综述:革新营养护理:人工智能在个性化营养中的作用

《JOURNAL OF FOOD SCIENCE》:Revolutionizing Nutrition Care: The Role of Artificial Intelligence in Personalized Nutrition

【字体: 大 中 小 】 时间:2026年07月11日 来源:JOURNAL OF FOOD SCIENCE 4.1

编辑推荐:

  个性化营养(Personalized Nutrition, PN)已发展成为一种新颖的方法,旨在通过利用遗传、表型、医疗、营养及其他相关个体特定信息来维持或增强健康,并提供量身定制的饮食指导和营养相关服务。高通量生物学数据与数字健康技术的快速扩展,使人工智能(

  
个性化营养(Personalized Nutrition, PN)已发展成为一种新颖的方法,旨在通过利用遗传、表型、医疗、营养及其他相关个体特定信息来维持或增强健康,并提供量身定制的饮食指导和营养相关服务。高通量生物学数据与数字健康技术的快速扩展,使人工智能(Artificial Intelligence, AI)成为提供可惠及广大人群的PN建议的关键工具。本综述强调了AI在实现数据驱动的PN干预措施中的作用。研究人员讨论了包括机器学习(Machine Learning, ML)、深度学习(Deep Learning, DL)、自然语言处理(Natural Language Processing, NLP)和强化学习(Reinforcement Learning, RL)在内的AI方法在整合与分析来源于组学(omics)、可穿戴设备和电子健康记录(Electronic Health Records, EHRs)的复杂多模态健康数据方面的能力。研究人员强调了AI在增强疾病预防和管理以及实时营养监测方面的潜力。此外,本综述还指出了当前限制AI驱动营养建议广泛普及的主要挑战。本综述全面概述了PN中的AI驱动方法,同时展望了未来机遇,包括多组学整合(multi-omics integration)和可解释人工智能(Explainable AI, XAI)模型,以变革饮食指导。
**1 引言**
不健康饮食习惯是全球五分之一过早死亡的原因,而医疗人员短缺问题日益严重,因此需要借助新兴技术和数字工具来增强营养学的影响。个性化营养(PN)尤其有助于慢性病患者、代谢紊乱患者、肥胖者、糖尿病患者、胃肠疾病患者以及需要特殊饮食管理的老年人群。AI驱动的PN系统可分析多模态健康数据,提供个体化饮食建议,改善疾病管理和预防保健。饮食因素是心血管疾病(CVD)、2型糖尿病(T2D)和癌症等常见疾病的主要诱因。基于人群的饮食指南在改善长期饮食行为和公共健康方面效果有限,因为个体在遗传、代谢、生活方式、病史和环境因素上存在差异。PN应运而生,它根据个体特征提供量身定制的饮食建议,旨在通过更个性化的指导来维持或改善健康,并支持疾病预防和管理。过去十年的研究表明,脂肪、蛋白质和碳水化合物等营养素摄入的个体差异显著影响代谢反应,因此需要定制化营养方案。AI及机器学习(ML)能够分析营养与健康行为研究中的复杂高维数据集,预测代谢反应。深度学习(DL)在图像分类、基因组数据分析等方面表现优异,能够开发个性化工具。本综述探讨了AI在PN和健康管理中的多样化应用,包括技术、挑战和未来可能性,旨在提供对基本概念、现有挑战和机遇的全面理解。

**2 综述方法**
本综述采用结构化框架,在PubMed/Medline、Scopus、Web of Science、ScienceDirect和Google Scholar等科学数据库中检索2010年1月至2026年4月间发表的相关文献。使用的关键词包括:“人工智能”、“机器学习”、“深度学习”、“神经网络”、“个性化营养”、“精准营养”、“电子健康记录”、“饮食评估”、“临床营养与AI”以及“数字健康营养”。经过筛选,纳入直接相关的研究,排除非英语文献、不相关研究和重复记录。

