Οι εφαρμογές τεχνητής νοημοσύνης που εκτιμούν τις θερμίδες από μία φωτογραφία μπορεί να υπολογίζουν σημαντικά μικρότερη ποσότητα από εκείνη που βρίσκεται πραγματικά στο πιάτο. Νέα προκαταρκτική μελέτη έδειξε απόκλιση έως 345 θερμίδες ανά γεύμα και συστηματική υποεκτίμηση του λίπους, ιδιαίτερα στα κετογονικά πιάτα.
Μια φωτογραφία του γεύματος μπορεί να αρκεί ώστε μια εφαρμογή τεχνητής νοημοσύνης να αναγνωρίσει τις τροφές και να εμφανίσει μέσα σε λίγα δευτερόλεπτα μια εκτίμηση για τις θερμίδες, τα λιπαρά, τις πρωτεΐνες και τους υδατάνθρακες.
Η ευκολία αυτή, ωστόσο, δεν εγγυάται και ακρίβεια. Νέα προκαταρκτική έρευνα δείχνει ότι τέσσερις δημοφιλείς εφαρμογές υποεκτίμησαν κατά μέσο όρο το θερμιδικό περιεχόμενο των γευμάτων κατά 250 έως 345 θερμίδες. Παράλληλα, υπολόγισαν περίπου 30 γραμμάρια λιγότερου λίπους ανά γεύμα.
Οι αποκλίσεις αντιστοιχούσαν περίπου στο ένα τρίτο της πραγματικής θερμιδικής και λιπιδικής αξίας των γευμάτων που εξετάστηκαν. Τα ευρήματα παρουσιάστηκαν στο NUTRITION 2026, το ετήσιο επιστημονικό συνέδριο της American Society for Nutrition.
Πώς λειτουργεί η αναγνώριση τροφίμων από φωτογραφίες
Οι εφαρμογές αυτού του τύπου χρησιμοποιούν αλγορίθμους αναγνώρισης εικόνας για να εντοπίσουν τις τροφές που εμφανίζονται στη φωτογραφία. Στη συνέχεια επιχειρούν να εκτιμήσουν το μέγεθος κάθε μερίδας και συγκρίνουν τις πληροφορίες με βάσεις δεδομένων διατροφικής σύστασης.
Η διαδικασία μπορεί να λειτουργεί ικανοποιητικά όταν το πιάτο περιλαμβάνει ευδιάκριτες και τυποποιημένες τροφές. Γίνεται όμως δυσκολότερη όταν οι τροφές αλληλεπικαλύπτονται, περιέχουν σάλτσες ή λάδι που δεν φαίνονται, αποτελούν σύνθετες συνταγές ή έχουν μεγαλύτερη ενεργειακή πυκνότητα από εκείνη που «υποθέτει» ο αλγόριθμος. Η ακρίβεια επηρεάζεται επίσης από τη γωνία λήψης, τον φωτισμό, το μέγεθος του πιάτου και την έλλειψη ενός αντικειμένου αναφοράς για τον υπολογισμό του όγκου.
Η δοκιμή με γεύματα μετρημένα στο δέκατο του γραμμαρίου
Η νέα έρευνα εντάχθηκε σε μεγαλύτερη μελέτη του NIH Clinical Center, η οποία εξετάζει τον τρόπο με τον οποίο ο οργανισμός επεξεργάζεται τα θρεπτικά συστατικά μιας κετογονικής διατροφής χαμηλής σε υδατάνθρακες και μιας συμβατικής διατροφής.
Τα γεύματα παρασκευάστηκαν σε ελεγχόμενη μεταβολική κουζίνα. Οι ερευνητές ζύγισαν κάθε συστατικό με ακρίβεια 0,1 γραμμαρίου, δημιουργώντας έτσι ένα ιδιαίτερα αξιόπιστο σημείο αναφοράς για τη σύγκριση με τις εκτιμήσεις των εφαρμογών.
