Fugu-MT 論文翻訳(概要): LLMs for energy and macronutrients estimation using only text data from 24-hour dietary recalls: a parameter-efficient fine-tuning experiment using a 10-shot prompt

論文の概要: LLMs for energy and macronutrients estimation using only text data from 24-hour dietary recalls: a parameter-efficient fine-tuning experiment using a 10-shot prompt

arxiv url: http://arxiv.org/abs/2509.13268v1
Date: Tue, 16 Sep 2025 17:26:17 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-17 17:50:53.200972
Title: LLMs for energy and macronutrients estimation using only text data from 24-hour dietary recalls: a parameter-efficient fine-tuning experiment using a 10-shot prompt
Title（参考訳）: 24時間リコールのテキストデータのみを用いたエネルギー・マクロ栄養素推定のためのLCM--10ショットプロンプトを用いたパラメータ効率の良い微調整実験-
Authors: Rodrigo M Carrillo-Larco,
Abstract要約: 大型言語モデル(LLM)は、消費される食品のテキスト記述のみに基づいて栄養価を正確に予測することができる。全国健康栄養調査(NHANES)において,12～19歳の青年期の24時間の食生活リコールを行った。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: BACKGROUND: Most artificial intelligence tools used to estimate nutritional content rely on image input. However, whether large language models (LLMs) can accurately predict nutritional values based solely on text descriptions of foods consumed remains unknown. If effective, this approach could enable simpler dietary monitoring without the need for photographs. METHODS: We used 24-hour dietary recalls from adolescents aged 12-19 years in the National Health and Nutrition Examination Survey (NHANES). An open-source quantized LLM was prompted using a 10-shot, chain-of-thought approach to estimate energy and five macronutrients based solely on text strings listing foods and their quantities. We then applied parameter-efficient fine-tuning (PEFT) to evaluate whether predictive accuracy improved. NHANES-calculated values served as the ground truth for energy, proteins, carbohydrates, total sugar, dietary fiber and total fat. RESULTS: In a pooled dataset of 11,281 adolescents (49.9% male, mean age 15.4 years), the vanilla LLM yielded poor predictions. The mean absolute error (MAE) was 652.08 for energy and the Lin's CCC <0.46 across endpoints. In contrast, the fine-tuned model performed substantially better, with energy MAEs ranging from 171.34 to 190.90 across subsets, and Lin's CCC exceeding 0.89 for all outcomes. CONCLUSIONS: When prompted using a chain-of-thought approach and fine-tuned with PEFT, open-source LLMs exposed solely to text input can accurately predict energy and macronutrient values from 24-hour dietary recalls. This approach holds promise for low-burden, text-based dietary monitoring tools.
Abstract（参考訳）: BACKGROUND: 栄養成分を推定するために使用される人工知能ツールのほとんどは、イメージ入力に依存しています。しかし,大言語モデル (LLM) が, 消費食品のテキスト記述のみに基づいて栄養価を正確に予測できるかどうかは不明である。このアプローチが有効であれば、写真を必要とせずに食事の監視がより簡単になる可能性がある。方法】全国健康栄養調査(NHANES)では,12～19歳の青年の食生活を24時間リコールした。オープンソースの量子化LDMは、エネルギーを見積もる10ショットのチェーン・オブ・シントアプローチと、食品とその量を列挙する文字列のみに基づく5つのマクロ栄養素を用いて誘導された。次に,パラメータ効率の微調整(PEFT)を適用し,予測精度の向上を検証した。 NHANESで計算された値は、エネルギー、タンパク質、炭水化物、全糖、食物繊維、全脂肪の基礎的真理として機能した。結果: 11,281人の青年(49.9%、平均年齢15.4歳)のプールデータセットでは、バニラLSMは予測が不十分であった。平均絶対誤差 (MAE) はエネルギーに対して652.08であり、リンのCCC <0.46は終点を越えた。対照的に微調整されたモデルでは、エネルギーMAEはサブセットで171.34から190.90の範囲で、リンのCCCは全ての結果に対して0.89を超えた。結論: PEFTで微調整されたチェーン・オブ・シント・アプローチを用いて、テキスト入力のみに露出したオープンソースのLCMは、24時間の食事リコールからエネルギーとマクロ栄養価を正確に予測することができる。このアプローチは、低バーデンでテキストベースのダイエット監視ツールを約束する。

論文の概要: LLMs for energy and macronutrients estimation using only text data from 24-hour dietary recalls: a parameter-efficient fine-tuning experiment using a 10-shot prompt

関連論文リスト