NOVA Through Two Lenses: From Nutrients to Food Processing Classification in Finland's National Food Database
이 연구는 영양 성분 구성을 학습한 머신러닝 분류기가 NOVA의 네 가지 그룹 모두를 할당하는 것이 본질적인 정의의 모호함으로 인해 여전히 까다로움에도 불구하고, 초가공식품을 식별하고 가공 강도를 순위 매기기 위해 서로 다른 식품 데이터베이스 간에 효과적으로 전이될 수 있음을 입증한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
음식은 단순한 연료 그 이상이며, 변화의 스펙트럼입니다. 한쪽 끝에는 사과나 생당근처럼 자연 상태 그대로의 식품이 있습니다. 다른 쪽 끝에는 설탕이 가득한 아침 식사용 시리얼이나 포장된 간식 케이크처럼 산업에 의해 원래의 재료와 거의 닮지 않을 정도로 심하게 변형된 제품들이 있습니다. 이 두 극단 사이에는 소금이나 설류 같은 단순한 재료와 함께 조리되거나 보존되거나 혼합된 식품들이 있는 중간 지대가 존재합니다. 과학자들은 식품의 가공 정도가 인간의 건강에 어떻게 영향을 미치는지 이해하기 위해, 식품을 이 네 가지 범주로 분류하는 NOVA라는 시스템을 개발했습니다. 핵심 아이디어는 식품이 더 많이 가공될수록 당뇨병이나 심장병과 같은 건강 악화 결과와 연관될 가능성이 높다는 것입니다. 그러나 수백만 개의 식품 항목을 일일이 손으로 분류하는 것은 느리고 어려우며, 전문가들 사이에서도 의견 불일치가 빈번하게 발생합니다. 더욱이 사람들이 무엇을 먹는지 추적하는 많은 국가별 식품 데이터베이스에는 이러한 가공 단계 라벨이 포함되어 있지 않아, 연구자들에게 지식의 공백을 남깁니다.
이러한 격차를 메우기 위해, 연구진은 컴퓨터가 영양 성분만을 보고 식품을 올바르게 분류할 수 있는지 알아보기 위한 연구를 시작했습니다. 그들은 원래 미국의 식품 데이터를 바탕으로 당, 지방, 섬유질, 나트륨과 같은 10가지 주요 영양소를 통해 NOVA 그룹을 예측하도록 훈련된 FoodProX라는 특정 머신러닝 도구에 주목했습니다. 연구팀은 유럽 식품을 대상으로 훈련된 모델이 미국 식품에도 똑같이 잘 작동할 수 있는지, 그리고 이전에 분류된 적이 없는 핀란드 국가 데이터베이스의 식품들을 성공적으로 라벨링할 수 있는지 궁금했습니다. 그들은 전 세계 데이터베이스에서 추출한 18만 개 이상의 식품 제품을 수집하였고, 컴퓨터에게 각 네 가지 NOVA 그룹에 해당하는 영양소의 패턴을 인식하도록 가르쳤습니다. 그런 다음, 이 새로운 유럽 훈련 모델을 학습하지 않은 유럽 식품들과 별도의 미국 식품 세트에 적용하여, 지식을 국경을 넘어 일반화할 수 있는지 테스트했습니다.
결과는 컴퓨터가 식품 스펙트럼의 양 극단을 포착하는 데 매우 뛰어나다는 것을 보여주었습니다. 컴퓨터는 가공되지 않은 식품과 초가공 식품을 높은 정확도로 신뢰성 있게 식별할 수 있었습니다. 연구진이 모델에게 가장 가공된 두 범주인 '가공 식품' 그룹과 '초가공 식품' 그룹을 구분하도록 요청했을 때, 모델은 어려움을 겪었습니다. 모델은 이 두 중간 범주를 자주 혼동했는데, 이는 두 범주 사이의 영양학적 차이가 컴퓨터가 확실하게 감지하기에는 너무 미묘하다는 것을 시사합니다. 이러한 혼란은 컴퓨터 프로그래밍의 결함이 아니라, 두 그룹 사이에 명확한 선을 긋는 과정에서 인간이 겪는 어려움을 반영한 것이었습니다. 모델을 4,000개 이상의 식품 항목이 포함된 핀란드 데이터베이스에 적용했을 때도, 모델은 사전에 라벨이 지정되지 않았음에도 불구하고, 가공이 적은 원재료를 낮은 쪽 끝에, 완제품 식사를 높은 쪽 끝에 배치하며 식품을 덜 가공된 것부터 더 가공된 것 순으로 일관되게 순위를 매겼습니다.
