[論文レビュー] OBESEYE: Interpretable Diet Recommender for Obesity Management using Machine Learning and Explainable AI

Mrinmoy Roy, Srabonti Das+1 more|arXiv (Cornell University)|Aug 5, 2023

Nutritional Studies and Diet被引用数 8

ひとこと要約

OBESEYE は、機械学習を用いて個々の栄養素要件（炭水化物、たんぱく質、脂肪、体液）を予測し、併存症を考慮した肥満管理をサポートする、解釈可能なダイエット推奨システムを提案します。

ABSTRACT

Obesity, the leading cause of many non-communicable diseases, occurs mainly for eating more than our body requirements and lack of proper activity. So, being healthy requires heathy diet plans, especially for patients with comorbidities. But it is difficult to figure out the exact quantity of each nutrient because nutrients requirement varies based on physical and disease conditions. In our study we proposed a novel machine learning based system to predict the amount of nutrients one individual requires for being healthy. We applied different machine learning algorithms: linear regression, support vector machine (SVM), decision tree, random forest, XGBoost, LightGBM on fluid and 3 other major micronutrients: carbohydrate, protein, fat consumption prediction. We achieved high accuracy with low root mean square error (RMSE) by using linear regression in fluid prediction, random forest in carbohydrate prediction and LightGBM in protein and fat prediction. We believe our diet recommender system, OBESEYE, is the only of its kind which recommends diet with the consideration of comorbidities and physical conditions and promote encouragement to get rid of obesity.

研究の動機と目的

• 肥満管理における個別化ダイエット計画の必要性を動機づける、特に併存症を持つ患者に対して。
• 個々の栄養素要件（体液、炭水化物、たんぱく質、脂肪）を予測する機械学習システムを開発する。
• 各栄養素予測で最も性能が高いモデルを特定するため、複数の ML モデルを評価する。
• 解釈可能性を組み込み、臨床意思決定とユーザーの信頼を支援する。
• 身体条件と併存症を考慮したダイエット推奨を促進する。

提案手法

• 体液、炭水化物、たんぱく質、脂肪の栄養摂取を予測するために、リニア回帰、SVM、決定木、ランダムフォレスト、XGBoost、LightGBM の複数の ML アルゴリズムを適用する。
• 精度指標として RMSE を用いてモデルを評価する（RMSE が低いほど予測は良い）。
• 栄養素ごとに最も優れたモデルを特定する（例：体液は線形回帰、炭水化物はランダムフォレスト、たんぱく質と脂肪は LightGBM）。
• 臨床的関連性と説明可能性に一致するよう、解釈性を重視する。

実験結果

リサーチクエスチョン

• RQ1 機械学習は肥満管理の個別栄養素要件を正確に予測できるか。
• RQ2 体液、炭水化物、たんぱく質、脂肪の摂取予測に最も効果的な ML モデルは何か。
• RQ3 併存症と身体条件情報を組み込むとダイエット推奨にどのような影響を与えるか。
• RQ4 システムは臨床意思決定を支える解釈可能なダイエット推奨を生成できるか。

主な発見

• 体液予測では、評価されたモデルの中で線形回帰が最も良い性能を示した。
• 炭水化物摂取予測ではランダムフォレストが最良の予測を示した。
• たんぱく質と脂肪摂取予測には LightGBM が最も強い予測を提供した。
• 選択した栄養素に対して高い予測精度と低い RMSE を報告している。
• 併存症と身体条件を推奨に組み込むユニークなダイエット推奨システムとして OBESEYE が提示されている。