综述:人工智能在食品–营养–健康研究中的应用:从多模态数据整合到精准干预

《JOURNAL OF FOOD SCIENCE》:Artificial Intelligence in Food–Nutrition–Health Research: From Multimodal Data Integration to Precision Intervention

【字体: 大 中 小 】 时间:2026年08月01日 来源:JOURNAL OF FOOD SCIENCE 4.1

编辑推荐:

  人工智能(AI)正在变革食品–营养–健康研究,使传统假设驱动方法无法解决的高维复杂数据集中的模式识别成为可能。本综述通过PRISMA指南筛选,系统综合了2020至2025年间AI在食品–营养–健康连续体中的研究进展。通过检查181篇系统性综述,研究人员从技术基

  
人工智能(AI)正在变革食品–营养–健康研究,使传统假设驱动方法无法解决的高维复杂数据集中的模式识别成为可能。本综述通过PRISMA指南筛选,系统综合了2020至2025年间AI在食品–营养–健康连续体中的研究进展。通过检查181篇系统性综述,研究人员从技术基础、应用场景、现有挑战和未来展望四个维度提供了全面概述。研究人员提出了一个三层框架:(1)数据层实现食品成分、健康监测和个体特征数据的多源融合;(2)技术层包括无损检测(光谱学、核磁共振(NMR)、成像);(3)算法层从机器学习(ML)发展到深度学习(DL)架构。关键应用包括食品成分分析与安全检测、营养–疾病关联建模、病原体识别以及个性化膳食干预系统。尽管进展迅速,仍存在严峻挑战:模型跨人群泛化能力不足、算法不透明限制临床信任、数据隐私漏洞以及缺乏标准化的多组学整合协议。未来方向强调多模态融合模型、可解释人工智能(XAI)、用于隐私保护协作的联邦学习、基因引导的精准营养以及智能可穿戴设备和功能食品的研发。本综述为通过AI赋能的食品系统从群体平均水平指南转向动态、个体化健康优化提供了路线图。
1 引言
传统营养科学面临根本局限:依赖群体水平观察研究和小型随机对照试验(RCT),无法充分捕捉个体代谢异质性。食品基质在不同加工和储存条件下表现出非线性、异质效应。同时,社会对个性化、可扩展的健康解决方案存在迫切需求。人工智能(AI)代表了从传统假设驱动研究向方法论范式转变,通过机器学习(ML)和深度学习(DL)从海量数据中识别模式和生成假设。本综述检索了Web of Science、IEEE Xplore和Wiley Online Library数据库,识别出3756篇AI?食品出版物,AI?医学文章增长429%。其中181篇综述显示AI在食品、健康和医疗领域的渗透率稳步上升。本综述填补了涵盖完整食品到健康链的综合综述的空白,提出了当前应用和持续挑战,并推进了该领域向更精确、动态和个性化的方向发展。
2 技术基础
AI在食品组学和营养健康研究中的整合依赖于三个相互关联的层次:丰富的数据集作为核心资源,精密化学检测作为技术前提,先进算法作为分析引擎。数据层实现多源融合;技术层提供无损检测能力;算法层整合ML和DL架构。这些层次相互作用并受限于两个主要挑战:数据和样本维度的双重约束,以及挖掘变量复杂性的能力不足。
2.1 数据层:多源数据融合
多源数据融合通过标准化预处理、特征提取和相关匹配打破了食品营养、健康监测和个体特征等不同类型数据的“孤岛”状态。三大核心类别支撑该系统:(1)食品侧多维数据:基础营养成分、动态加工变化和活性成分组学数据;(2)健康侧全周期数据:临床记录、队列随访和实时可穿戴监测;(3)个体侧特征数据:基因测序、肠道微生物组成和饮食行为问卷。AI通过自然语言处理(NLP)实现非结构化数据的结构转换,通过特征工程实现异构数据的标准化对齐,最终形成集成数据网络。例如,文本数据输入NLP模型后,依次经过基础分词、生物医学高级分词、停用词过滤和基于ML/DL的特征提取。
