Évaluer la nutrition des restos : une nouvelle méthode

Des régimes alimentaires pas terribles peuvent causer de gros soucis de santé comme l’obésité, le cancer, et les maladies cardiaques. En fait, une étude a montré qu’environ 11 millions de personnes sont mortes dans le monde en 2017 à cause de mauvaises habitudes alimentaires. Pour régler ces problèmes, différents groupes et experts poussent pour des choix alimentaires meilleurs. Les recherches montrent que les endroits où les gens achètent et mangent de la nourriture ont un gros impact sur ce qu'ils mangent et leur santé. Ces environnements alimentaires déterminent quels aliments sont disponibles, ce qui en fait un facteur clé pour la santé.

Quand l'Environnement alimentaire est mauvais, ça peut mener à de mauvaises choix alimentaires. Traditionnellement, ces environnements ont été classés par grandes catégories, comme les "déserts alimentaires", où il est difficile de trouver des épiceries, et les "marais alimentaires", où il y a trop de fast-food. Ces définitions ne prennent pas en compte la qualité des plats. Par exemple, il y a une grosse différence entre un plat de poulet frit et une salade de poulet grillé. Avoir ces infos aiderait les chercheurs et les décideurs à mettre en place de meilleures stratégies pour améliorer l'accès à des aliments plus sains.

#Objectif

Le but de ce travail est de mieux évaluer la qualité nutritionnelle des menus de restaurant. On veut prédire la qualité nutritionnelle des plats individuels et combiner ces prédictions pour créer des scores de qualité globaux pour le restaurant entier. La qualité nutritionnelle est un sujet complexe avec plein de définitions. Ici, on se concentre sur un aspect : la densité en nutriments. C’est la mesure de la quantité de nutriments dans un aliment par rapport à son poids. Les nutriments incluent les macronutriments, comme les protéines et les graisses, et les micronutriments, comme les vitamines et les minéraux.

On base notre étude sur l'idée que la densité en nutriments des plats de restaurant peut être prédite juste en utilisant les noms de ces plats. Ça faciliterait la collecte d'infos parce que les menus numériques sont généralement disponibles. Cependant, prédire la densité en nutriments juste avec les noms est un défi, car la plupart des menus de restaurant ne donnent pas d'infos détaillées sur les nutriments de chaque plat. Notre objectif est de déterminer à quel point on peut estimer la densité en nutriments à partir des noms des plats en utilisant des techniques d'apprentissage automatique.

#Méthodologie

Pour ça, on a conçu un modèle appelé Menu Item to NutrienT (MINT). Ce modèle prédit la densité en nutriments des aliments uniquement à partir de leurs noms. MINT apprend à partir de grandes quantités de Données de repas et de recettes. Plus précisément, il prédit un score global qui représente la densité en nutriments d'un plat. Le score est calculé en utilisant une méthode connue qui compare les nutriments recommandés avec ceux restreints dans un plat.

Pour entraîner le modèle, on utilise divers ensembles de données. On inclut des données anonymes sur les aliments, couvrant tout, des ingrédients crus aux plats complets. On accède à une grande base de données qui contient des infos sur les aliments, leurs ingrédients, et leurs nutriments. De plus, on utilise un ensemble de données contenant plus d'un million de recettes pour aider notre modèle à apprendre des noms et des ingrédients de divers plats.

Pour tester nos prédictions, on applique MINT à des aliments génériques déjà étiquetés avec leur densité en nutriments. Cependant, comme notre but ultime est d'évaluer les plats des menus de restaurant, on teste aussi le modèle avec de vrais menus de restaurant. Rassembler des données sur les menus de restaurant est difficile car beaucoup d'endroits ne partagent pas les infos nutritionnelles de leurs plats. Cependant, une loi exige que les chaînes de restaurants ayant plus de 20 emplacements partagent ces informations. On utilise un ensemble de données qui compile les éléments de menu et leurs nutriments de divers restaurants en chaîne.

On évalue MINT de trois manières : en regardant des plats individuels, des menus de restaurants entiers, et la qualité nutritionnelle globale d'un quartier. Pour ça, on connecte les données des restaurants avec une autre base de données qui a des informations sur les emplacements des restaurants.

#Contributions

1. On crée une méthode pour prédire la densité en nutriments des plats de restaurant.
2. On évalue le modèle avec plusieurs ensembles de données, montrant qu'il fonctionne mieux par rapport à des méthodes précédentes.
3. On utilise notre modèle pour analyser l'environnement alimentaire des restaurants à Los Angeles, découvrant que nos prédictions correspondent de près aux données du monde réel.

Ces contributions aident à mieux évaluer les environnements alimentaires, ce qui est essentiel pour les décideurs qui veulent améliorer la santé publique en ciblant les zones avec une faible qualité nutritionnelle.

#Travaux connexes

#Indicateurs de densité en nutriments

Une mauvaise santé alimentaire vient surtout du fait de ne pas consommer assez de nutriments recommandés et de groupes alimentaires plutôt que de manger trop de calories. Ça a conduit au développement de divers indicateurs continus pour évaluer la composition nutritionnelle des aliments. Par exemple, l'Indice de l'alimentation saine mesure les quantités de composants alimentaires importants dans le régime d'une personne.

