AI 기반 병원 환자 영양 섭취 자동 평가 시스템

초록

본 논문은 입원 환자의 식사 전·후 RGB‑D 이미지 쌍을 이용해 영양 섭취량을 자동으로 추정하는 인공지능 시스템을 제안한다. 322식의 이미지·레시피 데이터베이스를 구축하고, 다중 과제 신경망과 3D 표면 재구성 알고리즘을 결합해 식품별 의미론적 분할과 부피 추정을 수행한다. 실험 결과 평균 15 % 정도의 영양 섭취 오차를 달성했으며, 기존 수작업 방식 대비 정확도와 효율성을 크게 향상시켰다.

상세 분석

이 연구는 병원 내 영양 관리의 핵심 과제인 ‘식사 섭취량 정확한 측정’에 AI 기술을 적용한 최초 사례 중 하나로 평가된다. 먼저 저자들은 RGB와 깊이 정보를 동시에 제공하는 RGB‑D 카메라를 활용해 식사 전후 두 장의 이미지를 촬영한다. 기존 연구에서는 2D 이미지 기반의 식품 분류에 머물렀지만, 깊이 데이터는 음식의 실제 부피를 추정하는 데 필수적이다. 이를 위해 322개의 다양한 식단을 포함한 대규모 데이터셋을 자체 구축했으며, 각 식품에 대한 레시피·영양 성분표를 메타데이터로 부착하였다. 데이터 라벨링은 ‘식품 종류별 마스크 생성’과 ‘식품별 무게·부피 기준값’ 두 단계로 이루어졌으며, 라벨링 효율을 높이기 위해 반자동 스크립트와 군집 기반 전처리를 도입했다.

핵심 모델은 다중 과제 학습을 수행하는 합성곱 신경망(CNN) 구조로, 하나의 네트워크가 동시에 (1) 의미론적 식품 분할, (2) 깊이 맵 보정, (3) 부피 추정용 3D 포인트 클라우드 생성이라는 세 가지 작업을 수행한다. 네트워크는 ResNet‑101을 백본으로 사용하고, 각 과제별 손실 함수를 가중합해 최적화하였다. 특히 3D 표면 재구성 단계에서는 포인트 클라우드에서 볼록 껍질(convex hull)과 스무딩 알고리즘을 적용해 실제 음식의 부피를 근사하였다. 부피와 레시피 데이터베이스를 매핑함으로써 각 식품별 칼로리·단백질·지방·탄수화물 함량을 자동 계산한다.

평가에서는 식사 전후 이미지에서 추정된 영양 섭취량을 실제 무게·영양 성분과 비교했으며, 평균 절대 오차율은 15 %에 머물렀다. 이는 기존 2D 기반 방법이 보이는 30 % 이상 오차에 비해 현저히 낮은 수치이다. 또한 시스템은 이미지 촬영부터 결과 도출까지 평균 3초 이내의 처리 시간을 기록해 실시간 임상 적용 가능성을 시사한다. 한계점으로는 복잡한 소스(예: 스튜, 혼합 샐러드)에서의 분할 정확도 저하와, 깊이 센서의 노이즈가 부피 추정에 미치는 영향이 제시되었다. 향후 연구에서는 멀티모달 데이터(예: 적외선, 초음파)와 강화 학습 기반 보정 모델을 도입해 정확도를 더욱 개선하고, 다양한 병원 환경에 대한 일반화 검증을 수행할 계획이다.