Pengenalan
Penilaian diet (dietary assessment) merupakan asas kepada penyelidikan pemakanan dan pengurusan klinikal, kerana anggaran pengambilan tenaga dan nutrien yang tepat boleh menyumbang kepada diet yang lebih sihat dan hasil klinikal yang lebih baik [1]. Namun, ralat manusia dalam menganggar pengambilan makanan dikenal pasti sebagai salah satu punca utama bias dalam penyelidikan pemakanan [2]. Masalah ini turut berlaku dalam kehidupan seharian. Pengguna di restoran makanan segera didapati cenderung memandang rendah kandungan kalori hidangan yang mereka beli, terutamanya hidangan bersaiz besar [3].
Perkembangan kecerdasan buatan (artificial intelligence, AI), khususnya kaedah pembelajaran mendalam (deep learning), membuka kemungkinan baharu untuk mengurangkan bias tersebut [2]. Sistem seperti goFOOD™ direka untuk menganggar kandungan kalori dan makronutrien (macronutrients) sesuatu hidangan hanya berdasarkan imej yang dirakam menggunakan telefon pintar [1]. Persoalan utamanya ialah sejauh mana anggaran AI ini tepat berbanding anggaran manusia dan berbanding data rujukan (ground truth).
Artikel ini mengulas tiga kajian yang saling melengkapi. Kajian pertama membangunkan dan mengesahkan sistem goFOOD™ [1]. Kajian kedua merupakan sorotan sistematik (systematic review) terhadap kaedah penilaian diet berasaskan imej digital yang menggunakan AI [2]. Kajian ketiga mendokumentasikan sejauh mana pengguna sebenar tersilap menganggar kalori hidangan makanan segera [3]. Gabungan ketiga-tiga kajian ini membantu menjawab sama ada AI berpotensi menandingi atau mengatasi ketepatan manusia dalam menganggar kalori.
Sorotan Literatur
Ketiga-tiga kajian berkongsi satu titik tolak yang sama, iaitu kesukaran manusia menganggar kandungan tenaga makanan dengan tepat. Block et al. memberikan bukti empirikal tentang masalah ini melalui kajian keratan rentas (cross-sectional study) yang melibatkan lawatan berulang ke 89 restoran makanan segera di empat bandar di New England, Amerika Syarikat [3]. Shonkoff et al. pula mengangkat ralat manusia sebagai sumber bias utama dalam penyelidikan pemakanan, lalu menilai sama ada kaedah AI mampu mengurangkannya [2]. Lu et al. bertolak daripada premis bahawa anggaran maklumat nutrisi yang tepat boleh membawa kepada diet yang lebih sihat, lalu mencadangkan goFOOD™ sebagai penyelesaian automatik [1].
Dari segi objektif dan reka bentuk, ketiga-tiga kajian mewakili tahap analisis yang berbeza. Kajian Block et al. bersifat pemerhatian dan memberi tumpuan kepada tingkah laku anggaran oleh pengguna, iaitu 1877 orang dewasa, 1178 remaja dan 330 kanak-kanak usia sekolah, dengan data dikumpulkan pada tahun 2010 dan 2011 [3]. Kajian Lu et al. pula bersifat pembangunan dan pengesahan teknologi. Sistem goFOOD™ dinilai menggunakan dua pangkalan data multimedia yang mengandungi hidangan tidak piawai (non-standardized meals) dan hidangan makanan segera [1]. Kajian Shonkoff et al. pula berada pada tahap sintesis bukti. Kajian ini menyaring 14,059 penerbitan unik daripada empat pangkalan data elektronik dan carian rujukan, dengan carian sehingga Mei 2023, lalu mengekalkan 52 kertas kajian yang diterbitkan antara tahun 2010 hingga 2023 [2].
Persamaan yang ketara antara kajian Lu et al. dan sorotan Shonkoff et al. ialah penggunaan rangkaian neural dalam (deep neural networks) untuk mengesan dan mengelaskan makanan. goFOOD™ menggunakan rangkaian neural dalam bagi melaksanakan pengesanan, segmentasi (segmentation) dan pengecaman makanan [1]. Selaras dengan itu, Shonkoff et al. mendapati 79% daripada kertas kajian yang disorot menggunakan rangkaian neural konvolusi (convolutional neural network, CNN) bagi pengesanan dan pengelasan makanan [2]. Dapatan ini menunjukkan bahawa pendekatan yang digunakan oleh goFOOD™ sejajar dengan arus perdana dalam bidang ini.
