NOVA Through Two Lenses: From Nutrients to Food Processing Classification in Finland's National Food Database
Diese Studie zeigt, dass ein auf der Nährstoffzusammensetzung trainierter Machine-Learning-Klassifikator effektiv über verschiedene Lebensmitteldatenbanken hinweg transferierbar ist, um hochverarbeitete Lebensmittel zu identifizieren und die Intensität der Verarbeitung zu bewerten, auch wenn die Zuordnung aller vier NOVA-Gruppen aufgrund inhärenter Definitionsambiguitäten weiterhin eine Herausforderung darstellt.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Lebensmittel sind mehr als nur Treibstoff; sie sind ein Spektrum der Transformation. An einem Ende stehen Lebensmittel in ihrem natürlichen Zustand, wie ein Apfel oder eine rohe Karotte. Am anderen Ende stehen Produkte, die durch die Industrie so stark verändert wurden, dass sie kaum noch Ähnlichkeit mit ihren ursprünglichen Zutaten aufweisen, wie etwa ein zuckerhaltiges Frühstückscerealien oder ein verpackter Snackkuchen. Zwischen diesen Polen liegt ein Mittelweg aus Lebensmitteln, die gekocht, konserviert oder mit einfachen Zutaten wie Salz oder Zucker gemischt wurden. Wissenschaftler haben ein System namens NOVA entwickelt, um Lebensmittel in diese vier Kategorien zu sortieren, in der Hoffnung zu verstehen, wie der Grad der Verarbeitung die menschliche Gesundheit beeinflusst. Die Idee dahinter ist, dass je stärker ein Lebensmittel verarbeitet ist, desto wahrscheinlicher ist es mit negativen gesundheitlichen Folgen wie Diabetes oder Herzkrankheiten verknüpft ist. Die manuelle Sortierung von Millionen von Lebensmitteln ist jedoch langsam, schwierig und führt selbst unter Experten oft zu Unstimmigkeiten. Zudem enthalten viele nationale Lebensmitteldatenbanken, die erfassen, was Menschen essen, diese Kennzeichnungen zum Verarbeitungsgrad überhaupt nicht, was Forscher mit einer Wissenslücke zurücklässt.
Um diese Lücke zu schließen, setzten sich Forscher zum Ziel zu prüfen, ob ein Computer lernen kann, Lebensmittel allein durch das Betrachten ihres Nährstoffgehalts korrekt zu sortieren. Sie konzentrierten sich auf ein spezielles Werkzeug des maschinellen Lernens namens FoodProX, das ursprünglich auf amerikanischen Lebensmitteldaten trainiert wurde, um NOVA-Gruppen basierend auf zehn Schlüsselnährstoffen wie Zucker, Fett, Ballaststoffen und Natrium vorherzusagen. Das Team fragte sich, ob ein Modell, das auf europäischen Lebensmitteln trainiert wurde, bei amerikanischen Lebensmitteln ebenso gut funktionieren würde und ob es erfolgreich Lebensmittel in einer finnischen nationalen Datenbank klassifizieren könnte, die zuvor noch nie sortiert worden war. Sie sammelten eine riesige Sammlung von über 180.000 Lebensmittelprodukten aus einer globalen Datenbank, hauptsächlich aus Europa, und brachten dem Computer bei, die Muster der Nährstoffe zu erkennen, die den vier NOVA-Gruppen entsprechen. Dann testeten sie dieses neue, in Europa trainierte Modell an ungesehenen europäischen Lebensmitteln sowie an einem separaten Satz amerikanischer Lebensmittel, um zu sehen, ob es sein Wissen über Grenzen hinweg verallgemeinern kann.
Die Ergebnisse zeigten, dass der Computer bemerkenswert gut darin war, die Extreme des Nahrungsspektrums zu erkennen. Er konnte unverarbeitete Lebensmittel und hochverarbeitete Lebensmittel mit hoher Genauigkeit zuverlässig identifizieren. Als die Forscher das Modell baten, zwischen den zwei am stärksten verarbeiteten Kategorien – der Gruppe „verarbeitet“ und der Gruppe „hochverarbeitet“ – zu unterscheiden, hatte es Schwierigkeiten. Das Modell verwechselte diese beiden mittleren Kategorien häufig, was darauf hindeutet, dass die ernährungsphysiologischen Unterschiede zwischen ihnen zu subtil sind, als dass ein Computer sie mit Sicherheit erkennen könnte. Diese Verwirrung war kein Fehler in der Programmierung des Computers, sondern vielmehr ein Spiegelbild der Schwierigkeit, vor der Menschen stehen, wenn sie versuchen, eine klare Linie zwischen diesen beiden Gruppen zu ziehen. Selbst als das Modell auf die finnische Datenbank angewendet wurde, die über 4.000 Lebensmittelartikel ohne vorherige Kennzeichnung enthielt, erzeugte es eine konsistente Rangfolge der Lebensmittel von am wenigsten bis am meisten verarbeitet, wobei es Rohzutaten am unteren Ende und Fertiggerichte am oberen Ende platzierte.