**3 个性化营养中的人工智能:概述**
- **3.1 机器学习(Machine Learning, ML)**:ML是AI的子领域,通过从数据中学习来识别模式并生成预测模型。ML擅长分析结构化数据集,如饮食记录、人体测量、临床和生化数据。在PN中,ML用于疾病风险预测、营养素反应关系建模、表型分类以及数据驱动的饮食建议。ML方法包括监督学习和无监督学习。Li等人(2022)应用集成ML方法研究肠道微生物组动力学,利用多组学数据识别分子特征和预测表型结果。
- **3.2 深度学习(Deep Learning, DL)**:DL是ML的专门分支,利用多层人工神经网络(ANNs)自动从原始或非结构化数据中提取特征。卷积神经网络(CNNs)适用于图像识别,如基于照片的食物识别。循环神经网络(RNNs)适用于时间序列数据,如饮食对体重指数(BMI)的影响。长短期记忆网络(LSTM)解决梯度消失问题,学习长期依赖关系。Metachew和Letahun(2024)提出了一种基于AI的精准营养框架,整合可穿戴生物传感器数据,采用混合DL架构,包括CNN和RNN(LSTM),并加入SHapley Additive Explanations(SHAP)可解释层。Liu(2025)引入了McMLP和METRIC等DL模型,整合肠道微生物组、代谢组和饮食干预数据预测代谢反应。
- **3.3 自然语言处理(Natural Language Processing, NLP)**:NLP使计算机能够理解、解释和生成人类语言。在PN中,NLP从非结构化文本来源(如食物日记、膳食日志)中提取饮食信息。大语言模型(LLMs)可用于肥胖管理、饮食规划、营养不良风险评估等。但LLMs存在依赖训练数据质量、可能产生不准确或幻觉信息、缺乏透明度等限制。Ayd?n等人(2025)开发了结合ML和NLP的系统,利用NHANES数据预测热量,并通过本地部署的LLM解释自由文本饮食偏好,生成个性化膳食建议。
- **3.4 强化学习(Reinforcement Learning, RL)**:RL中,智能体通过与环境的交互序列决策,获得奖励或惩罚。在PN中,RL用于自适应膳食计划、个性化推荐。Amiri等人(2024)提出了CFRL(Collaborative Filtering with Reinforcement Learning)算法,整合RL与协同过滤,根据用户偏好、健康标准和反馈持续优化膳食计划。与静态ML/DL方法相比,RL系统更适合反馈驱动的PN干预,但需要大量交互数据、精心设计的奖励机制,并面临伦理和隐私挑战。

**4 人工智能驱动个性化营养的数据来源**
- **4.1 基因组数据(Genomic Data)**:基因组数据通过全基因组SNP数据揭示遗传变异对营养素代谢和疾病风险的影响。例如,MTHFR基因变异影响叶酸代谢;FTO和TCF7L2基因多态性与肥胖和T2D相关;APOE变异影响脂质代谢。整合基因组数据可增强饮食和体重管理干预的精准性。
- **4.2 微生物组数据(Microbiome Data)**:微生物组数据提供肠道微生物组成对个体代谢反应影响的见解。Popova等人(2025)结合饮食、CGM和微生物组数据预测妊娠期血糖反应,微生物特征的加入使解释方差从34%增至42%。某些菌属如Prevotella copri与胰岛素敏感性相关。
- **4.3 移动和可穿戴传感器(Mobile and Wearable Sensors)**:非侵入性可穿戴电化学传感器可测量进食后的化学波动。传统饮食评估方法(如FFQ和24小时回忆)存在回忆偏倚,而AI工具和可穿戴技术可作为补充,提供实时监测和自动食物识别。可穿戴设备可分析汗液、唾液等生物体液中的营养素。表1列举了多种用于PN的智能手机应用和可穿戴传感器,但存在自报偏倚、依从性差等局限。
- **4.4 电子健康记录(Electronic Health Records, EHRs)**:EHRs提供病史、人体测量、实验室生物标志物、药物和饮食摄入信息,结合营养生物标志物和基因组数据可增强饮食建议的准确性。整合多维数据源仍面临数据异质性、互操作性等挑战,而多模态AI模型有望提升PN的准确性和临床适用性。