2.2 技术层:无损检测
组学数据获取日益采用无损检测技术,即检测后残余样本主体可保留用于重复测试或其他理化分析。无损检测克服了传统理化检测分析时间长、成本高和破坏样本的局限。核心方法包括核磁共振(NMR)、近红外(NIR)、衰减全反射傅里叶变换红外(ATR?FTIR)、拉曼光谱和同位素检测(18O/16O、13C/12C和15N/14N)。这些高精度、快速且环境友好的方法提供了大量高质量的基础数据。
2.3 算法层:从ML到DL
精确营养–健康研究依赖强大算法揭示复杂高维数据集下的潜在相关性。算法演变从传统化学计量学经ML到DL架构。传统化学计量学方法如偏最小二乘回归(PLSR)和正交偏最小二乘判别分析(OPLS?DA)仍是光谱数据分析的基础,但易过拟合。ML支持大规模数据集中复杂关系的识别,应用于食品鉴定、营养评估、个性化营养和疾病预测。DL避免了手动特征工程,自动捕获光谱和成像数据中的复杂非线性关系,例如一维卷积神经网络(1D?CNN)适用于光谱数据分析。然而,DL面临标记样本有限、模型可解释性差和过拟合风险。数据增强策略(如噪声注入、生成对抗网络(GAN)和变分自编码器(VAE))以及梯度可视化等方法被用于缓解这些问题。
3 连续体中的核心应用
食品构成生物基质,其化学成分形成复杂的交互结构。消化分解这些结构释放营养素,使生物利用度成为营养价值的决定性因素而非单纯营养素含量。食品加工通过改变生物可及性影响消化结果。图4展示了生物活动中交互的食品–营养–健康循环。传统营养研究在处理复杂相关数据方面存在障碍,而AI赋能实现了有效的降维和非线性相关挖掘。
3.1 食品–营养关联
3.1.1 食品成分分析
食品组学需要准确的营养成分评估。现代检测技术结合化学分析仪器、计算机视觉和AI克服了传统方法的局限。AI?光谱整合实现了准确的定量分析,如近红外(NIR)、拉曼光谱、NMR和高光谱成像(HSI)与ML/DL结合,达到与传统理化方法相当的检测精度。例如,结合HSI与NMR及改进ResNet?34模型精确识别枸杞产地;支持向量回归(SVR)在植物食品加工蛋白质含量评估中优于随机森林(RF)。AI?计算机视觉技术在食品分类和营养组分检测中达到>99%准确率,实现实时个性化膳食算法。新型DL架构在Nutrition5k和ChinaMartFood109数据集上实现卡路里预测。此外,基于大型语言模型(LLM)的卡路里追踪器结合长短期记忆(LSTM)和门控循环单元(GRU)网络提供实时反馈。食品图像识别从手动特征提取发展到基于DL的方法,RGB和多光谱相机结合YOLO架构等实现了重量估计和营养成分预测。
3.1.2 食品加工波动与安全
食品加工和储存中的生化反应改变食品成分并直接影响健康。AI能够监测和控制有害副产物(如丙烯酰胺、苯并(a)芘和5?羟甲基糠醛)的形成。例如,反射光谱结合线性判别分析(LDA)对生马铃薯按油炸过程中丙烯酰胺形成潜力分类;反向传播神经网络(BPNN)预测植物油中苯并(a)芘风险;RF预测烘焙咖啡中5?HMF水平;拉曼光谱结合RF评估花生油中苯并(a)芘。AI驱动的数据挖掘将食品研究与人类健康连接,优化营养摄入。
3.2 营养–健康关联
饮食数据、多组学信息和健康监测数据的深度融合使ML算法能够识别非线性相关性,神经网络构建营养素–疾病知识图谱。AI准确识别特定饮食模式与疾病的关联,并通过数字孪生和强化学习生成个性化营养计划,推动从群体平均到个体化推荐的转变。图5A展示了AI辅助的个性化营养监测框架,包括数据采集、数据处理和AI赋能的个性化管理三阶段。
