50食の食事をラボに送り、AI、栄養表示、USDAデータのカロリー精度をテストしました

あなたが今まで見たカロリーの数字はすべて推定値です。 プロテインバーの栄養表示、「グリルチキンブレスト」のUSDAエントリー、ランチの写真を撮ったときにトラッキングアプリが出す数字 — これらはすべて、あなたの皿にある実際のエネルギー含有量の近似値です。誰もが尋ねない質問は、これらの推定値はどれほど正確で、どの情報源が現実に最も近いのかということです。

私たちはその答えを探ることにしました。Nutrolaチームは、3ヶ月の間に50食の実際の食事を購入、調理、または注文し、それぞれの写真を撮り、ラベルとUSDAデータベースの値を記録し、同一のポーションを認定された食品科学ラボに送り、爆発熱量測定を用いて分析しました。これは、食品の真のカロリー含有量を測定するためのゴールドスタンダードです。

この記事では、すべての結果を発表します。選別はせず、外れ値も省きません。すべての食事、すべての数字、すべての驚きです。

なぜこれを行ったのか

栄養業界は信頼の上に成り立っています。消費者は、パッケージ食品のラベルが正確であることを信じています。栄養士は、USDAの参照データが実際のポーションを反映していると信じています。アプリ開発者は、自分たちのデータベースが十分に近いと信じています。しかし、実際にこれらの仮定をラボ分析で検証した人は非常に少ないのです — そして、存在する研究はパッケージ食品や単一の栄養素に狭く焦点を当てています。

私たちはより広い視点を求めました。ラベル、政府のデータベース、AIによる写真推定など、主要なカロリー情報源が、実際に人々が食べる全ての食品のスペクトラムにおいてどのように機能するのかを知りたかったのです。パッケージスナック、シンプルな全食品、自家製料理、レストランの食事、国際料理など、さまざまな食品を対象にしました。そして、他のすべてのものと同じ厳密さでNutrola自体もテストしたいと考えました。

目的は、Nutrolaが完璧であることを証明することではありません。実際、完璧ではありません。目的は、各カロリー情報源がどこで優れているのか、どこで失敗しているのか、そしてそれが健康管理にこれらの数字に依存する何百万もの人々にとって何を意味するのかを理解することでした。

方法論

食事の選定

私たちは、5つのカテゴリーから50食を選び、それぞれ10食ずつ用意しました。

カテゴリー	例
パッケージ食品	プロテインバー、冷凍ディナー、缶スープ、シリアル、ヨーグルトカップ
シンプルな全食品	バナナ、生の鶏胸肉、ゆで卵、玄米、アボカド
自家製料理	スパゲッティボロネーゼ、鶏の炒め物、レンズ豆のスープ、シーザーサラダ、バナナパンケーキ
レストランの食事	ファストフードのハンバーガー、寿司盛り合わせ、タイのグリーンカレー、ピザスライス、ブリトーボウル
国際料理	インドのバターチキン、日本のラーメン、メキシコのタマレス、エチオピアのインジェラプレート、韓国のビビンバ

食事はアイルランドのダブリンで購入または調理され、実際のユーザーが一般的にトラッキングする食品を代表するよう選ばれました。データベースやAIシステムにとって難しいとされるアイテムも意図的に含めました：ソースがたっぷりかかった料理、揚げ物、多成分の食事、油やバターの含有量を視覚的に推定するのが難しい食品です。

ラボ分析

すべてのサンプルは、ISO 17025認定の食品テストラボに送られました。各食事は、食品の総エネルギー含有量を決定するための基準方法である爆発熱量測定を用いて分析されました。

爆発熱量測定では、正確に計量された食品サンプルが密閉された酸素豊富なチャンバー（「ボム」）に置かれ、点火されます。完全燃焼中に放出される熱は、周囲の水ジャケットによって測定されます。得られた値はキロカロリーで表され、食品中の総化学エネルギーを示します。人体が抽出できないエネルギー（主に繊維から）を考慮するために補正係数が適用され、代謝可能エネルギー値 — 栄養表示に表示されるべき数字が得られます。