**5 人工智能在个性化营养中的应用**
AI能够彻底改变营养学和饮食学领域。深度学习已用于食物图像识别(自2014年起),但仍需全球性数据集验证。现有数据集缺乏跨文化多样性,限制了泛化性。可穿戴技术和AI使个体能够评估血糖、心率、睡眠等参数。AI驱动的PN基础是强健可互操作的数据。m-Health应用(如MyFitnessPal)日益流行。多模态系统如Meal Meter结合CGM、心率变异性(HRV)、运动和环境数据精确估算宏量营养素摄入。AI驱动的数字孪生平台可整合CGM和心率数据,提供个性化实时饮食反馈,改善血糖控制。

**6 个性化临床营养与人工智能**
临床营养对慢性病治疗至关重要。ICT(如大数据、DL、AI)正被用于探索临床营养服务的创新。AI通过整合多维健康数据,生成高度个性化的营养建议。AI平台可根据健康目标、饮食偏好和疾病状态设计膳食计划,利用NLP分析食物日记,并提供实时反馈。例如,ML算法可预测餐后血糖反应,优于传统碳水化合物计数方法。在肥胖管理中,AI可预测减重反应并量身定制干预措施。AI驱动的聊天机器人和虚拟助手支持临床文档和营养护理过程(NCP)。AI通过计算机视觉和图像识别自动量化营养素摄入。新兴技术如3D传感和数字4.0平台在食品质量评估中表现出高准确率,支持PN策略。

**7 大数据与深度学习在个性化临床营养中的应用**
个性化临床营养中的大数据包括来自饮食摄入、人体测量、生化参数、遗传谱、生活方式和临床记录的海量多样化数据集。电子医疗记录(EMR)支持数据整合和共享。在NCP中,初始评估阶段至关重要。AI通过DL算法从大规模数据中识别模式、预测风险并生成饮食建议。例如,AI驱动的饮食相机可实时识别食物、估算份量和分析营养成分。Papastratis等人(2024)开发了结合LLM的深度生成AI框架,可精准生成个性化膳食计划。表2总结了AI和分析方法在PN中的应用,包括数字孪生技术、混合DL模型和聊天机器人等,显示AI在改善血糖控制、减重和疾病管理方面具有显著效果。

**8 人工智能与个性化营养的挑战与局限**
个性化营养面临诸多挑战:数据可用性和标准化不足;AI模型可能出现过拟合或欠拟合,需注意模型复杂度和样本量;实施障碍包括高质量数据系统、人力资源和数字基础设施的缺乏,尤其是在中低收入国家;算法偏差可能导致对特定人群的预测不准确,加剧健康差距;数据隐私和安全问题突出,例如大语言模型可能产生幻觉或泄露隐私;监管框架滞后,需平衡版权与公共卫生利益,遵守GDPR等法规。伦理问题包括治疗的去人性化以及AI缺乏人类判断和情感智能。克服这些挑战需要跨学科合作和严格研究。

**9 结论**
PN与AI日益融合,通过整合多模态数据,AI在饮食评估、个性化膳食计划和疾病管理中展现价值。ML适用于结构化临床数据,DL适用于图像和传感器数据,LLM支持交互式咨询。尽管如此,模型透明度、隐私、算法偏差、泛化性不足等问题仍需解决。未来需通过可解释AI(XAI)、标准化验证框架、跨学科合作和公平数据集开发来推动AI在营养学中的安全有效整合。总体而言,AI在PN中的效果依赖于多维数据源与适当分析方法的整合,多模态AI框架有望进一步提升PN策略的精准性、适应性和临床适用性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号