論文の概要: MetaPlate: Counterfactual-Guided RAG-LLM Tool for Personalized Food Recommendation and Hyperglycemia Prevention

• arxiv url: http://arxiv.org/abs/2606.10120v2
• Date: Wed, 10 Jun 2026 02:51:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 14:23:44.37672
• Title: MetaPlate: Counterfactual-Guided RAG-LLM Tool for Personalized Food Recommendation and Hyperglycemia Prevention
• Title（参考訳）: MetaPlate: 個人化食品レコメンデーションと高血糖予防のための偽ガイドRAG-LLMツール
• Authors: Asiful Arefeen, Carol Johnston, Hassan Ghasemzadeh,
• Abstract要約: 先天性高血糖は代謝異常の重要な危険因子である。 既存の食事指導は静的で、実用的でなく、パーソナライズが不十分であることが多い。 パーソナライズされた食事レコメンデーションを生成するコンテキスト認識フレームワークであるMetaPlateを提案する。
• 参考スコア（独自算出の注目度）: 1.962656580942496
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Postprandial hyperglycemia is a key risk factor for metabolic disorders; however, existing dietary guidance is often static, impractical, and insufficiently personalized, providing recommendations that are difficult to follow or not impactful. While recent advances leverage continuous glucose monitoring (CGM) and machine learning to predict glycemic responses, these approaches are largely predictive and lack actionable guidance. Moreover, recommendation systems are often misaligned with user goals and require extensive input. We present MetaPlate, a counterfactual explanation (CF) guided, context-aware decision-support framework that generates personalized meal recommendations to mitigate postprandial glucose excursions in healthy adults. MetaPlate integrates multimodal data, including CGM readings, wearable-derived physiological signals, and user-provided meal inputs from $25$ individuals to model pre-meal context. A machine learning model predicts glucose response, while a CF optimization module adjusts meal composition modifying macronutrient amounts to maintain glucose levels within a target range ($\leq 140$ mg/dL). An LLM-based retrieval-augmented generation (RAG) layer enhances interpretability by producing human-readable recommendations using constrained search of the USDA food database. We evaluate MetaPlate via a structured expert-in-the-loop assessment with registered dietitians (RDs), comparing performance before and after prompt refinement. Results show improvements in meal realism, portion suitability, and recommendation likelihood, with expert feedback indicating a shift from clinically implausible outputs to actionable, contextually appropriate recommendations. Our findings emphasize the importance of domain knowledge and structured constraints in LLM-driven systems and highlight the potential of MetaPlate as a real-time personalized dietary decision-support tool.
• Abstract（参考訳）: 先天性高血糖は代謝障害の重要な危険因子であるが、既存の食事指導は静的で、実用的でなく、パーソナライズが不十分で、従うことが困難で、影響を受けないレコメンデーションを提供することが多い。 最近の進歩は、血糖モニタリング(CGM)と機械学習を利用して血糖反応を予測するが、これらのアプローチは概ね予測的であり、実用的なガイダンスが欠如している。 さらに、リコメンデーションシステムはユーザー目標と不一致であり、広範囲のインプットを必要とすることが多い。 健常成人における食後血糖値の変動を緩和するために,個別の食事レコメンデーションを生成する,文脈対応型意思決定支援フレームワークであるMetaPlateについて紹介する。 MetaPlateは、CGMの読み書き、ウェアラブル由来の生理信号、および25ドルの個人から提供された食事入力などのマルチモーダルデータを統合して、食事前コンテキストをモデル化する。 機械学習モデルはグルコース応答を予測し、CF最適化モジュールはマクロ栄養素量を変更する食事組成を調整し、目標範囲内でグルコースレベルを維持する(\leq 140$ mg/dL)。 LLMベースの検索拡張生成(RAG)層は、USDA食品データベースの制約付き検索を用いて人間可読なレコメンデーションを生成することにより、解釈可能性を高める。 そこで我々はMetaPlateを登録栄養士 (RDs) と構造化した専門家による評価によって評価し, 即時改善前後のパフォーマンスの比較を行った。 その結果、食事リアリズム、パート適合性、レコメンデーションの可能性が向上し、専門家のフィードバックは、臨床的に理解不能なアウトプットから、行動可能な、文脈的に適切なレコメンデーションへと変化したことを示している。 本研究は,LLM駆動システムにおけるドメイン知識と構造制約の重要性を強調し,リアルタイムな個人化意思決定支援ツールとしてのMetaPlateの可能性を強調した。

