Artificial intelligence and nutrition assessment: a literature review

Paulina Judzinskytė

1

, Kristė Maldauskaitė

1

, Aušrinė Budrytė

2

1

Lithuanian University of Health Sciences, Academy of Medicine, Faculty of Medicine, Kaunas, Lithuania

2

Lithuanian University of Health Sciences, Department of Family Medicine, Kaunas, Lithuania

search system "PubMed". The studies were analyzed using relevant keywords and their combinations. Results. In

nutritional assessment, AI is most commonly applied using machine learning (ML) and deep learning (DL)

methods adapted to analyze large volumes of nutritional and visual data. Image recognition-based systems allow

the automatic recording of food consumption, assessment of portion sizes, and calculation of energy and

nutritional value, achieving 74–99 % recognition accuracy. In clinical practice, AI solutions are used to assess the

risk of malnutrition, determine nutrient intake and predict the risk of nutrition-related diseases. Conclusions. AI

demonstrates potential as a supportive tool in dietary assessment, however, due to the lack of standardized

guidelines, its use in clinical practice should be supervised by healthcare professionals.

Keywords: artificial intelligence, nutritional assessment, food intake monitoring.

Dirbtinis intelektas ir mitybos vertinimas: literatūros apžvalga

1

Lietuvos sveikatos mokslų universitetas, Medicinos akademija, Medicinos fakultetas, Kaunas, Lietuva

2

Lietuvos sveikatos mokslų universitetas, Šeimos medicinos klinika, Kaunas, Lietuva

Santrauka

Įvadas. Dirbtinis intelektas (DI) tampa vis aktualesne technologija, leidžiančia efektyviai analizuoti sudėtingus ir

didelės apimties duomenis. Mitybos moksluose šios technologijos atveria galimybes tikslesniam mitybos įpročių

vertinimui ir personalizuotų rekomendacijų kūrimui, reikšmingų tiek klinikinei praktikai, tiek visuomenės

sveikatai. Tyrimo tikslas. Įvertinti DI taikymą mitybos vertinime ir jo galimybes klinikinėje praktikoje. Tyrimo

metodai. Atlikta 2015 – 2025 m. publikuotų mokslinių šaltinių analizė, naudojant informacinę paieškos sistemą

Išvados. DI gali būti naudojamas kaip pagalbinė mitybos vertinimo priemonė, tačiau dėl standartizuotų gairių

stokos jo taikymas klinikinėje praktikoje turėtų vykti su specialisto priežiūra.

Raktažodžiai: dirbtinis intelektas, mitybos vertinimas, maisto suvartojimo stebėjimas.

1. Įvadas

Dirbtinis intelektas (DI) šiandien laikomas viena

sparčiausiai progresuojančių technologijų, turinčių

reikšmingą įtaką įvairioms mokslo ir praktikos

sritims. DI esmė – kurti sistemas, gebančias atlikti

užduotis, kurios įprastai siejamos su žmogaus

skirtas aiškiai apibrėžtoms užduotims atlikti,

pavyzdžiui, kalbos ar vaizdų apdorojimui,

diagnostinių modelių kūrimui ar duomenų analizei.

Šiuos DI sprendimus įgalina pažangūs algoritminiai

metodai – mašininis mokymasis (MM), gilusis

mokymasis (GM), natūralios kalbos apdorojimas

(NKA) ir kompiuterinė rega (KR). Šios

technologijos leidžia apdoroti didelės apimties

duomenis bei suteikia galimybę DI sistemoms veikti

tiksliai ir efektyviai [2]. Sparčiai vystantis DI

analizuoti didelės apimties, nelinearius duomenis,

todėl gali atskleisti dėsningumus, kurie tradiciniais

analizės metodais būtų sunkiai identifikuojami [4–

6]. Pastaraisiais metais DI vis dažniau taikomas ir

mitybos moksluose: naudojamas maisto atvaizdų

atpažinimui, suvartotų maistinių medžiagų

įvertinimui, mitybos elgsenos analizei bei

personalizuotų rekomendacijų kūrimui [7]. Šios

technologijos tampa svarbia priemone vertinant tiek

klinikinių pacientų, tiek bendrosios populiacijos

Šios literatūros apžvalgos tikslas – apžvelgti DI

taikymą mitybos vertinime ir jo galimybes

klinikinėje praktikoje.

