NUTRINET: A Computationally Efficient Graph Neural Model for Interpretable Nutrient Interaction Analysis

doi:10.1007/978-3-031-96262-2_13

2026-01-01

PRE

Zvinodashe Revesai

Okuthe P. Kogeda *

DOI：10.1007/978-3-031-96262-2_13

原文链接

原文求助

摘要

En 中文

营养干预在预防和管理多种健康条件中发挥着关键作用，而准确的营养分析对于有效的医疗保健服务至关重要，尤其是在弱势人群中。尽管计算方法取得了进展，但当前的营养分析方法在建模营养素与健康结果之间的复杂相互作用时，难以在多样化的临床环境中保持易用性。现有系统要么优先预测性能而牺牲可解释性和效率，要么为了简化模型而牺牲准确性，从而在资源有限的环境中阻碍了临床应用。为应对这些挑战，我们提出了NUTRINET，一种新颖的图神经网络，结合了分层营养素图表示、边条件消息传递、稀疏注意力机制和透明的预测模块。通过对三个公开数据集（USDA FoodData Central、NHANES和Framingham心脏研究）进行80:20的训练-测试分割评估，NUTRINET在营养素预测方面表现出更优的预测性能（MAE为0.09），在营养素缺乏风险评估方面具有更高的AUC（0.91），在个性化推荐方面改进了F1分数（0.85），均优于当前最先进的方法。值得注意的是，与图注意力网络相比，我们的模型将能耗降低了高达73%，同时提供高保真度的解释，这些解释在78%的测试案例中影响了临床干预决策。这些结果确立了NUTRINET作为计算营养分析的有效解决方案，平衡了性能、可解释性和易用性，适用于多样化的医疗保健环境，尤其通过情境感知的营养素相互作用路径满足了弱势人群的特定需求。

Keyword:

Graph Neural Networks

Computational Efficiency

Explainable AI

Nutritional Informatics

Green AI

Sustainable Computing