[논문 리뷰] OBESEYE: Interpretable Diet Recommender for Obesity Management using Machine Learning and Explainable AI

Mrinmoy Roy, Srabonti Das외 1명|arXiv (Cornell University)|2023. 08. 05.

Nutritional Studies and Diet인용 수 8

한 줄 요약

OBESEYE는 기계 학습을 사용하여 개인의 영양소 필요량(탄수화물, 단백질, 지방, 수분)을 예측하고 동반질환을 고려하여 비만 관리에 도움을 주는 해석 가능한 다이어트 추천 시스템을 제안한다.

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.

연구 동기 및 목표

• 비만 관리에서 특히 동반질환이 있는 환자에게 개인 맞춤 다이어트 계획의 필요성에 대한 동기를 부여한다.
• 개인별 영양소 요구량(수분, 탄수화물, 단백질, 지방)을 예측하는 머신 러닝 시스템을 개발한다.
• 각 영양소 예측에 대해 어떤 모델이 가장 잘 작동하는지 식별하기 위해 여러 ML 모델을 평가한다.
• 임상 의사결정 및 사용자 신뢰를 지원하기 위해 해석가능성을 통합한다.
• 신체 조건 및 동반질환을 고려한 다이어트 권고를 촉진한다.

제안 방법

• 수분, 탄수화물, 단백질 및 지방의 영양 섭취량을 예측하기 위해 다수의 ML 알고리즘(선형 회귀, SVM, 의사결정 트리, 랜덤 포레스트, XGBoost, LightGBM)을 적용한다.
• 정확도 지표로 RMSE를 사용하여 모델을 평가한다(낮은 RMSE일수록 예측이 더 좋다).
• 영양소별로 가장 우수한 모델을 식별한다(예: 수분은 선형 회귀, 탄수화물은 랜덤 포레스트, 단백질과 지방은 LightGBM).
• 임상적 관련성 및 식이 권고의 설명가능성과 일치하도록 해석가능성에 중점을 둔다.

실험 결과

연구 질문

• RQ1 머신 러닝이 비만 관리에서 개인의 영양소 요구량을 정확히 예측할 수 있는가?
• RQ2 수분, 탄수화물, 단백질, 지방 섭취를 예측하는 데 어떤 ML 모델이 가장 효과적인가?
• RQ3 동반질환 및 신체 조건 정보를 포함하는 것이 식단 권고에 어떤 영향을 미치는가?
• RQ4 시스템이 임상 의사결정을 지원하는 해석 가능한 다이어트 권고안을 생성할 수 있는가?

주요 결과

• 평가된 모델 중 수분 예측에서 선형 회귀가 최상의 성능을 달성했다.
• 탄수화물 섭취에 대해서 랜덤 포레스트가 최상의 예측으로 나타났다.
• 단백질과 지방 섭취에 대해 LightGBM이 가장 강력한 예측을 제공했다.
• 선정된 영양소에서 높은 예측 정확도와 낮은 RMSE를 보고한다.
• OBESEYE는 동반질환 및 신체 조건을 권고에 통합하는 독특한 다이어트 추천기로 제시된다.