2. Metodika

Mokslinės literatūros apžvalga buvo rengiama

atlikta naudojant šių raktinių žodžių kombinacijas:

nutrition, artificial intelligence, diet, dietary

assessment. Duomenų bazėje naudoti filtrai: 10

years, english. Paieškai buvo naudojami šie

įtraukimo kriterijai:

1. Mokslinėje publikacijoje pateikta informacija

nors apie vieną tyrimui reikalingą temą: DI, jo

taikymą mitybos srityje, mitybos įpročių vertinimą

ar su DI pagrįstų mitybos technologijų naudojimą.

2. Mokslinės publikacijos išleidimo data yra 2015-

neatitinkančios nagrinėjamos temos.

2 .Negauta prieiga iš LSMU kompiuterių tinklo.

Į duomenų bazę suvedus raktinių žodžių derinius iš

viso gauti 4834 bibliografiniai įrašai. Mokslinės

publikacijos buvo atrenkamos trimis etapais.

Pirmojo etapo metu atmesti straipsniai, išleisti

seniau nei prieš 10 metų ir parašyti ne anglų kalba

bei dublikatai. Tuomet atsižvelgiant į pavadinimą ir

santrauką, įtrauktos publikacijos potencialiai

atitinkančios įtraukimo kriterijus. Paskutinio etapo

publikacijos. Į literatūros apžvalgą buvo įtrauktos 36

publikacijos.

3. Rezultatai

3.1. Dirbtinis intelektas

Medicinoje DI taikyme pagrindinį vaidmenį atlieka

Prižiūrimo mokymosi metodu naudojami pažymėti

duomenų rinkiniai, kuriuose kiekvienam įrašui yra

žinoma teisinga išvestis, todėl algoritmai mokomi

klasifikuoti ir prognozuoti pagal pateiktus

pavyzdžius. Šiai grupei priskiriami tokie plačiai

taikomi metodai kaip neuroniniai tinklai, atraminių

vektorių mašina ar atsitiktinių miškų algoritmas.

Medicinoje jie naudojami ligų rizikai įvertinti,

pacientų rizikos grupėms išskirti ir klinikinėms

baigtims prognozuoti [9–11]. Neprižiūrimo

tradiciniais statistiniais metodais gali likti

nepastebėti [12,13]. MM posritis – gilusis

mokymasis (GM) – paremtas giliųjų neuroninių

tinklų architektūromis. Jis ypač tinkamas

nestruktūrizuotiems, didelės apimties duomenims

(vaizdams, signalams, tekstui) analizuoti, todėl

plačiai taikomas sudėtingose biomedicininių ir

mitybos tyrimų užduotyse, kur reikalingas didelis

atpažinimo ir prognozavimo tikslumas [8–13]. GM

pagrindu kuriamos ir KR sistemos, leidžiančios iš

maistinių medžiagų kiekį [14]. Taigi, medicinoje

taikomi DI būdai sudaro metodologinį pagrindą

sudėtingų biomedicininių ir mitybos duomenų

analizei, leidžiančiai efektyviau identifikuoti

dėsningumus ir prognozuoti klinikines baigtis.

atpažinimo ir GM metodų srityje, DI yra praktiškai

panaudojamas mitybos vertinime kasdienybėje su

įrankiais, kurie atpažįsta maisto produktus iš

nuotraukų ir automatiškai registruoja valgius,

vertina porcijas, apskaičiuoja kalorijas,

maistingumą bei atpažįsta valgymo proceso

judesius, naudojant nešiojamus įrenginius (pvz.,

išmaniuosius laikrodžius), taip sumažindami

neregistruojamų valgymų skaičių. GM metodu bei

vaizdo atpažinimu pagrįstos mitybos vertinimo

vaizde ir sėkmingai įvertinti maisto porcijas, tokį

praktinį automatinio valgio registravimo pritaikymą

pademonstravo klasikinės išmaniųjų telefonų

sistemos [18]. Šiuolaikiniai metodai geba gaunamus

vaizdus susieti su struktūrizuotomis mitybos

duomenų bazėmis. Tokie metodai su mažesne

paklaida nei klasikinės mitybos programėlės gali

apskaičiuoti ne tik suvartojamo maisto kaloringumą

ir pagrindines maistines medžiagas, bet ir įvertinti

gaunamų vitaminų ir mineralų kiekį [19].

maisto duomenis, tačiau nepakankamai įvertina ar

pervertina maisto suvartojimą, ypač paklaidos

didėja vartojant dideles porcijas ar gėrimus. Šią

problemą padeda spręsti vartotojo galimybė

koreguoti suvartojamus produktus bei porcijas [20].