연구는 컴퓨터가 결정을 내리는 데 특정 영양소에 크게 의존한다는 것을 밝혀냈습니다. 나트륨(소금)이 단 하나의 가장 중요한 단서였으며, 총당류가 그 뒤를 바짝 쫓았습니다. 이 두 영양소가 높은 식품은 초가공 범주로 밀려났고, 섬유질과 철분이 낮은 식품 또한 가공도가 높은 것으로 분류되었습니다. 흥-미롭게도, 모델은 예상했던 것만큼 총 에너지나 포화 지방에는 크게 의ло 의존하지 않았습니다. 연구진이 자신들의 유럽 훈련 모델을 기존의 미국 버전과 비교했을 때, 두 모델이 특정 식품의 정확한 범주에 대해서는 때때로 의견이 달랐지만, 전반적인 순서에 대해서는 대체로 일치한다는 것을 발견했습니다. 두 모델 모두 특정 식품에 부여한 정확한 수치는 약간 다를 수 있었지만, 덜 가공된 것부터 더 가공된 것까지 유사한 순서로 식품의 순위를 매겼습니다. 이는 범주 사이의 정확한 경계는 모호할 수 있지만, 영양소만으로도 가공도가 증가하는 일반적인 추세는 명확하고 측정 가능하다는 것을 시사합니다.
연구진은 영양 기반 모델이 초가고 식품을 식별하고 가공 강도에 따라 순위를 매기는 강력한 도구이긴 하지만, 모든 식품을 네 가지 뚜렷한 NOVA 그룹으로 분류하는 데 있어 인간 전문가를 완벽하게 대체할 수는 없다고 결론지었습니다. 어려움은 분류 체계 자체의 본질에 있는데, 가공 식품과 초가공 식품 사이의 경계는 영양 프로필을 크게 변화시키지 않는 산업용 첨가물의 존재 여부에 의해 정의되는 경우가 많기 때문입니다. 단순한 재료로 만든 빵과 유화제 및 보존제가 들어간 빵은 당, 소금, 지방의 양이 거의 동일할 수 있지만, 서로 다른 범주에 속합니다. 컴퓨터는 성분 목록이나 제조 과정을 볼 수 없기 때문에, 측정 가능한 영양소를 바탕으로 추측할 수밖에 없습니다.
이러한 한계에도 불구하고, 이 연구는 실질적인 진전 방향을 제시합니다. 훈련된 모델을 핀란드 국가 식품 데이터베이스에 적용함으로써, 연구진은 수천 개의 핀란드 식품 항목에 대한 최초의 가공 단계 라벨을 생성했습니다. 이 새로운 데이터는 연구자들이 모든 항목을 수동으로 라벨링할 필요 없이, 핀란드의 식품 가공이 건강 결과와 어떤 관련이 있는지 연구할 수 있게 해줍니다. 연구 결과는 대규모 연구를 수행할 때, 컴퓨터를 사용하여 초가공 식품을 식별하는 것이 비록 가공 식품과 초가공 식품 사이의 미세한 구분이 불확실할지라도 신뢰할 수 있는 전략임을 보여줍니다. 이 작업은 영양소만으로는 식품 가공의 전체 이야기를 다 할 수는 없지만, 영양소가 우리 식품 공급의 구성과 그것이 공중 보건에 미칠 수 있는 잠재적 영향력을 이해하는 데 도움이 되는 강력한 신호를 제공한다는 점을 강조합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.