50食の各食事は三重に分析され（3回の独立した実行）、平均値がラボの基準として使用されました。三重の変動係数はすべてのサンプルで2%未満であり、高い測定精度が確認されました。

比較情報源

各食事について、4つの情報源からカロリー値を記録しました：

1. ラボ（爆発熱量測定） — 真実の基準
2. Nutrola AI — NutrolaのAIシステムが、通常の照明下で標準的なディナープレートに置かれた食事の写真から生成したカロリー推定値
3. 栄養表示 — パッケージに印刷された値（パッケージ食品の場合）またはレストランが発表したカロリー数（レストランの食事の場合）。全食品や自家製料理の場合、この列は利用可能な場合は製造者のラベルを使用し、利用できない場合はN/Aとマークします。
4. USDA FoodData Central — 各成分をUSDAデータベースで調べ、測定された重量に基づいて成分を合計した値

自家製料理の場合、USDAの値は各生の成分をキッチンスケールで計量し、USDA FoodData Centralでグラムあたりのカロリー値を調べて合計することによって計算されました。これは、最も注意深い手動トラッカーが使用する方法です。

Nutrola AIの推定値は、各食事が一度だけ写真に撮られました。写真を再撮影したり、角度を調整したり、通常のユーザーが提供する以上の追加情報を提供したりすることはありませんでした。AIシステムは食品を特定し、ポーションを推定し、カロリー値を返しました。

統計的アプローチ

精度は**平均絶対パーセント誤差（MAPE）**として報告されます — ラボ値からの絶対パーセント偏差の平均で、次のように計算されます：

MAPE = (1/n) * SUM(|推定値 - ラボ| / ラボ * 100)

また、符号付き平均誤差（系統的な過大または過小評価を示すため）、誤差の標準偏差、および95%信頼区間も報告します。

結果

全体的な精度: 50食すべて

情報源	平均絶対誤差 (MAPE)	符号付き平均誤差	標準偏差	95% CI of MAPE
Nutrola AI	7.4%	-1.2%	5.9%	5.7% - 9.1%
USDA 参照	8.1%	-2.8%	6.7%	6.2% - 10.0%
栄養表示*	12.6%	+6.3%	9.4%	9.1% - 16.1%

*栄養表示データは50食中30食（パッケージ食品、一部のレストランの食事）で利用可能。MAPEは利用可能なデータのみで計算。

最初の注目すべき発見は、栄養表示がラボ値から最も大きな平均偏差を示し、カロリーを一貫して過大評価していることです。 正の符号付き平均誤差+6.3%は、ラベルが実際の食品が含むカロリーよりも多くを主張していることを意味します。これは、製造業者がFDAやEUの規制許容範囲内に収めるために、上方に丸める傾向があることを示す以前の研究と一致しています。

NutrolaのAIとUSDAデータベースは全体的な精度において同等のパフォーマンスを示し、Nutrolaはわずかに低いMAPE（7.4%対8.1%）を示しました。このサンプルサイズでは統計的に有意な差はありません（p = 0.41、絶対誤差に対する対応t検定）。しかし、誤差のパターンは2つの情報源間で大きく異なり、カテゴリー別の内訳がそれを明らかにします。

食事カテゴリー別の精度

カテゴリー (n=10ずつ)	Nutrola AI MAPE	USDA MAPE	ラベル MAPE	最良の情報源
パッケージ食品	6.2%	4.8%	9.7%	USDA
シンプルな全食品	4.1%	3.2%	11.4%*	USDA
自家製料理	7.9%	6.4%	N/A	USDA
レストランの食事	8.6%	14.2%	16.8%	Nutrola AI
国際料理	10.1%	15.7%	N/A	Nutrola AI

*全食品のラベル値はパッケージの1食あたりの主張に基づいています（例：中サイズのリンゴ1個あたり「95 kcal」と表示されている袋のリンゴ）。

ここから興味深いストーリーが展開します。

パッケージ食品とシンプルな全食品に関しては、USDAデータベースが勝利します。 これは理にかなっています。USDAデータは標準化された食品アイテムのラボ分析から得られています。シンプルなゆで卵や生のバナナを食べるとき、USDAの値は実質的にラボ結果そのものであり、私たちの独立したラボの発見と密接に一致します。