Die Studie ergab, dass der Computer stark auf spezifische Nährstoffe vertraute, um seine Entscheidungen zu treffen. Natrium, oder Salz, war der wichtigste Hinweis, dicht gefolgt von dem Gesamtzuckergehalt. Lebensmittel mit hohen Mengen dieser beiden Nährstoffe wurden in Richtung der Kategorie „hochverarbeitet“ verschoben, während Lebensmittel mit wenig Ballaststoffen und Eisen ebenfalls als wahrscheinlich hochverarbeitet markiert wurden. Interessanterweise verließ sich das Modell nicht so sehr auf die Gesamtenergie oder gesättigte Fette, wie man es erwarten könnte. Als die Forscher ihr in Europa trainiertes Modell mit der ursprünglichen amerikanischen Version verglichen, stellten sie fest, dass die beiden Modelle zwar manchmal über die exakte Kategorie eines spezifischen Lebensmittels uneins waren, sie sich aber im Wesentlichen über die allgemeine Reihenfolge einig waren. Beide ordneten die Lebensmittel in einer ähnlichen Sequenz von am wenigsten bis am meisten verarbeitet ein, auch wenn die exakten Zahlen, die sie zuordneten, leicht variierten. Dies deutet darauf an, dass die präzisen Grenzen zwischen den Kategorien zwar unscharf sind, der allgemeine Trend zunehmender Verarbeitung jedoch klar und allein durch Nährstoffe messbar ist.
Die Forscher kamen zu dem Schluss, dass nährstoffbasierte Modelle zwar leistungsstarke Werkzeuge zur Identifizierung hochverarbeiteter Lebensmittel und zur Einstufung ihrer Intensität sind, sie jedoch nicht in der Lage sind, menschliche Experten perfekt zu ersetzen, wenn es darum geht, jedes einzelne Lebensmittel in die vier distinkten NOVA-Gruppen zu sortieren. Die Schwierigkeit liegt in der Natur des Klassifizierungssystems selbst, bei dem die Grenze zwischen einem verarbeiteten Lebensmittel und einem hochverarbeiteten Lebensmittel oft durch das Vorhandensein industrieller Zusatzstoffe definiert wird, die das Nährstoffprofil nicht signifikant verändern. Ein Laib Brot, der aus einfachen Zutaten hergestellt wurde, und ein Laib Brot, der mit Emulgatoren und Konservierungsstoffen hergestellt wurde, können nahezu identische Mengen an Zucker, Salz und Fett aufweisen, gehören aber dennoch zu unterschiedlichen Kategorien. Da der Computer die Zutatenliste oder den Herstellungsprozess nicht sehen kann, kann er nur basierend auf den Nährstoffen, die er messen kann, eine Vermutung anstellen.
Trotz dieser Einschränkungen bietet die Studie einen praktischen Weg nach vorn. Durch die Anwendung dieses trainierten Modells auf die finnische nationale Lebensmitteldatenbank erstellten die Forscher die ersten jemals vorhandenen Kennzeichnungen für den Verarbeitungsgrad von tausenden finnischen Lebensmittelartikeln. Diese neuen Daten ermöglichen es Wissenschaftlern, zu untersuchen, wie die Lebensmittelverarbeitung in Finnland mit gesundheitlichen Ergebnissen zusammenhängt, ohne jedes einzelne Produkt manuell kennzeichnen zu müssen. Die Ergebnisse legen nahe, dass es für groß angelegte Studien eine zuverlässige Strategie ist, einen Computer einzusetzen, um hochverarbeitete Lebensmittel zu markieren, selbst wenn die feineren Unterscheidungen zwischen „verarbeitet“ und „hochverarbeitet“ ungewiss bleiben. Die Arbeit verdeutlicht, dass Nährstoffe allein zwar nicht die ganze Geschichte der Lebensmittelverarbeitung erzählen können, sie aber ein starkes Signal liefern, das Forschern und politischen Entscheidungsträgern helfen kann, die Zusammensetzung unserer Lebensmittelversorgung und deren potenzielle Auswirkungen auf die öffentliche Gesundheit zu verstehen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.