Dari segi dapatan, terdapat kesinambungan yang jelas antara ketiga-tiga kajian. Block et al. menunjukkan bahawa pengguna memandang rendah kandungan kalori secara sistematik, dan magnitud anggaran rendah ini meningkat dengan ketara apabila kandungan kalori sebenar hidangan bertambah [3]. Lu et al. melaporkan bahawa goFOOD™ menunjukkan prestasi yang lebih baik daripada pakar dietetik berpengalaman pada pangkalan data hidangan tidak piawai, dan setanding dengan mereka pada pangkalan data makanan segera [1]. Shonkoff et al. kemudiannya merumuskan bahawa ralat relatif bagi anggaran isipadu dan kalori menunjukkan kaedah AI sejajar dengan, dan berpotensi mengatasi, ketepatan anggaran manusia [2]. Perkembangan ini memperlihatkan peralihan daripada mendokumentasikan masalah ralat manusia, kepada membangunkan sistem AI tertentu, dan seterusnya kepada menilai keseluruhan bukti dalam bidang tersebut.
Bagaimana Sistem goFOOD™ Menganggar Kalori Daripada Gambar
goFOOD™ ialah sistem penilaian diet berasaskan AI yang menganggar kandungan kalori dan makronutrien sesuatu hidangan semata-mata berdasarkan imej makanan yang dirakam menggunakan telefon pintar [1]. Sistem ini memerlukan input berupa dua imej hidangan atau satu video pendek [1]. Bagi telefon pintar konvensional yang mempunyai satu kamera, imej mesti dirakam dari dua sudut pandangan yang berbeza. Bagi telefon pintar yang dilengkapi dua kamera belakang pula, pengguna hanya perlu menekan butang pengatup sekali [1].
Proses anggaran dalam goFOOD™ boleh diringkaskan kepada beberapa peringkat utama [1]:
- Pengesanan makanan (food detection): rangkaian neural dalam memproses kedua-dua imej untuk mengenal pasti kehadiran makanan.
- Segmentasi (segmentation): setiap komponen makanan dalam hidangan diasingkan.
- Pengecaman (recognition): kategori setiap makanan ditentukan.
- Anggaran isipadu (volume estimation): algoritma pembinaan semula tiga dimensi (3D reconstruction) digunakan untuk menganggar isipadu makanan.
- Pengiraan nutrien: kandungan kalori dan makronutrien dikira berdasarkan kategori makanan, isipadu dan pangkalan data nutrien.
Sistem ini menyokong 319 kategori makanan terperinci (fine-grained food categories) [1]. Penggunaan dua sudut pandangan membolehkan sistem membina semula bentuk tiga dimensi hidangan. Maklumat ini penting kerana kandungan kalori bergantung bukan sahaja pada jenis makanan, tetapi juga pada kuantitinya [1].
Ketepatan AI Berbanding Penilai Manusia dan Data Rujukan
Bukti yang paling menyeluruh tentang ketepatan AI datang daripada sorotan sistematik Shonkoff et al., yang membandingkan kaedah penilaian diet berasaskan AI yang automatik sepenuhnya dengan penilai manusia dan data rujukan [2]. Data rujukan yang lazim digunakan dalam kajian-kajian yang disorot ialah pengiraan menggunakan jadual nutrien (51%) dan makanan yang ditimbang (weighed food) (27%) [2]. Sorotan ini turut menyebut kaedah seperti air berlabel berganda (doubly labelled water) sebagai contoh data rujukan [2].
Ralat relatif (relative error) dapat diekstrak atau dikira daripada 69% kertas kajian yang disorot [2]. Purata ralat relatif keseluruhan, iaitu perbezaan antara anggaran AI dan data rujukan, berjulat antara 0.10% hingga 38.3% bagi kalori, dan antara 0.09% hingga 33% bagi isipadu [2]. Julat yang hampir sama ini menunjukkan prestasi yang serupa bagi kedua-dua ukuran [2]. Julat ralat relatif juga lebih rendah apabila imej mengandungi makanan tunggal atau ringkas [2]. Oleh sebab pangkalan data imej makanan dan cara pelaporan dapatan sangat berbeza antara kajian, sintesis dilakukan secara naratif dan bukan melalui analisis meta (meta-analysis) [2].
Sebagai perbandingan, anggaran manusia menunjukkan corak ralat yang ketara dan berarah. Dalam kajian Block et al., purata kandungan kalori sebenar hidangan ialah 836 kalori (SP 465) bagi orang dewasa, 756 kalori (SP 455) bagi remaja, dan 733 kalori (SP 359) bagi kanak-kanak usia sekolah [3]. Berbanding nilai sebenar, peserta memandang rendah kandungan kalori dengan purata 175 kalori (selang keyakinan 95% [95% confidence interval] 145 hingga 205) bagi orang dewasa, 259 kalori (227 hingga 291) bagi remaja, dan 175 kalori (108 hingga 242) bagi kanak-kanak usia sekolah [3]. Model regresi linear multipembolehubah (multivariable linear regression) menunjukkan bahawa anggaran rendah ini meningkat dengan ketara seiring dengan peningkatan kandungan kalori sebenar hidangan [3].