レストランの食事や国際料理に関しては、NutrolaのAIがUSDAや公表されたカロリー数を大きく上回ります。 レストランの食事はUSDA MAPEが14.2%であるのに対し、Nutrolaは8.6%です。その理由は明白です：USDAデータは理想化された成分を説明するものであり、レストランのキッチンが実際に皿に盛るものを考慮していません。「鶏の照り焼きご飯」のUSDAベースの推定は、シェフが使用した油の量、ソースの厚さ、実際のポーションサイズを考慮することができませんが、目の前の実際の皿を分析する視覚AIシステムはそれを行うことができます。

10の大きな驚き

これらの個々の食事は、少なくとも1つの情報源とラボ値との間に最も大きなギャップを生じさせました：

食事	ラボ (kcal)	Nutrola AI	ラベル	USDA	最大誤差の情報源	誤差
レストランのパッタイ	738	692	520*	584	ラベル	-29.5%
冷凍「リーン」ラザニア	412	388	310	395	ラベル	-24.8%
バターチキンとナン	943	874	N/A	716	USDA	-24.1%
パッケージトレイルミックス（1食）	287	264	230	271	ラベル	-19.9%
自家製シーザーサラダ	486	421	N/A	347	USDA	-28.6%
ファストフードのダブルチーズバーガー	832	898	740	780	ラベル	-11.1%
韓国のビビンバ	687	742	N/A	531	USDA	-22.7%
缶トマトスープ（1缶）	189	202	180	184	Nutrola AI	+6.9%
日本の豚骨ラーメン	891	824	N/A	648	USDA	-27.3%
スパゲッティボロネーゼ（自家製）	623	581	N/A	527	USDA	-15.4%

*レストランが公表したカロリー数。

外れ値からいくつかのパターンが浮かび上がります。

レストランが公表したカロリー数は最も信頼性が低い。 パッタイはレストランメニューで520 kcalと表示されていましたが、実際にはラボで738 kcalでした — 29.5%の過小評価です。これは珍しいことではありません。2013年に発表されたアメリカ医師会誌の研究では、レストランの食事は平均して公表された数値よりも18%多くのカロリーを含むことがわかりました。中には公表された数値を30%以上超えるものもありました。

USDAデータはカロリー密度の高い調理食品を系統的に過小評価します。 バターチキン、ビビンバ、ラーメン、ボロネーゼ、シーザーサラダは、USDA成分検索を通じて推定した場合に大きな負の誤差を示しました。共通の要因は調理脂肪です。「植物油」や「バター」のUSDAエントリーはグラムあたり正確ですが、実際に調理に使用される脂肪の量 — 特にレストランや国際料理において — は直接測定なしには非常に推定が難しいのです。自家製のシーザーサラダドレッシングだけでも、レタスと混ぜるとほとんど見えなくなる油が3〜4杯分含まれることがあります。

NutrolaのAIは高脂肪料理を過小評価し、シンプルな食品をわずかに過大評価する傾向がありました。 レストランの食事の符号付き誤差は-3.8%（軽度の過小評価）であり、シンプルな全食品は+1.9%（軽度の過大評価）を示しました。これは、AIが追加脂肪を推定する際にやや保守的であることを示唆しています — これは視覚的推定システムにとって知られた課題であり、揚げ物中に吸収された油は表面上は見えません。

標準偏差と一貫性

生の精度も重要ですが、一貫性も重要です。毎回5%ずれている情報源は、0%の時と30%の時がある情報源よりもトレンドを追跡するのに役立ちます。

情報源	誤差の標準偏差	誤差の範囲（最小から最大）	ラボ値から10%以内の食事の割合
Nutrola AI	5.9%	-12.4%から+8.7%	74% (37/50)
USDA 参照	6.7%	-28.6%から+4.1%	62% (31/50)
栄養表示	9.4%	-29.5%から+14.2%	53% (16/30)

Nutrola AIは、すべての情報源の中で最も低い標準偏差と最も狭い誤差範囲を示しました。Nutrolaの推定値の74%がラボ値の10%以内に収まりましたが、USDAは62%、栄養表示は53%でした。この一貫性の利点は、AIが間違っている場合でも、予測可能な小さな誤差で間違う傾向があることを意味します — これは、長期的なカロリートレンドを追跡する際に、時折完璧な精度と大きな外れ値が混在するよりも価値があります。