#Informatique alimentaire

Il y a eu beaucoup de recherches pour extraire les propriétés des aliments à partir d'images et de textes. Certaines méthodes peuvent prédire des infos nutritionnelles à partir d'images d'aliments, tandis que d'autres se concentrent sur l'association des noms d'aliments avec des valeurs nutritionnelles. Cependant, ces méthodes ont souvent du mal avec les menus de restaurant qui contiennent des noms de plats uniques qui n'apparaissent pas dans les bases de données publiques. Ça rend les améliorations nécessaires.

#Embedding de texte

Les embeddings de mots sont des techniques utilisées pour représenter les mots sous forme de vecteurs numériques. Des Modèles comme Word2Vec et FastText ont été développés pour créer ces embeddings. Des approches plus récentes, comme BERT, offrent des représentations encore plus contextuelles des textes. Ces embeddings sont cruciaux pour prédire diverses propriétés des aliments et améliorer la précision des prédictions.

#Clustering et ajustement fin

Les méthodes de clustering nous permettent de regrouper des données sur des similitudes. Les méthodes traditionnelles créent des clusters distincts, tandis que les nouvelles techniques permettent aux éléments d'appartenir à plusieurs clusters. L'ajustement fin des modèles avec des données limitées est courant dans de nombreuses tâches d'IA et aide à améliorer la précision.

#Cadre MINT

MINT vise à prédire la densité en nutriments des plats individuels de restaurant et à combiner ces prédictions pour fournir un score global de densité en nutriments pour chaque restaurant. Le processus implique plusieurs étapes :

1. Collecte de données : On rassemble les noms des aliments, les ingrédients, et des recettes provenant de diverses sources. Cela inclut l'utilisation d'un modèle pour créer des embeddings à partir des données textuelles.

2. Prédiction de catégorie alimentaire : On utilise une méthode pour prédire le type de nourriture (par exemple, dessert, salade) en fonction du nom et des ingrédients du plat. Ça aide à regrouper des éléments similaires pour de meilleures prédictions.

3. Prédiction de densité en nutriments : On construit un modèle pour prédire le score de densité en nutriments basé sur les catégories alimentaires identifiées dans l'étape précédente.

Dans l'ensemble, MINT utilise une combinaison de techniques pour prédire la densité en nutriments avec précision, même quand les informations détaillées sur les ingrédients manquent.

#Évaluation de la densité en nutriments des restaurants

Au niveau du restaurant, on définit la Densité Nutritionnelle des Restaurants (RND) comme la densité nutritionnelle moyenne des plats du menu. On utilise un score spécifique parce que l'ensemble de données qu'on a obtenu n'inclut pas toutes les valeurs de micronutriments. En examinant les médianes de ces scores à travers différents restaurants, on peut comparer leur qualité nutritionnelle.

MINT nous permet d'évaluer la densité en nutriments des menus de restaurant en fonction des données disponibles. C'est particulièrement utile vu les conventions de nommage variées à travers les différents menus de restaurant.

#Évaluation des performances

On a testé MINT par rapport à plusieurs autres méthodes et on a constaté qu'il offrait des prédictions bien supérieures. Spécifiquement, MINT a obtenu un score élevé dans la prédiction de la densité en nutriments pour les aliments génériques et les plats réels des menus de restaurant.

On a comparé MINT avec des méthodes précédentes à la pointe qui reposaient sur l'association des noms d'aliments à des bases de données nutritionnelles spécifiques. MINT a été capable de prédire la densité en nutriments pour tous les éléments de menu, tandis que les méthodes traditionnelles ne pouvaient en associer qu'environ la moitié. Ça montre la force de MINT pour gérer des menus de restaurant divers.

#Distribution spatiale et analyse

En utilisant notre modèle, on a examiné la densité en nutriments de divers restaurants en chaîne à travers le comté de Los Angeles. On a découvert des différences significatives dans les scores RND entre les quartiers. Les restaurants plus sains avaient des scores plus élevés, tandis que ceux offrant des options pauvres en nutriments avaient des scores plus bas.

L'analyse a confirmé la relation entre les types de restaurants et leur densité en nutriments. Par exemple, les restaurants qui se concentrent sur les salades et d'autres repas sains avaient tendance à avoir des scores plus élevés, soutenant l'utilisation de MINT pour suivre les tendances de santé dans les environnements alimentaires.

#Limitations et travaux futurs

Bien que MINT représente un avancement significatif, il a des limitations. Le principal ensemble de données utilisé pour la validation ne comprend que des restaurants en chaîne, donc son efficacité dans les lieux non en chaîne reste incertaine. Cependant, la diversité au sein des restaurants en chaîne offre une bonne distribution des nutriments.

Une autre limitation est que MINT ne prend pas en compte les portions, ce qui signifie qu'il ne peut pas déterminer combien un plat particulier contribue à l'apport total en nutriments d'un individu. Des recherches futures pourraient explorer l'incorporation de ces aspects, ainsi que l'examen d'autres facteurs comme la sécurité alimentaire, la fraîcheur, le goût, et les prix.

#Conclusion

MINT propose une approche novatrice pour prédire la densité en nutriments des menus de restaurant en utilisant seulement les noms des plats. En combinant des techniques d'apprentissage automatique innovantes avec des ensembles de données disponibles publiquement, il évalue avec succès la qualité nutritionnelle et peut aider les décideurs à identifier les zones nécessitant un meilleur accès à la nutrition. Dans l'ensemble, MINT est un outil prometteur pour la recherche en santé publique et pourrait jouer un rôle crucial dans l'amélioration des choix alimentaires à plus grande échelle.