注我们
微信号｜FoodAI
原创文章，作者：ifyoung，如若转载，请注明出处：https://www.drugfoodai.com/ml-food-intake.html
注意：本站原创指的是原创编译，并不主张对所介绍的工作的版权，如有侵权，请联系删除！
微信扫一扫 
支付宝扫一扫 相关推荐
-
基于机器学习的模式识别技术鉴别掺假油和食用油混合物
今天给大家介绍一篇由Kevin Lim等人近期发表在Nature Communications上的一篇研究型文章。文章提出了一种机器学习方法来发现脂肪酸的特定组成，以区分十种不同的植物油类型及其内部的变化。作者还描述了一种有监督的端到端学习方法，该方法可以推广到任何给定混合物的油组成。
-
Food Control|基于改良内聚稳定同位素比值的燕窝真实性鉴别与定量
该文针对食用燕窝（EBN）中稳定同位素比值(δ13C、δ15N、δ18O、δ2H)的高离散性，建立了一种既能定性和又能定量的方法来检测掺入唾液酸、蛋清和食用胶的掺假EBN。通过建立数据处理公式来提高样品同位素比值的内聚性，利用该公式建立欧式距离方程。通过计算欧氏距离建立判别式，预测准确率在95.80% ~ 99.97%之间。此外，建立了3个方程对EBN中掺假物质的含量进行定量分析，相对标准偏差在1.34% ~ 6.31%(n = 6)之间。应用所建立的方法，测得12个实样中有2个样品分别掺入了3.9%的唾液酸和2.9%的蛋清。
-
NutriFD：基于食物与疾病关联和治疗网络证明食物营养的药用价值
撰文：梁瑞 编辑：肖冉 今天给大家介绍一篇由Wanting Su等人，于2023年5月在Quantitative Biology上的一篇即将发表的预印本文章。本文介绍了基于食品和疾…
-
利用PredRet中的数据准确预测保留时间并应用于食品生物活性成分分析
今天介绍一篇法国克莱蒙费朗大学前段时间发表在food chemistry上的一篇文章。该研究在24个色谱系统分析的467种化合物种测试了PredRet预测植物食品生物活性成分在色谱柱中保留时间的表现。
-
机器学习在食品安全中的新兴应用
今天分享一篇最近由美国乔治亚大学的Xiangyu Deng发表在Annual Review of Food Science and Technology上的综述。文章对食品安全和公共卫生特定领域下的机器学习进行了介绍，回顾近期和显著的进展，并讨论挑战和潜在的缺陷。
-
Bioresource Technology：智能化的方法来可持续管理和利用食物废弃物
撰文：王雪洁 编辑：肖冉 介绍 今天介绍一篇由Zafar Said等人于2023年3月在线发表在Bioresource Technology（IF=11.89）上的文章。这篇文章主…
-
色谱与化学计量学相结合在食品鉴定中的应用
食品掺假并非我们这个时代的现象，其历史可以追溯到食品制造的开始。关注食品欺诈问题是一个迅速发展的领域，这是由于公众对经济动机驱动的掺假的认识不断提高，而这可能会给人类带来严重的公共健康风险。化学计量学为光谱和色谱数据的校准分析提供了强大的工具，可用于有明确终点和无明确终点的方法中，以识别各种食品欺诈情况或验证其地理或生物学起源。
-
食品质量和真伪分析评估的数据挖掘/机器学习方法
近年来，为了更好地鉴定食品，通过现代分析仪器所获得的数据种类和数量急剧增加。一些模式识别工具已经被开发来处理大量复杂的有效试验数据。应用最广泛的方法有主成分分析(PCA)、部分最小二乘判别分析(PLS-DA)、类模型方法(SIMCA)、k-最近邻分类算法(kNN)、平行因子分析(PARAFAC)和多元曲线分辨率-交替最小二乘分析(MCR-ALS)。然而，也有一些替代的数据处理方法，如支持向量机(SVM)、分类回归树(CART)和随机森林(RF)等，与传统的数据处理方法相比，显示出巨大的潜力和优势。在这篇文章中，作者解释了这些方法的背景，并回顾和讨论了这三种方法在食品质量和真实性领域的应用研究的报道。此外，作者声明清楚了在这一特定研究领域中使用的专业术语。
-
结合光谱学和机器学习改进食品分类
今天介绍一篇最近由布鲁塞尔自由大学的I. Magnus等人前段时间发表在Food Control上的一篇文章。旨在用于无损产品鉴定的传统数据分析处理技术基础上进行新型算法开发，通过结合紫外线、可见光、近红外反射光谱和荧光光谱的信息和产品流中的食品安全和质量评价，实现识别外来物体。