マクロ栄養素の精度分析

私たちはまた、20食のサブセットに対してマクロ栄養素（タンパク質、脂肪、炭水化物）の推定値をラボ値と比較しました。結果はカロリーの発見を強化します：

マクロ栄養素	Nutrola AI MAPE	USDA MAPE	ラベル MAPE
タンパク質	8.2%	6.1%	10.8%
脂肪	11.4%	12.7%	14.1%
炭水化物	6.8%	5.9%	9.3%

脂肪の推定は、すべての情報源において最も弱いポイントです。これは予想されることであり、脂肪含有量は視覚的に（AIにとって）評価するのが最も難しく、調理においても（データベースにとって）最も変動があります。油の量が1杯多いか少ないだけで、約14グラムの脂肪と120カロリーが加わり、カメラやデータベースのエントリーではその変動を完全に捉えることができません。

主要な発見

1. 栄養表示は規制許容範囲を利用している — 寛大に

アメリカでは、FDAは栄養表示がカロリーの記載値から最大20%の偏差を持つことを許可しており、実際の値がラベルを20%超えない限り、ラベルは適合と見なされます。欧州連合も同様の許容範囲を適用しています。私たちのデータは、製造業者がこの許容範囲を十分に理解し、戦略的に利用していることを示唆しています。

私たちの研究で調査した20のパッケージ食品とラベル付きレストランの食事のうち、14（70%）がラボ値に対してカロリーを過小評価していました。平均的な過小評価は8.9%でした。過大評価された食事は4食（20%）であり、2食はラボ値の2%以内でした。

この方向性のバイアスは偶然ではありません。カロリーを過小評価することで、製品は「軽い」と見え、健康志向の消費者にとって魅力的に映ります。310 kcalと主張する冷凍食事が実際には412 kcalを含む（「リーン」ラザニアで見つかったように）場合、それはダイエットフレンドリーな棚に位置づけられながら、実際には広告されたよりもかなり多くのエネルギーを提供します。

ラベルに依存してカロリー赤字を維持しようとしている人にとって、この系統的な過小評価は深刻な問題です。もしラベルが平均して-8.9%もずれていて、1,800 kcalを目標にした3食のラベル付き食事を食べていると、約1,960 kcalを摂取している可能性があります — これは意図した500カロリーの赤字をほぼ半分に減少させるのに十分です。

2. USDAデータは生の食材に優れ、調理食品には苦戦する

USDA FoodData Centralデータベースは素晴らしいリソースです。シンプルで未加工の食品 — バナナ、鶏胸肉、1カップのご飯 — に対しては非常に正確です。私たちのデータは、シンプルな全食品に対するMAPEがわずか3.2%であり、これは繰り返しのラボ測定にほぼ匹敵します。

しかし、調理が始まると、USDAの精度は低下します。自家製料理の場合、MAPEは6.4%に上昇しました。レストランの食事では14.2%に跳ね上がり、国際料理では15.7%に達しました。

問題はデータベース自体ではなく、データベースのエントリーと実際の調理との間のギャップです。「野菜炒め」のUSDAエントリーは、特定の油の量、特定の調理時間、特定の野菜のミックスを前提としています。あなたの炒め物 — または地元のタイレストランで提供されるもの — は、油の量が2倍であったり、脂肪分の多い野菜が含まれていたり、より大きなポーションであったりするかもしれません。データベースはこれらの変動を考慮できず、平均を記述することしかできません。

これは、成分を計量し、データベースで調べることで「正確な」ログを誇る手動トラッカーにとっての意味があります。そのアプローチは、計量された成分を使用して自宅でシンプルな食事を調理する場合にはうまく機能しますが、外食や持ち帰り、脂肪の量が不確定なレシピを調理する場合には崩壊します。

3. AIによる写真推定は予想以上に正確 — 特に実際の食事に対して

この研究を実施する前、私たちの内部の仮定は、NutrolaのAIがシンプルな食品にはうまく機能し、複雑な食事にはうまく機能しないだろうというものでした。データは部分的にこれを支持し、部分的には反証しました。