Jenis restoran turut mempengaruhi anggaran pengguna. Orang dewasa dan remaja yang makan di Subway menganggar kandungan kalori 20% dan 25% lebih rendah berbanding pelanggan McDonald’s, dengan perubahan relatif masing-masing 0.80 (selang keyakinan 95% 0.66 hingga 0.96) dan 0.75 (0.57 hingga 0.99) [3]. Dapatan ini menunjukkan bahawa persepsi terhadap sesuatu jenama atau jenis hidangan boleh mempengaruhi anggaran kalori oleh manusia.
Dalam konteks makanan segera juga, goFOOD™ didapati setanding dengan pakar dietetik berpengalaman, manakala bagi hidangan tidak piawai, sistem ini mengatasi prestasi mereka [1]. Perbandingan ini penting kerana pakar dietetik mewakili penilai manusia yang terlatih, bukan pengguna biasa.
Perkara Penting yang Perlu Difahami
Beberapa perkara utama dapat dirumuskan daripada ketiga-tiga kajian ini:
- Ralat manusia bersifat sistematik. Pengguna makanan segera cenderung memandang rendah kandungan kalori, dan kecenderungan ini semakin besar apabila hidangan semakin besar [3]. Ralat manusia juga dikenal pasti sebagai sumber bias utama dalam penyelidikan pemakanan [2].
- AI berpotensi menandingi atau mengatasi manusia. Ralat relatif bagi anggaran isipadu dan kalori menunjukkan bahawa kaedah AI sejajar dengan ketepatan manusia dan berpotensi mengatasinya [2]. goFOOD™ mengatasi pakar dietetik berpengalaman bagi hidangan tidak piawai dan setanding dengan mereka bagi makanan segera [1].
- Kerumitan hidangan mempengaruhi ketepatan. Ralat relatif AI lebih rendah apabila imej mengandungi makanan tunggal atau ringkas [2].
- Anggaran isipadu ialah komponen kritikal. goFOOD™ menggabungkan pengecaman kategori makanan dengan anggaran isipadu melalui pembinaan semula tiga dimensi sebelum merujuk pangkalan data nutrien [1]. Prestasi AI bagi kalori dan isipadu juga didapati serupa [2].
- CNN mendominasi bidang ini. Sebanyak 79% kajian yang disorot menggunakan rangkaian neural konvolusi untuk pengesanan dan pengelasan makanan [2].
- Kemudahan penggunaan. goFOOD™ hanya memerlukan dua imej atau satu video pendek daripada telefon pintar, dan menyediakan penyelesaian yang ringkas serta cekap kepada pengguna akhir [1].
- Pendidikan pengguna tetap relevan. Block et al. mencadangkan bahawa pendidikan pengguna melalui pelabelan kalori pada menu (calorie menu labelling) dan usaha jangkauan lain berpotensi mengurangkan anggaran rendah yang besar [3].
Kesimpulan
Bukti daripada ketiga-tiga kajian menunjukkan bahawa manusia, sama ada pengguna biasa atau penilai terlatih, menghadapi kesukaran menganggar kalori dengan tepat. Pengguna makanan segera secara konsisten memandang rendah kandungan kalori hidangan mereka [3]. Sebaliknya, sistem AI seperti goFOOD™ mampu menganggar kalori dan makronutrien daripada imej telefon pintar dengan prestasi yang setanding atau lebih baik daripada pakar dietetik berpengalaman [1]. Sorotan sistematik terhadap 52 kajian pula menyokong kesimpulan bahawa kaedah AI sejajar dengan, dan berpotensi mengatasi, ketepatan anggaran manusia [2]. Secara keseluruhannya, penilaian diet berasaskan imej AI muncul sebagai pendekatan yang menjanjikan untuk mengurangkan bias anggaran manusia dalam bidang pemakanan.
Rujukan:
- Ya Lu et al. (2020). goFOODTM: An Artificial Intelligence System for Dietary Assessment. Sensors (Basel, Switzerland). https://doi.org/10.3390/s20154283
- Eleanor T. Shonkoff et al. (2023). AI-based digital image dietary assessment methods compared to humans and ground truth: a systematic review. Annals of Medicine. https://doi.org/10.1080/07853890.2023.2273497
- Jason P. Block et al. (2013). Consumers’ estimation of calorie content at fast food restaurants: cross sectional observational study. The BMJ. https://doi.org/10.1136/bmj.f2907