Η ομάδα φωτογράφισε με τυποποιημένο τρόπο 102 γεύματα και υπέβαλε τις εικόνες στις εφαρμογές MyFitnessPal, Lose It!, CalAI και Appediet. Στη συνέχεια συνέκρινε τα αποτελέσματα με την πραγματική διατροφική σύνθεση κάθε πιάτου.
Έλειπαν έως και 345 θερμίδες από την εκτίμηση
Και οι τέσσερις εφαρμογές εμφάνισαν χαμηλότερη θερμιδική αξία από την πραγματική. Η μέση υποεκτίμηση κυμάνθηκε από περίπου 250 έως 345 θερμίδες ανά γεύμα.
Η διαφορά είναι σημαντική. Ένας άνθρωπος που καταγράφει δύο βασικά γεύματα ημερησίως μόνο μέσω φωτογραφιών θα μπορούσε, θεωρητικά, να βλέπει στην εφαρμογή εκατοντάδες θερμίδες λιγότερες από όσες κατανάλωσε στην πραγματικότητα.
Το αποτέλεσμα δεν σημαίνει ότι κάθε φωτογραφία ή κάθε πιάτο θα παρουσιάζει υποχρεωτικά απόκλιση 345 θερμίδων. Αποτυπώνει τον μέσο βαθμό σφάλματος που παρατηρήθηκε στα ελεγχόμενα γεύματα και διαφέρει ανά εφαρμογή και σύνθεση πιάτου.
Το μεγαλύτερο πρόβλημα εντοπίστηκε στα λιπαρά
Οι εφαρμογές υποεκτίμησαν την περιεκτικότητα των γευμάτων σε λίπος κατά περίπου 30 γραμμάρια κατά μέσο όρο. Τα 30 γραμμάρια λίπους αντιστοιχούν από μόνα τους σε περίπου 270 θερμίδες, καθώς κάθε γραμμάριο λίπους παρέχει περίπου εννέα θερμίδες.
Η απόκλιση μπορεί να εξηγεί μεγάλο μέρος του συνολικού θερμιδικού σφάλματος. Λάδι στο μαγείρεμα, βούτυρο, μαγιονέζα, λιπαρές σάλτσες, τυριά, ξηροί καρποί και λίπος μέσα στο κρέας δεν διακρίνονται πάντοτε καθαρά σε μια φωτογραφία.
Ένα πιάτο μπορεί, για παράδειγμα, να φαίνεται ότι περιέχει απλώς λαχανικά και κρέας, αλλά η πραγματική ενεργειακή του αξία να αυξάνεται σημαντικά από το ελαιόλαδο, τη σάλτσα ή τον τρόπο παρασκευής.
Δυσκολότερα για την AI τα κετογονικά γεύματα
Μετά την πρώτη ανάλυση, οι ερευνητές εξέτασαν περισσότερα από 200 επιπλέον γεύματα, προκειμένου να εντοπίσουν τους παράγοντες που επηρεάζουν την ακρίβεια.
Τα πρώτα αποτελέσματα δείχνουν ότι οι εφαρμογές δυσκολεύονται περισσότερο με τα γεύματα μιας κετογονικής διατροφής. Τα συγκεκριμένα πιάτα περιέχουν συνήθως πολύ λίπος και λίγους υδατάνθρακες, γεγονός που αυξάνει την ενεργειακή πυκνότητά τους χωρίς να αυξάνει απαραίτητα τον εμφανή όγκο της τροφής.
Μια μικρή ποσότητα λαδιού, βουτύρου ή κρέμας μπορεί να προσθέσει εκατοντάδες θερμίδες χωρίς να μεταβάλει αισθητά την εικόνα του πιάτου. Ο αλγόριθμος μπορεί να αναγνωρίσει το κρέας ή τα λαχανικά, αλλά να μην εντοπίσει με ακρίβεια το λίπος που χρησιμοποιήθηκε στην παρασκευή.
Πιο σταθερές οι εκτιμήσεις για τους υδατάνθρακες
Οι τέσσερις εφαρμογές έδωσαν πιο συνεπείς εκτιμήσεις για τους υδατάνθρακες σε σχέση με τα υπόλοιπα μακροθρεπτικά συστατικά.