関連論文リスト

• An LLM-RAG Approach for Healthy Eating Index-Informed Personalized Food Recommendations [2.7388641122712802]
  食事の質は慢性疾患のリスクの主要な要因である。 標準化された栄養データベースと大規模言語モデルを組み合わせた,個人化された食品レコメンデーションのためのフレームワークを提案する。 提案するLLM-RAGベースのAIシステムは,より正確で説明可能な,個人化された栄養指導を支援することが示唆された。
  論文  参考訳（メタデータ） (2026-05-11T03:40:17Z)
• GLEN-Bench: A Graph-Language based Benchmark for Nutritional Health [48.94971812317643]
  GLEN-Benchは,栄養学的健康評価のためのグラフ言語に基づく最初の総合ベンチマークである。 GLEN-Benchは3つの関連タスクを含む: リスク検出は、食生活や社会経済的パターンからリスクのある個人を識別する; 推奨は、リソース制約の中で臨床ニーズを満たすパーソナライズされた食品を提案する。 我々の分析では、健康リスクに関連する明確な食事パターンを特定し、実践的な介入を導くための洞察を提供する。
  論文  参考訳（メタデータ） (2026-01-26T03:32:46Z)
• Integrating Neural Differential Forecasting with Safe Reinforcement Learning for Blood Glucose Regulation [51.12307713554633]
  TSODEは、Thompson RL SmplingとNeural Ordinary Differential Equation forecasterを統合した安全対応のコントローラである。 FDAが承認したUVa/Padovaシミュレータ(adult cohort)では、TSODEは87.9%のタイムインレンジを達成した。
  論文  参考訳（メタデータ） (2025-11-16T02:11:33Z)
• Multimodal Fusion of Glucose Monitoring and Food Imagery for Caloric Content Prediction [2.189594222851135]
  我々は,CGM時系列データ,デモグラフィック/マイクロバイオーム,および食事前食品イメージを併用して,カロリー推定を向上するマルチモーダル深層学習フレームワークを提案する。 我々のモデルは0.2544のルート平均正方形相対誤差(RMSRE)を達成し、ベースラインモデルを50%以上上回った。
  論文  参考訳（メタデータ） (2025-05-13T23:12:54Z)
• Personalized Causal Graph Reasoning for LLMs: An Implementation for Dietary Recommendations [0.5228101935101477]
  本研究では,長手データから構築した個人固有の因果グラフを,大規模言語モデルで推論できるフレームワークを提案する。 クエリに応答して、LLMはグラフを横切り、関連する因果経路を特定し、推定された影響によってそれらをランク付けし、潜在的な結果をシミュレートし、調整された応答を生成する。 代謝応答の変動がパーソナライズされた推論を要求される栄養指向の食事レコメンデーションの文脈で,この枠組みを実装した。
  論文  参考訳（メタデータ） (2025-02-28T19:25:04Z)
• MOPI-HFRS: A Multi-objective Personalized Health-aware Food Recommendation System with LLM-enhanced Interpretation [50.309987904297415]
  Yelpのような主要な食品レコメンデーションプラットフォームは、ユーザの選択した健康性よりも、ユーザの食事の好みを優先している。 我々はMOPI-HFRS(Multi-Objective Personalized Interpretable Health-Aware Food Recommendation System)を開発した。 ユーザの好み、パーソナライズされた健康、栄養の多様性の3つの目標と、大きな言語モデル(LLM)強化推論モジュールを共同で最適化することで、食品レコメンデーションを提供する。
  論文  参考訳（メタデータ） (2024-12-12T01:02:09Z)
• GlucoBench: Curated List of Continuous Glucose Monitoring Datasets with Prediction Benchmarks [0.12564343689544843]
  連続血糖モニター (Continuous glucose monitors, CGM) は、血糖値を一定間隔で測定する小さな医療機器である。 CGMデータに基づくグルコーストラジェクトリの予測は、糖尿病管理を大幅に改善する可能性を秘めている。
  論文  参考訳（メタデータ） (2024-10-08T08:01:09Z)
• From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [47.23780364438969]
  本稿では,CGMデータの生成基盤モデルであるGluFormerについて紹介する。 GluFormerは、異なる民族や年齢、5つの国、8つのCGMデバイス、多様な病態状態にまたがる19の外部コホートに一般化する。 CGMデータと12年間のフォローアップを持つ580人の成人の縦断的研究において、GluFormerは血液HbA1C%よりも糖尿病を効果的に発症するリスクが高い個人を特定する。
  論文  参考訳（メタデータ） (2024-08-20T13:19:06Z)
• NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
  自己申告法はしばしば不正確であり、重大な偏見に悩まされる。 近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。 本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-05-13T14:56:55Z)
• Vision-Based Food Analysis for Automatic Dietary Assessment [49.32348549508578]
  本総説では, 食品画像分析, 容積推定, 栄養素抽出の3段階からなる, 統合型ビジョンベース食事評価(VBDA)の枠組みを概説する。 深層学習により、VBDAは徐々にエンドツーエンドの実装へと移行し、単一のネットワークに食品画像を適用して栄養を直接見積もる。
  論文  参考訳（メタデータ） (2021-08-06T05:46:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。