Applications of artificial intelligence in personalized nutrition interventions
Ya Zhang · Meijing Feng · Qiuyan Xue 等 5 人
综述AI在个性化营养干预中的应用，涵盖生物、技术、临床三层并评估证据强度。
综述多组学、机器学习、深度学习、LLM、知识图谱、数字孪生与CGM闭环系统。
T2DM/糖尿病前期证据最成熟，AI个性化干预优于地中海饮食；肥胖、心血管、肿瘤等证据仍混合或初步。
可探索将AI个性化营养与农业食品生产、膳食推荐及可穿戴设备数据闭环结合，并关注数据偏差与公平性。
该文为医学营养领域的AI综述，与三农、农业信息化、智慧农业无直接关联，不建议进入每日精选。
不健康的饮食模式仍是全球肥胖、2型糖尿病(T2DM)、心血管疾病和癌症负担的主要可改变因素。然而，个体对相同食物的反应可能显著不同，这限制了一刀切式饮食指导的有效性。本综述从三个相互关联的层面考察人工智能(AI)在个性化营养干预中的应用。在生物学层面，个体间差异可通过三个机制维度加以表征：营养基因组学变异，其影响营养素代谢和疾病易感性；代谢组学生物标志物，其可客观反映膳食暴露和早期代谢改变；以及肠道微生物组，其双向介导饮食–宿主相互作用。在技术层面，AI将这些维度整合为多模态数字画像。机器学习模型可预测个体餐后血糖和血脂反应，在大型队列中报告的相关性高达r = 0.77；深度学习和计算机视觉可自动化膳食评估；自然语言处理和大语言模型(LLMs)可支持营养咨询；知识图谱可实现约束感知的食物推荐；结合连续血糖监测和可穿戴设备数据的数字孪生和自适应闭环系统可支持实时营养干预。然而，临床证据强度在不同疾病领域存在差异。T2DM和糖尿病前期的血糖管理目前拥有最成熟的随机对照试验证据：一项AI赋能的个性化干预将算法驱动的饮食个性化与CGM关联反馈相结合，与地中海饮食相比改善了血糖终点，而一项完全自动化、由AI实施的糖尿病预防项目取得了不劣于人工指导的结果。在肥胖、心血管疾病、肿瘤学和胃肠道疾病中，证据仍不一致或处于初步阶段。临床转化还面临重大挑战，包括膳食和多组学数据存在偏倚且标准化不一致；非欧洲人群代表性不足，这限制了模型可泛化性并引发对健康公平性的担忧；模型可解释性有限；隐私和数据治理挑战；作为医疗器械的自适应软件监管路径尚不成熟；以及与