DI pagalba naudojant kelis nešiojamus įrenginius,

nustatyti valgymo laikotarpius [21]. Naudodami

elektromiografiją, optinius ar pjezoelektrinius

jutiklius išmanieji akiniai gali atpažinti kramtymo

veiksmus. Laboratorijos sąlygomis, tai atlieka

daugiau nei 90 proc. tikslumu, o bendrojoje

populiacijoje tikslumas siekia maždaug 77–95 proc.

Taip pat šis įrenginys padeda sekundžių tikslumu

nustatyti kada prasideda ir baigiasi valgymas [22–

24]. Apžvalginiai tyrimai rodo, kad šios priemonės,

lyginant su maisto dienoraščiais ir 24 valandų

Taigi, DI grįsti mitybos vertinimo metodai leidžia

reikšmingai sumažinti saviregistracijos klaidas ir

respondentų apkrovą, užtikrinant tikslesnį ir

išsamesnį maisto suvartojimo stebėjimą kasdienėje

aplinkoje.

3.3. Mitybos vertinimo metodai klinikinėje

praktikoje

Analizuojami tyrimai rodo, kad DI gali turėti svarbų

vaidmenį ir klinikinėje praktikoje. Salinari ir kt.

gydymo procesus. Autoriai pabrėžia, kad šių

technologijų integravimas į sveikatos priežiūros

praktiką gali prisidėti prie greitesnės diagnostikos,

personalizuotos medicinos taikymo, ligų vertinimo

ir stebėsenos efektyvumo bei sveikatos priežiūros

kaštų mažinimo [29]. Papathanail ir kt. pasiūlė

ligoninės praktiką, tiek su kontroliniu vertinimu,

kurį atliko du dietologai ir medicinos studentas.

Nustatyta, kad DI sistema makroelementų

suvartojimą įvertino su mažesne nei 15 proc.

paklaida, o energijos suvartojimą – su 11,64 proc.

paklaida, tuo tarpu slaugos personalo vertinimų

paklaida viršijo 30 proc. ir 31,45 proc. [30]. MM

metodai taip pat gali būti pritaikyti siekiant

prognozuoti su mityba susijusią širdies bei

kraujagyslių ligų riziką. Retrospektyviniame

tai rodo gerą gebėjimą atskirti asmenis, turinčius

didesnę ir mažesnę ligos riziką, o didžiausią reikšmę

turėję mitybos veiksniai buvo natrio, alkoholio ir

kofeino suvartojimas [31]. 2020 m. Australijoje

atliktame tyrime panaudotas DI virtualus asistentas

„Paola“, kuris buvo pritaikytas gyvenimo būdo

keitimo programoje, apimančioje Viduržemio jūros

dietos principais grįstas mitybos rekomendacijas ir

fizinio aktyvumo tikslų formavimą. Tyrime

dalyvavo 31 asmuo, 45–75 m. amžiaus, kurie 12

laikotarpiu nustatytas statistiškai reikšmingas kūno

svorio (–1,3 kg) ir liemens apimties sumažėjimas (–

2,1 cm). Kitaip tariant, DI pagrįstas skaitmeninis

asistentas gali būti veiksminga priemonė palaikant

mitybos ir fizinio aktyvumo pokyčius [32]. Vis dėlto

dauguma šių sprendimų šiuo metu turėtų būti

mitybos planus, atsižvelgiant į saugumą ir tikslumą.

Buvo analizuoti 56 patiekalai, kuriuos DI sukūrė

fiktyviai, maisto alergijų turinčiai, moteriai.

Nustatyta, kad 4 patiekaluose buvo alergenų,

nepaisant aiškiai nurodytų apribojimų. Taip pat

sąmoningai pasirinkus energiškai nepakankamą

dietą, modelis nepateikė jokio perspėjimo, o kai

kuriuose patiekaluose neteisingai apskaičiavo

energinę vertę. Nors „ChatGPT“ rekomendacijos

formaliai atitiko bendrąsias mitybos gaires, autoriai

Nustatyta, kad mitybos žinių tikslumas siekė 60,5

proc. („ChatGPT“) ir 74,5 proc.(„ChatGPT-4“), o

ketogeninės dietos klausimais atsakymai 80,7 proc.

sutapo su ekspertų vertinimais. Kitaip tariant,

dauguma atsakymų buvo įvertinti kaip geri (48,81

proc.) arba priimtini (47,62 proc.), tačiau dalis –

kaip kliniškai nepriimtini (3,57 proc.). Nors modelis

sėkmingai išlaikė Kinijos registruoto dietologo

egzaminą, autoriai pažymėjo, kad klinikiniai

tyrimai, vertinantys realų poveikį pacientų sveikatos

savarankiška mitybos konsultavimo priemonė [35].

