写真からのカロリー推定はどこまで合うか — AIが合わせやすい栄養素と、構造的にずれる栄養素

食事の写真を撮ると、アプリが数秒でkcalとPFCを返してくる。この数字がどこまで合っているのかを、使う側から確認する手段はない。

2023年以降、画像からのAI推定を秤量値や管理栄養士の推定と比べた検証が複数報告されている。結論を先に書くと、エネルギーと炭水化物は比較的合い、脂質とたんぱく質は合わない。そして誤差の大きさは、料理の複雑さではっきり変わる。研究の数字を原典から整理する。

精度の研究は「何と比べたずれ」を測っているか

精度と書かれていても、比較対象が何かで意味が変わる。検証研究が基準値に使うのは、主に調理後の食品を秤で量って食品成分表から計算した値か、レシピと分量から計算した値のどちらかだ。

2023年のシステマティックレビューは、14,059件から52研究を選び、画像からの全自動AI推定を人の評価者と基準値に対して比較している。基準値として成分表からの計算を使った研究が51%、秤量食を使った研究が27%だった。相対誤差を抽出できた69%の論文では、エネルギーの平均相対誤差は0.10%から38.3%、体積は0.09%から33%という幅に分布していた。

幅が広すぎて、平均値には意味がない。研究間で画像データベースも報告形式も異なるため、著者はメタ解析による統合を断念している。結論は、AIの推定は人の推定と同程度か上回る可能性がある一方、単独の食事評価法として使うにはさらに開発が必要、というものだった。

エネルギーは合いやすく、脂質は構造的に過大評価される

2026年に報告された検証は、栄養素ごとの差をはっきり示している。標準化された病院食15食を一定条件（90度の角度、約500ルクス）で撮影し、秤量による基準値に対して、管理栄養士10人とAIモデル10種（ChatGPT-4o、Gemini 1.5 Proを含む）の推定を比べたものだ。

エネルギーと炭水化物では、管理栄養士と上位のAIモデルがともに相関係数r>0.8に達し、±10%の範囲に収まることが多かった。一方、たんぱく質と脂質の精度は、すべてのAIモデルで有意に低かった。とくに脂質は、すべてのAIモデルで平均+20%を超える系統的な過大評価が確認されている（p<0.01）。

著者はこれを「見えない栄養素」のバイアスと呼んでいる。写真には、調理で吸った油や後からかけた調味料が写らない。写っていないものは画像から推定できず、標準的なレシピの値で埋められる。ずれの向きが一定なのは、このためだ。

なお、この撮影条件は著者自身が最良の条件と位置づけている。日常の撮影はこれより条件が悪い。

食品は識別できても、量の推定でずれる

識別の精度と、量の精度は別

2025年に報告されたChatGPT-4の検証では、食事写真114枚（38食×3段階の分量）に対し、食品の識別は適合率93.0%・再現率84.6%だった。何が写っているかは、かなり当てている。

ずれたのは量だ。76.3%の写真で食事の重量を過小評価していた。分量が小さい写真では基準値と一致したが、中・大の分量では一致しなかった（いずれもp<0.001）。16栄養素の平均絶対誤差率は26.9%、管理栄養士の推定との一致度（ICC）はエネルギー0.56、たんぱく質0.67、炭水化物0.31だった。

著者は理由として、学習データが推奨される分量に寄っている可能性と、写真に大きさの基準物が写っていないことを挙げている。あわせて、言語モデルの出力は断定的に見えるため、系統的な誤差があっても正確だと受け取られやすい点を注意している。

混ざった料理でずれが大きくなる

2024年のアプリ検証は、市販の食事記録アプリ7つのAI画像認識機能を同一の画像で比較している。食品の識別精度はアプリによって46%から97%まで開いた。単品のエネルギー推定の平均差は、アプリによって-47%から+44%まで分布している。

混ざった料理ではさらに開く。トーストにバターと卵をのせた皿で-35%と-73%、フォーやタピオカミルクティーでは最大-76%の過小評価が出ている。前述のシステマティックレビューも、単品・単純な料理の画像では誤差の幅が小さくなると報告していた。重なって隠れた食材と、見えない油脂・調味料が、同じ方向に働く。