Τροφές όπως το ψωμί, το ρύζι, οι πατάτες και τα ζυμαρικά έχουν συχνά περισσότερο αναγνωρίσιμη εμφάνιση. Παράλληλα, πολλές βάσεις δεδομένων διαθέτουν τυποποιημένες μερίδες για τα συγκεκριμένα τρόφιμα.
Η μεγαλύτερη συνέπεια δεν σημαίνει ότι οι υπολογισμοί ήταν πάντοτε ακριβείς. Δείχνει ότι οι αποκλίσεις παρουσίαζαν μικρότερη μεταβλητότητα από εκείνη που καταγράφηκε για τα λιπαρά και τα συνολικά θερμιδικά μεγέθη.
Διαφορετική επίδοση ανάλογα με το γεύμα
Οι εφαρμογές MyFitnessPal και Lose It! εμφάνισαν μεγαλύτερη ακρίβεια στα γεύματα με υψηλότερη θερμιδική αξία σε σύγκριση με τα γεύματα χαμηλότερων θερμίδων.
Το εύρημα δείχνει ότι το σφάλμα δεν ακολουθεί πάντοτε έναν απλό και σταθερό κανόνα. Η επίδοση μπορεί να αλλάζει ανάλογα με τη σύνθεση του πιάτου, την παρουσία λιπαρών, τον τρόπο μαγειρέματος και το εάν η εφαρμογή αναγνωρίζει σωστά όλα τα επιμέρους συστατικά.
Παλαιότερη, αξιολογημένη κλινική δοκιμή είχε καταγράψει αρκετά καλή ακρίβεια του MyFitnessPal όταν οι χρήστες επέλεγαν οι ίδιοι τα τρόφιμα και καταχωρούσαν τις ποσότητες. Η διαφορά ανάμεσα στις μελέτες υπογραμμίζει ότι η χειροκίνητη καταγραφή μερίδων και η πλήρως αυτοματοποιημένη εκτίμηση από μία φωτογραφία δεν αποτελούν την ίδια μέθοδο.
«Μην παίρνετε το αποτέλεσμα τοις μετρητοίς»
Ο Aaron Hengist, μεταδιδακτορικός επισκέπτης ερευνητής στο National Institute of Diabetes and Digestive and Kidney Diseases, προειδοποίησε ότι οι χρήστες δεν πρέπει να θεωρούν τις αυτόματες εκτιμήσεις απολύτως ακριβείς.
Όταν ο χρήστης ανεβάζει μόνο μια φωτογραφία χωρίς να διορθώνει τις μερίδες ή να προσθέτει τα συστατικά, η πραγματική πρόσληψη είναι πιθανό να βρίσκεται υψηλότερα από την ένδειξη της εφαρμογής, κυρίως λόγω της υποεκτίμησης του λίπους.
Η παρατήρηση αποκτά ιδιαίτερη σημασία για ανθρώπους που χρησιμοποιούν τις εφαρμογές για απώλεια βάρους, ρύθμιση του διαβήτη, αθλητική διατροφή ή παρακολούθηση μιας θεραπευτικής δίαιτας.
Δεν σημαίνει ότι οι εφαρμογές είναι άχρηστες
Οι εφαρμογές καταγραφής μπορούν να βοηθήσουν έναν χρήστη να αποκτήσει καλύτερη εικόνα των διατροφικών του συνηθειών, να θυμάται τι έφαγε και να εντοπίζει επαναλαμβανόμενα πρότυπα.
Η φωτογραφική καταγραφή μειώνει επίσης τον χρόνο και την προσπάθεια που απαιτεί η χειροκίνητη εισαγωγή κάθε τροφίμου. Αυτή η ευκολία μπορεί να αυξήσει τη συνέπεια στη μακροχρόνια παρακολούθηση.
Το πρόβλημα εμφανίζεται όταν μια κατά προσέγγιση εκτίμηση αντιμετωπίζεται ως ακριβής μέτρηση. Πρόσφατη επιστημονική ανασκόπηση επισημαίνει ότι τα ψηφιακά εργαλεία μπορούν να μειώσουν ορισμένα ανθρώπινα σφάλματα, αλλά παράλληλα εισάγουν νέα προβλήματα στην αναγνώριση τροφίμων, στην εκτίμηση μερίδας και στην αντιστοίχιση με τις βάσεις διατροφικών δεδομένων.