3.2.1 营养素–疾病关系
DL已广泛应用于营养–疾病关联研究,特别是心血管疾病、糖尿病和癌症。例如,人工神经网络研究叶酸摄入与乳腺癌风险;ML阐明核桃代谢物与2型糖尿病(T2DM)和心血管疾病(CVD)风险的相关性;k近邻(kNN)和RF评估10年心脏代谢风险优于传统统计。此外,AI在代谢调节和肠道微生物群调制中显示出潜力,饮食成分通过微生物产生的短链脂肪酸(SCFA)等代谢物影响生理反应。ML模型用于诊断高盐相关的肠道衰老、识别体重减轻相关的微生物群以及预测年龄和疾病发作。
3.2.2 病原体检测与健康关联
AI与光谱检测结合实现食源性病原体的快速识别和定量分析。DL架构特别是CNN解码基因组和微生物组特征为营养反应生物标志物。AI整合人群和临床健康数据探索病原体暴露与不良后果之间的剂量–反应关系。在营养基因组学中,ML模型阐明复杂的基因–饮食相互作用,实现个性化膳食推荐。
3.3 食品–营养–健康全链网络构建
3.3.1 多因素关联分析
建立全链网络需要将多源数据与个体差异系统整合。营养基因组学研究饮食–基因相互作用在神经疾病管理中的作用,表明基于遗传洞察和AI辅助筛选的个性化膳食策略可改善认知健康。研究人员整合遗传图谱、微生物组和生活方式数据与ML/DL进行疾病预测。例如,主成分分析(PCA)结合k均值聚类揭示结直肠癌(CRC)相关饮食模式;NMR代谢组学结合基因组数据提取白血病突变细胞代谢指纹。
3.3.2 个性化饮食与健康管理系统
个性化饮食取决于由生物学因素(遗传学、营养基因组学、肠道微生物组)和生活方式因素(饮食、身体活动、睡眠和压力)驱动的个体间营养需求差异。随着AI网络向生成式AI(GenAI)和LLM发展,个性化健康管理系统不断迭代。例如,ML模型预测血浆维生素C水平;监督模型如多层感知器(MLP)和LSTM预测餐后血糖反应;框架评估多种生理指标联合概率。这些科学进步催生了众多智能应用和商业产品,如goFOOD、Diet Engine、DayTwo和FoodMuse,以及可穿戴设备DnaBand。初创公司正开发实施个性化营养解决方案的平台。
4 存在的问题与挑战
尽管AI克服了传统范式的许多局限,但在两个维度上仍存在重大挑战。
4.1 数据和样本维度的双重局限
AI部分缓解了传统研究无法考虑复杂食物成分和个体间变异性的问题,但模型性能仍取决于训练数据质量。具体挑战包括:(1)建立多源数据融合标准;(2)实现动态数据的实时捕获。未来研究应通过三个层次的融合来解决:数据层面的数据增强、隐私计算和迁移学习;特征层面的跨模态预训练;决策层面的主动学习和时间序列分析。
4.2 解析变量复杂性的能力不足
食品–营养–健康相关性具有高维、强交互和动态变化的特点。传统研究依赖单变量分析或简单多元回归,无法捕捉高维变量的交互效应。AI通过高维建模和非线性相关性检测解决了这些限制,但大多数模型产生“黑箱”输出,缺乏机制可解释性,且小样本和罕见变量易导致过拟合和跨场景泛化不足。
5 未来方向
图5B展示了AI在食品–营养–健康研究中的未来发展,包括技术创新、研究扩展和应用前景三个维度。
5.1 技术创新
5.1.1 多模态模型
多模态模型通过DL特征对齐和融合,整合光谱、图像、文本等多模态食品数据,准确预测个体营养成分与健康指标之间的相关性,克服传统单模态模型的局限性,提高准确性和泛化能力。
5.1.2 可解释人工智能(XAI)模型
尽管AI取得了成就,但食品数据库异质性和DL模型可解释性有限仍是挑战。XAI通过 ante?hoc(模型特定,如线性回归和决策树)和 post?hoc(模型无关,如LIME、SHAP、Grad?CAM)方法增强透明度和可信度。XAI解释可分为局部和全局。语义可解释食品推荐本体(SEFRO)结合了XAI和语义互操作工具,但当前XAI系统在个性化方面仍显不足。