Dauguma DI pokalbių robotų naudoja įtikinimo ir

santykio kūrimo strategijas, kurios gali didinti

naudotojų įsitraukimą, tačiau kartu kelia riziką, jog

pateikiama informacija bus priimama nekritiškai,

ypač neturint specialisto priežiūros [35, 36]. Taigi,

4. Išvados

1. Dirbtinis intelektas mitybos vertinime

sudaro galimybes tiksliau fiksuoti maisto

suvartojimą, įvertinti porcijų dydžius ir apskaičiuoti

energinę bei maistinę vertę, taip sumažinant

saviregistracijos sukeltas klaidas.

2. Tyrimų duomenys rodo, kad dirbtinio

intelekto metodai gali būti pritaikomi mitybos

būklės vertinimui ir su mityba susijusių ligų rizikos

prognozavimui klinikinėje praktikoje, tačiau jų

Literatūros šaltiniai

1. Boden MA. Ai: Its Nature and Future. 2016

[cited 2025 Dec 13]. Available from:

https://philpapers.org/rec/BODAIN

2. Sak J, Suchodolska M. Artificial

Intelligence in Nutrients Science Research: A

Review. Nutrients. 2021 Feb 1 [cited 2025 Dec

13];13(2):1–17. Available from:

https://pubmed.ncbi.nlm.nih.gov/33499405/

applications and future directions. PLoS Med

[Internet]. 2018 Nov 1;15(11). Available from:

https://pubmed.ncbi.nlm.nih.gov/30500815/

4. Devika NT, Raman K. Deciphering the

metabolic capabilities of Bifidobacteria using

genome-scale metabolic models. Scientific Reports

of Food on the Gut Ecosystem Based on the

Combination of Machine Learning and Network

Visualization. Nutrients [Internet]. 2017 Dec 1

[cited 2025 Dec 13];9(12). Available from:

https://pubmed.ncbi.nlm.nih.gov/29194366/

6. Mohammed A, Guda C. Application of a

hierarchical enzyme classification method reveals

the role of gut microbiome in human metabolism.

BMC Genomics [Internet]. 2015 Jun 11 [cited 2025

Dec 13];16 Suppl 7(Suppl 7). Available from:

https://pubmed.ncbi.nlm.nih.gov/30102808/

8. Jo T. Machine learning foundations:

Supervised, unsupervised, and advanced learning.

Machine Learning Foundations: Supervised,

Unsupervised, and Advanced Learning. 2021 Feb

12;1–391.

9. Viloria A, Herazo-Beltran Y, Cabrera D,

Pineda OB. Diabetes Diagnostic Prediction Using

Vector Support Machines. Procedia Comput Sci

[Internet]. 2020 Jan 1 [cited 2025 Dec 13];170:376–

https://www.sciencedirect.com/science/article/pii/S

1877050920305020

10. Pal M, Parija S. Prediction of Heart

Diseases using Random Forest. J Phys Conf Ser.

2021 Mar 15;1817(1).

11. Wang J, Yu H, Hua Q, Jing S, Liu Z, Peng

LiDAR and Non-LiDAR Technology in an

Autonomous Vehicle: Developing a Safety

Framework. Open Journal of Safety Science and

Technology. 2023 Jan 1;13(03):101–31.

13. Alashwal H, El Halaby M, Crouse JJ,

Abdalla A, Moustafa AA. The Application of

Unsupervised Clustering Methods to Alzheimer’s

Disease. Front Comput Neurosci [Internet]. 2019

May 24 [cited 2025 Dec 13];13. Available from:

https://pubmed.ncbi.nlm.nih.gov/31178711/

15. Chrintz-Gath G, Daivadanam M, Matta L,

McKeever S. Image-Based Dietary Assessment

Using the Swedish Plate Model: Evaluation of Deep

Learning-Based You Only Look Once (YOLO)

Models. JMIR Form Res [Internet]. 2025 [cited

2025 Dec 13];9. Available from:

https://pubmed.ncbi.nlm.nih.gov/40812290/

16. Raju VB, Imtiaz MH, Sazonov E. Food

Image Segmentation Using Multi-Modal Imaging

Sensors with Color and Thermal Data. Sensors

13];23(2). Available from:

https://pubmed.ncbi.nlm.nih.gov/36679357/

17. Shao W, Min W, Hou S, Luo M, Li T,

Zheng Y, et al. Vision-based food nutrition

estimation via RGB-D fusion network. Food Chem

[Internet]. 2023 Oct 30 [cited 2025 Dec 13];424.

