技術透明化：為什麼我們要公開 DietMate 的架構？
在醫療科技領域，透明度就是信任的基礎。療心智能相信，唯有讓醫療專業人員、合作夥伴，甚至是一般大眾理解我們的技術，才能建立真正的信賴關係。
今天，我們將深入剖析 DietMate 背後的 AI 技術架構，從影像辨識、智能分析到人機協作，帶您一窺這個 AI 營養諮詢平台的運作原理。
🎯 DietMate 的核心技術挑戰
在開發 DietMate 時，我們面臨幾個關鍵技術挑戰：
1. 多模態輸入處理
- 📸 影像輸入：病患拍攝的飲食照片
- 📊 結構化數據：血糖、血壓、腎功能等健康指標
- 💬 文字描述：病患的飲食習慣與偏好
2. 精準度要求
- 食物辨識準確率需達 85% 以上
- 營養成分計算誤差需控制在 ±10% 內
- 必須識別台灣常見食物與料理方式
3. 醫療級信任標準
- 所有 AI 建議必須經營養師審核
- 需符合衛福部醫療器材法規
- 患者數據須符合 GDPR 與個資法
🏗️ DietMate 的系統架構
整體架構圖
┌─────────────────────────────────────────────────────────┐
│ 用戶介面層 │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ Web App │ │ LINE Bot │ │營養師後台│ │
│ └─────┬────┘ └─────┬────┘ └─────┬────┘ │
└────────┼─────────────┼─────────────┼────────────────────┘
│ │ │
└─────────────┼─────────────┘
│
┌─────────────▼─────────────┐
│ API Gateway │
│ (FastAPI + Cloudflare) │
└─────────────┬─────────────┘
│
┌─────────────▼─────────────┐
│ AI 處理引擎層 │
│ ┌────────────────────┐ │
│ │ 1. 影像辨識模組 │ │
│ │ 2. 營養分析模組 │ │
│ │ 3. 多智能體協作 │ │
│ │ 4. 建議生成模組 │ │
│ └────────────────────┘ │
└─────────────┬─────────────┘
│
┌─────────────▼─────────────┐
│ 數據儲存層 │
│ • 用戶資料 │
│ • 飲食記錄 │
│ • 營養師審核記錄 │
│ • 台灣食物資料庫 │
└───────────────────────────┘
🔬 核心技術模組詳解
模組 1: 多模態影像辨識系統
技術特點
基於深度學習的影像辨識
- 使用改良的 CNN（卷積神經網絡）架構
- 針對台灣飲食特性進行微調訓練
- 支援多食物同時辨識
處理流程
- 影像接收: 接收用戶上傳的照片（支援 JPG/PNG，最大 5MB）
- 預處理: 調整大小、標準化、增強對比度
- 食物辨識: 識別照片中的所有食物項目
- 份量估算: 根據視覺特徵估算食物份量
- 成分分析: 查詢台灣食物資料庫，計算營養成分
實際表現
- 辨識速度: 平均 2-3 秒完成分析
- 支援食物: 超過 3,000 種台灣常見食物
- 準確率: 單一食物 >90%，複雜餐點 >85%
模組 2: 多智能體 AI 協作架構
這是 DietMate 最具創新性的技術特點之一。我們採用 多 Agent 協作模式，模擬營養師團隊的討論過程。
智能體設計
┌────────────────────────────────────────────┐
│ Multi-Agent 協作系統 │
├────────────────────────────────────────────┤
│ │
│ Agent 1: 飲食分析專家 │
│ ├─ 分析飲食組成與營養素 │
│ ├─ 識別營養不均衡問題 │
│ └─ 計算每日攝取比例 │
│ │
│ Agent 2: 健康數據分析專家 │
│ ├─ 整合血糖、血壓等生理數據 │
│ ├─ 評估疾病風險關聯 │
│ └─ 標註高風險營養問題 │
│ │
│ Agent 3: 飲食建議專家 │
│ ├─ 根據個人狀況生成建議 │
│ ├─ 考量台灣飲食文化 │
│ └─ 提供可行的替代方案 │
│ │
│ Agent 4: 品質審核專家 │
│ ├─ 檢查建議的一致性 │
│ ├─ 確保符合醫療標準 │
│ └─ 過濾不當建議 │
│ │
└────────────────────────────────────────────┘
│
▼
┌────────────────────────────────────────────┐
│ 整合與生成最終建議 │
│ • 多智能體討論結果整合 │
│ • 生成結構化報告 │
│ • 轉交營養師審核 │
└────────────────────────────────────────────┘
為什麼採用多 Agent 架構？
傳統單一 AI 模型的問題：
- ❌ 容易產生單一視角的盲點
- ❌ 難以處理複雜的多維度問題
- ❌ 缺乏自我檢查機制
多 Agent 協作的優勢：
- ✅ 模擬真實營養師團隊討論
- ✅ 不同專業視角交叉驗證
- ✅ 提升建議的全面性與準確性
- ✅ 降低單點錯誤風險
模組 3: 營養師審核平台
關鍵設計理念: AI 輔助而非取代
┌─────────────────────────────────────────┐
│ 營養師審核工作流程 │
├─────────────────────────────────────────┤
│ │
│ 1. AI 生成初步建議 │
│ ↓ │
│ 2. 推送至營養師審核佇列 │
│ ↓ │
│ 3. 營養師檢視 AI 分析 │
│ • 影像辨識結果 │
│ • 營養成分計算 │
│ • 多 Agent 討論過程 │
│ • 初步飲食建議 │
│ ↓ │
│ 4. 營養師審核與調整 │
│ • ✅ 確認正確 → 直接發送 │
│ • ✏️ 需修改 → 調整後發送 │
│ • ❌ 重大錯誤 → 重新分析 │
│ ↓ │
│ 5. 發送給病患 │
│ │
└─────────────────────────────────────────┘
審核平台特點
- 快速檢視: 一鍵查看 AI 分析全過程
- 即時修改: 直接在介面上調整建議
- 歷史追蹤: 完整記錄審核與修改歷程
- 效率提升: 審核時間從 10-15 分鐘降至 2-3 分鐘
模組 4: 大型語言模型整合
DietMate 整合了大型語言模型 (LLM)，用於：
- 自然語言理解：解析病患的文字描述、飲食偏好與過敏原
- 專業報告生成：將 AI 分析結果轉化為結構化的營養評估報告
- 對話式互動：回答病患的營養問題，提供飲食替代方案
💡 醫療 AI 開發的關鍵原則
開發 DietMate 的過程中，我們學到幾個重要原則：
- 人機協作 > 完全自動化：AI 是輔助工具，保留專業人員的最終決策權
- 透明度 > 黑盒子：可解釋的 AI 決策過程，完整的審計追蹤
- 安全第一 > 功能豐富：醫療級資安標準，符合法規要求
- 在地化 > 通用方案：深入理解台灣飲食文化，建立在地數據集
結語
DietMate 的技術架構並非為了炫技，而是為了解決真實的醫療痛點。透過影像辨識、多智能體協作與營養師審核的結合，我們打造了一個既有效率又值得信賴的 AI 營養諮詢平台。
想了解更多？
- 📧 聯絡我們：聯絡資訊
- 🌐 產品介紹：DietMate 產品頁面