5.1.3 联邦学习(FL)模型
联邦学习通过“数据可用不可见”原则解决数据孤岛和隐私保护问题。参与者本地训练模型,仅上传加密参数至FL平台进行协作优化,得到平衡多源特征和隐私安全的联合模型。FL架构分为集中式、分散式和半分散式。
5.1.4 迁移学习模型
迁移学习将在一个任务中获得的知识应用到相关问题。例如,在结直肠癌患者拉曼光谱分类中,迁移学习提高了1D?CNN和1D?ResNet的准确性。在中医研究中,迁移学习实现了从有限病例到智能诊断的发展。然而,迁移学习面临负迁移、可解释性差和域适应困难等核心挑战。
5.2 研究扩展
5.2.1 基于基因的精准营养
基于基因的个性化营养–健康建模利用基因测序解读个体遗传多样性,识别关键营养素的吸收效率、代谢率和耐受阈值差异。整合食品营养数据、健康监测数据和生活方式信息,ML算法构建个性化关联模型。例如,将单核苷酸多态性(SNP)数据纳入ML模型计算代谢遗传风险评分(M?GRS)和维生素D遗传风险评分(D?GRS),实现基因型指导的精准营养干预。多组学数据整合能够构建微生物组–饮食–代谢相互作用的预测模型,靶向肠?脑轴改善认知健康。
5.2.2 极端环境营养
极端环境(如太空和高海拔)对人体生理功能有特殊影响,并对食品营养功能提出特殊要求。AI建模分析特定营养成分与极端环境适应能力及生理损伤修复之间的关联,为宇航员和高海拔作业人员提供精准营养保障方案。同时,AI结合精准农业调整农业生态系统以应对气候变化,维持粮食安全。
5.3 应用前景
5.3.1 智能膳食管理设备
智能膳食管理设备与可穿戴设备的深度融合正推动营养–健康管理从“被动推荐”向“实时干预”转变。可穿戴终端实时收集生理数据,同步链接智能膳食工具量化营养摄入,AI算法匹配生理状态与营养摄入的动态关联。例如,指尖可穿戴无创血糖监测仪利用双波长光电容积脉搏波(PPG)和优化多层感知器(MLP)神经网络实现连续血糖监测。商业产品如Dexcom和雅培的持续葡萄糖监测仪已成熟应用。
5.3.2 功能食品开发
AI驱动的食品工业健康导向转型正在加速,特别是在功能食品研发(R&D)中。AI挖掘食品营养成分数据库、人群健康监测数据、基因测序数据和临床研究结果,快速筛选合适的功能成分,构建“成分?功效”关联模型。例如,利用网络药理学和分子对接识别人参皂苷基功能食品的衰老相关靶点,ML模型优化生物合成途径和递送系统。另一项研究开发水稻天然肽网络(NPN),显著降低了TNF?α水平并改善老年人身体机能。
5.3.3 公共卫生策略
在公共卫生领域,基于AI的人群营养干预和慢性病预防策略制定成为关键驱动力。ML模型预测不同地区慢性病发病率与饮食模式的关联,为区域营养干预指南提供依据。抗菌素耐药性(AMR)是紧迫的公共卫生威胁,AI通过学习新耐药机制、预测候选药物和开展临床测试来应对。AI动态跟踪干预效果并实时调整防控策略,形成“数据收集?风险预测?干预实施?效果反馈”闭环管理。
6 结论
AI正深刻推动食品–营养–健康连续体的创新,构建了涵盖基础研究、产业应用和公共卫生的多维高精度系统。从技术角度看,联邦学习是营养研究中隐私保护多源数据整合的首选方案;迁移学习有效解决食品组学普遍的小样本局限;多模态融合模型为阐明复杂营养–健康机制提供跨维度分析路径。从实际应用角度看,基因型引导的个性化营养(如基于SNP的代谢风险评分)和环境特异性营养干预(如航天或高海拔条件)代表了精准营养产业化最有前景的近期应用。这些技术的融合正在加速该领域从广义群体平均膳食指南向动态、个体化健康优化框架转变,并以源头预防和全周期健康管理为基础。
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