Πώς μπορεί να βελτιωθεί η ακρίβεια
Οι ερευνητές προτείνουν τον συνδυασμό της φωτογραφικής αναγνώρισης με πιο παραδοσιακές μεθόδους καταγραφής.
Ο χρήστης μπορεί να ελέγχει εάν η εφαρμογή αναγνώρισε σωστά κάθε τρόφιμο, να διορθώνει το μέγεθος της μερίδας και να προσθέτει τα συστατικά που δεν φαίνονται στη φωτογραφία. Ιδιαίτερη προσοχή χρειάζονται το λάδι, το βούτυρο, οι σάλτσες, τα dressings, τα τυριά και οι ξηροί καρποί.
Μια δεύτερη φωτογραφία από διαφορετική γωνία ή η τοποθέτηση ενός γνωστού αντικειμένου δίπλα στο πιάτο μπορεί να βοηθήσει στην αντίληψη του μεγέθους, χωρίς όμως να εξαλείφει το σφάλμα.
Για περιπτώσεις όπου απαιτείται μεγαλύτερη ακρίβεια, η ζύγιση των τροφών και η καταγραφή της συνταγής παραμένουν πιο αξιόπιστες μέθοδοι από την αυτόματη ανάλυση μιας μεμονωμένης εικόνας.
Τα ευρήματα παραμένουν προκαταρκτικά
Η Olivia Charles, ερευνήτρια του NIDDK, παρουσίασε τα αποτελέσματα στις 25 Ιουλίου 2026, κατά τη διάρκεια της President’s Oral Session του συνεδρίου NUTRITION 2026 στο National Harbor του Μέριλαντ.
Οι περιλήψεις που παρουσιάζονται στο συνέδριο εξετάζονται και επιλέγονται από επιτροπή ειδικών. Δεν έχουν, όμως, ολοκληρώσει κατά κανόνα την πλήρη διαδικασία ανεξάρτητης αξιολόγησης που προηγείται της δημοσίευσης σε επιστημονικό περιοδικό.
Τα αποτελέσματα πρέπει, επομένως, να θεωρούνται προκαταρκτικά. Δεν γνωρίζουμε ακόμη όλες τις τεχνικές ρυθμίσεις που χρησιμοποιήθηκαν σε κάθε εφαρμογή ούτε αν μελλοντικές ενημερώσεις των αλγορίθμων θα αλλάξουν σημαντικά την επίδοσή τους.
Η σωστή θέση της AI στη διατροφική παρακολούθηση
Η τεχνητή νοημοσύνη μπορεί να κάνει τη διατροφική καταγραφή ταχύτερη και πιο προσιτή, αλλά δεν μπορεί ακόμη να «βλέπει» με ακρίβεια όλα όσα περιέχει ένα γεύμα.
Η φωτογραφία αποτυπώνει την επιφάνεια του πιάτου. Δεν αποκαλύπτει πάντοτε τη συνταγή, τις ποσότητες, τα λιπαρά του μαγειρέματος ή τα συστατικά που κρύβονται κάτω από άλλες τροφές.
Οι εφαρμογές μπορούν, συνεπώς, να λειτουργούν ως βοηθητικά εργαλεία και όχι ως εργαστηριακοί μετρητές. Η κριτική αξιολόγηση των αποτελεσμάτων και η διόρθωση των μερίδων παραμένουν απαραίτητες, ιδιαίτερα όταν οι διατροφικές αποφάσεις συνδέονται με συγκεκριμένους θεραπευτικούς στόχους.
Κάντε like στη σελίδα μας στο facebook για να μαθαίνετε όλα τα νέα
Διαβάστε επίσης
Θερμίδες ή ζάχαρη; Η σωστή απάντηση για σταθερό σάκχαρο
Ποιο είναι το τυρί με τις χαμηλότερες θερμίδες και το πιο υγιεινό