予想通り、AIの最良のパフォーマンスはシンプルな全食品において（4.1% MAPE）でした。バナナはバナナのように見え、AIのトレーニングデータには、重さとカロリー値が知られているバナナの画像が数千枚含まれています。

驚いたのは、レストランや国際料理におけるAIの相対的なパフォーマンスです。8.6%および10.1%のMAPEで、NutrolaはUSDAベースのアプローチ（14.2%および15.7%）を大きく上回りました。AIはこれらのカテゴリーでいくつかの利点を享受しているようです：

• 視覚的手がかりからのポーションサイズ推定。 AIは皿、ボウル、器具を参照オブジェクトとして使用して食品の体積を推定し、提供された実際のポーションを捉えます。
• ソースやトッピングの検出。 モデルは、目に見えるソース、グレーズ、溶けたチーズ、その他のカロリー密度の高いトッピングを特定するようにトレーニングされていますが、データベース検索では見逃される可能性があります。
• 料理別のキャリブレーション。 Nutrolaのトレーニングデータには、レストランや国際料理からの数万のラベル付き画像が含まれており、モデルは料理別のパターン（例えば、ラーメンのボウルには見た目以上に脂肪が含まれること）を学習しています。

とはいえ、AIは完璧ではありません。その最も弱い瞬間は、隠れた脂肪に関するものでした — 揚げ物に吸収された油、ソースに溶け込んだバター、スープに混ぜられたクリームなど。これらのカロリーは物理的には存在しますが、視覚的には検出できず、追加のユーザー入力なしではどのカメラベースのシステムでも達成できない限界を示しています。

4. 隠れたカロリーの元凶

50食のすべてにおいて、推定誤差の最大の原因は追加の調理脂肪でした。調理中に使用される油、バター、ギー、クリームなどの脂肪が、大きな偏差の大部分を占めました。

自家製のシーザーサラダを考えてみてください。私たちのラボでは486 kcalと測定されました。USDAベースの推定値は347 kcalであり、28.6%の過小評価でした。このギャップはほぼ完全にドレッシングに起因しています：オリーブオイル、卵黄、パルメザン、アンチョビペーストを含む自家製のシーザードレッシングです。USDAの推定値は「標準的な」ドレッシングの量を使用しましたが、実際のポーションはかなり寛大でした。

同様に、バターチキンはラボで943 kcal、USDAでは716 kcalでした — 標準データベースエントリーで想定される量を大きく超えたバターとクリームの量によって、24.1%の誤差が生じました。

これらの発見は、栄養科学における確立された原則を反映しています：脂肪は最もカロリー密度の高いマクロ栄養素（9 kcal/g対4 kcal/gのタンパク質と炭水化物）であり、正確に推定するのが最も難しい。 脂肪の推定における小さな誤差は、大きなカロリー誤差を生じさせます。どの推定方法でも見逃された1杯の油は、119カロリーを加算します。

日常のトラッカーにとっての意味

体重管理のためにカロリーをトラッキングしている場合、これらの発見にはいくつかの実用的な意味があります：

ラベルが絶対的な真実であると仮定しないでください。 栄養表示は有用な出発点ですが、特にパッケージ食品やレストランが公表したカロリー数については、実際のカロリー含有量を10-20%以上過小評価することがあります。「正確に」ラベル通りの食事をしている場合、この隠れた余剰が説明となる可能性があります。

USDAの検索は、シンプルな自家製食事に対して最も信頼できます。 自宅で料理し、成分を計量し、主に全食品を使用している場合、USDAベースのトラッキングアプローチは非常に正確です。食事が複雑になり、レストランの影響を受けるほど、この方法の信頼性は低下します。

AIによる写真トラッキングは、実際の食事に対して最良のバランスを提供します。 自宅で調理したもの、レストラン、パッケージ食品のミックスを食べる人々 — これはほとんどの大人を説明します — にとって、NutrolaのようなAIベースのシステムは、カテゴリー全体で最も一貫した精度を提供します。シンプルな鶏胸肉のために注意深く計量されたUSDAの検索を上回ることはありませんが、金曜日の夜に注文したパッタイに対しては、そのアプローチを大きく上回ります。