13];9(3):525–33. Available from:

https://pubmed.ncbi.nlm.nih.gov/25901024/

19. Yan R, Luo H, Lu J, Liu D, Posluszny H,

Dhaliwal MP, et al. DietAI24 as a framework for

comprehensive nutrition estimation using

multimodal large language models.

Communications medicine [Internet]. 2025 Dec 1

[cited 2025 Dec 13];5(1). Available from:

https://pubmed.ncbi.nlm.nih.gov/41193610/

20. Zhang L, Misir A, Boshuizen H, Ocké M.

Fu H, et al. Enabling Eating Detection in a Free-

living Environment: Integrative Engineering and

Machine Learning Study. J Med Internet Res

[Internet]. 2022 Mar 1 [cited 2025 Dec 13];24(3).

Available from:

https://pubmed.ncbi.nlm.nih.gov/35230244/

22. Stankoski S, Kiprijanovska I, Gjoreski M,

Panchevski F, Sazdov B, Sofronievski B, et al.

Controlled and Real-Life Investigation of Optical

Tracking Sensors in Smart Glasses for Monitoring

2024 [cited 2025 Dec 13];12. Available from:

https://pubmed.ncbi.nlm.nih.gov/39325528/

23. Farooq M, Sazonov E. Segmentation and

Characterization of Chewing Bouts by Monitoring

Temporalis Muscle Using Smart Glasses With

Piezoelectric Sensor. IEEE J Biomed Health Inform

[Internet]. 2020 Jan 2 [cited 2025 Dec 13];20(2).

Available from:

https://pubmed.ncbi.nlm.nih.gov/31968532/

25. Zheng J, Wang J, Shen J, An R. Artificial

Intelligence Applications to Measure Food and

Nutrient Intakes: Scoping Review. J Med Internet

Res [Internet]. 2024 [cited 2025 Dec 13];26(1).

Available from:

https://pubmed.ncbi.nlm.nih.gov/39608003/

26. Mortazavi BJ, Gutierrez-Osuna R. A

Mondol AS, de la Haye K, et al. Automatic,

wearable-based, in-field eating detection approaches

for public health research: a scoping review. NPJ

Digit Med [Internet]. 2020 Dec 1 [cited 2025 Dec

13];3(1). Available from:

https://pubmed.ncbi.nlm.nih.gov/32195373/

28. Boushey CJ, Spoden M, Zhu FM, Delp EJ,

Kerr DA. New mobile methods for dietary

assessment: review of image-assisted and image-

based dietary assessment methods. Proc Nutr Soc

13];76(3):283–94. Available from:

https://pubmed.ncbi.nlm.nih.gov/27938425/

29. Salinari A, Machì M, Armas Diaz Y,

Cianciosi D, Qi Z, Yang B, et al. The Application of

Digital Technologies and Artificial Intelligence in

Healthcare: An Overview on Nutrition Assessment.

Novel Artificial Intelligence System to Monitor and

Assess Energy and Macronutrient Intake in

Hospitalised Older Patients. Nutrients 2021, 13,

4539.

31. Morgenstern, J.D.; Rosella, L.C.; Costa,

A.P.; Anderson, L.N. Development of machine

learning prediction models to explore nutrients

predictive of cardiovascular disease using Canadian

linked population-based data. Appl. Physiol. Nutr.

Metab. Physiol. Appl. Nutr. Metab. 2022, 47, 529–

Virtual Health Coach: Proof-of-Concept Study.

JMIR Mhealth Uhealth 2020, 8, e17558.

33. Sosa-Holwerda A, Park OH, Kembra

Albracht-Schulte, Surya Niraula, Thompson L,

Wilna Oldewage-Theron. The Role of Artificial

Intelligence in Nutrition Research: A Scoping

for people with food allergies. Nutrition 2023, 112,

112076.

35. Sun, H.; Zhang, K.; Lan, W.; Gu, Q.;

Jiang, G.; Yang, X.; Qin, W.; Han, D. An AI

Dietitian for Type 2 Diabetes Mellitus Management

Based on Large Language and Image Recognition

Models: Preclinical Concept Validation Study. J.

Med. Internet Res. 2023, 25, e51300.

36. Oh, Y.J.; Zhang, J.; Fang, M.L.; Fukuoka,

Y. A systematic review of artificial intelligence