10日間使った実測ではどうだったか

日本国内での検証も2026年に出ている。大学生36人が10日間連続で、AI画像認識アプリと秤量食事記録を同時につけ、両者の一致度を比べたものだ。

エネルギーとほとんどの栄養素で有意な正の相関が得られた（鉄、ビタミンB1、食塩相当量を除く）。一方でアプリ側は、エネルギーとたんぱく質・脂質・炭水化物を系統的に過大評価し、食物繊維を過小評価していた。Bland-Altman分析では、固定バイアスと比較的広い一致限界が示されている。

著者の結論は、全体の傾向や時間を追った相対的な摂取量の把握には有用だが、個人の栄養素量を正確に定量する用途では注意が必要、というものだった。この線引きが、そのまま使い方の指針になる。

ずれを前提にした記録の読み方

ここまでの数字は、写真からの推定が使えないことを意味しない。意味するのは、見る対象が絶対値ではなく変化だということだ。

そもそも、食事記録の合計カロリーは入力方法を変えても実測値にはならない。自己申告には過小申告が報告されており、同じ人でも日によって摂取量は大きくぶれる（記録したカロリーは実際の摂取量とずれる）。写真からの推定は、既存の誤差に別の誤差を足しているのではなく、別の種類の誤差と入れ替わっている。系統的なずれは向きが一定なので、前週との差分には乗りにくい。

研究から導けるのは、次の3点に絞られる。

• 同じ方法で続ける：方法を途中で変えると、変化なのかバイアスの差なのか判別できなくなる
• 週単位で見る：1日ごとの数字より、7日平均と前週との差のほうが誤差に埋もれにくい
• 確度の高い入力に切り替えられる食事は切り替える：表示値のある市販食品、繰り返し食べるもの、揚げ物や炒め物のように脂質の推定が上振れしやすい料理は、写真以外の入力のほうが合う（食事記録の入力方法は4通りある）

CaRoot ではどう扱っているか

CaRootは、食事の写真からAIがカロリーとPFCを推定する食事記録アプリである。推定に誤差が残ることは前提として設計している。

• 入力の入口を複数持つ：AIスキャンに加えて、バーコードスキャン（Open Food Facts連携）、内蔵の食品データベース（約2,500件）、名前からの概算、保存した「いつもの食事」。表示値が分かる市販食品はバーコード、繰り返し食べるものは「いつもの食事」のほうが、写真からの推定より確度が高い。
• 週単位で集計する：週間レポートは直近7日を集計する。カレンダーと体重・水分の記録も、日ごとの点ではなく推移として並べて見られる。
• 記録を手元に置く：ローカルファーストで、アカウントなしでも使い始められる。ログインするとクラウド同期が有効になる。

できないことも書いておく。写真に写らない油や調味料は読めない。重なって隠れた食材も読めない。研究が示す限界と同じで、アプリ側で解消できる部分ではない。見つからない食品は自分で登録できる。iOS / Android向けに公開準備中である。

参考

• Shonkoff E, et al. AI-based digital image dietary assessment methods compared to humans and ground truth: a systematic review. Ann Med. 2023;55(2):2273497. — https://pubmed.ncbi.nlm.nih.gov/38060823/
• Isobe T, et al. Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images: A Comparison with Registered Dietitians. Nutrients. 2026;18(6):966. — https://pubmed.ncbi.nlm.nih.gov/41901141/
• Sunto A, et al. Agreement Between an Artificial Intelligence-Based Meal Image Recognition System and the Weighed Dietary Record for Estimating Energy and Nutrient Intakes. Nutrients. 2026;18(6):980. — https://pubmed.ncbi.nlm.nih.gov/41901155/
• O'Hara C, et al. An Evaluation of ChatGPT for Nutrient Content Estimation from Meal Photographs. Nutrients. 2025;17(4):607. — https://pubmed.ncbi.nlm.nih.gov/40004936/
• Li X, et al. Evaluating the Quality and Comparative Validity of Manual Food Logging and Artificial Intelligence-Enabled Food Image Recognition in Apps for Nutrition Care. Nutrients. 2024;16(15):2573. — https://pubmed.ncbi.nlm.nih.gov/39125452/

この記事は食事記録における栄養素推定の精度について、一般的な情報を解説したものである。特定の疾患の診断・治療・食事療法については、医師や管理栄養士に相談してほしい。