高脂肪の食事には常に疑いを持ってください。 どのトラッキング方法を使用しても、揚げ物、重いソース、クリーム、バター、チーズを含む料理は、過小評価される可能性が最も高いものです。疑わしい場合は、リッチに見えるまたは味わう食事に対して小さなバッファ（50-100 kcal）を追加してください。Nutrolaでは、AIの推定値をレビュー後に手動で調整することもでき、システムは時間とともにあなたの修正から学びます。

一貫性は完璧さよりも重要です。 私たちのデータは、Nutrolaの最大の利点が平均的な精度ではなく、一貫性 — 最も低い標準偏差とラボ値の10%以内の推定値の最高割合にあることを示しました。長期的なトラッキングにおいて、常に5-7%ずれているシステムは、時折完璧で時には25%ずれているシステムよりもはるかに有用です。一貫したバイアスは考慮できますが、気まぐれな誤差はできません。

制限事項

この研究の制限について透明性を持ちたいと思います：

• サンプルサイズ。 50食はパターンを特定するには十分ですが、すべてのサブカテゴリーにおいて決定的な統計的結論を導くには不十分です。各カテゴリーには10食しか含まれていません。より大きな研究は、カテゴリー別の発見に対する信頼を高めるでしょう。
• 単一の地理的地域。 すべての食事はアイルランドで調達されました。レストランのポーションサイズ、調理方法、成分の調達は国や都市によって異なります。他の地域では結果が異なる可能性があります。
• 単一のAIシステムをテスト。 NutrolaのAIのみをテストしました。他のAIベースのカロリートラッカーは異なるパフォーマンスを示すかもしれません。競合製品にも同様の分析を行い、公開することをお勧めします。
• 写真条件。 すべての写真は、食品写真のベストプラクティスに精通したチームメンバーによって撮影されました。典型的なユーザーが急いで撮った写真や悪い照明では、AIの精度が若干低下する可能性があります。
• 爆発熱量測定は総エネルギーを測定。 代謝可能エネルギーの補正は適用されましたが、個々の消化や吸収の違いにより、特定の人が食品から抽出する「真の」カロリーはラボ値から数パーセント異なる場合があります。

結論

あなたの皿の上のカロリーの数字は常に推定値ですが、すべての推定値が同じではありません。

栄養表示は、公式な外観にもかかわらず、私たちがテストした中で最も正確性が低く、カロリーを過小評価する系統的な傾向があります。USDAデータはシンプルで生の自家製食品には優れていますが、レストランの調理や国際料理の現実には苦戦します。Nutrolaに実装されたAIベースの写真トラッキングは、実際に人々が食べる食品の全範囲にわたって最も一貫したパフォーマンスを提供し、ラボ値からの平均絶対偏差は7.4%です。

どのトラッキング方法も完璧ではありません。AIを欺く食品は、データベースやラベルも欺きます — ソースがたっぷりかかった、油が豊富な、多成分の食事は、どのシステムでも推定が最も難しいままです。しかし、信頼できる、低労力で自分が食べているものを理解したい日常のトラッカーにとって、データは、実際の皿を見ているよくトレーニングされたAIが、工場で印刷されたラベルや理想化されたレシピのために書かれたデータベースエントリーよりも真実に近づくことを示唆しています。

Nutrolaは、正確さが努力を必要としないべきだという原則に基づいて構築されています。あなたが写真を撮ると、AIが作業を行います。この研究は、その約束に対して私たち自身を説明責任を持たせる方法であり、私たちを信頼している人々と結果を共有すること — 弱点も含めて — でした。

Nutrolaを試してみたい方は、プランは月額€2.50からで、すべてのティアに広告はありません。私たちは、正確なデータであなたの信頼を得ることを望んでおり、広告主に注意を売ることは望んでいません。

この研究の生データテーブルは、独自の分析を行いたい研究者、ジャーナリスト、栄養士にリクエストに応じて提供されます。研究に関するお問い合わせは、research@nutrola.comまでご連絡ください。