식품 안전성 평가에도 AI 활용…위해물질 분석과 검증은 어떻게 달라지나

농약 잔류량 예측부터 식품 진위 판별까지…식약처, AI 기반 안전관리 연구 논의

AI가 위해 가능성 예측해도 최종 판단에는 검증된 시험·분석자료 필요

잔류농약 신속 검출과 예측모델 개발…정확도·오류율·재현성 검증이 관건

[웰라이프타임즈 윤미진기자]

 

학습데이터 품질과 독립 검증 중요…AI 식품안전 기술의 신뢰성 과제

 

식약처, 식품안전 연구 5개 분야 논의…실제 규제업무 적용 성과는 별도 확인 필요

 

 

농산물에 남아 있는 농약의 양을 예측하고, 식품에 다른 원료가 섞였는지 판별하는 데 인공지능(AI)을 활용하는 연구가 진행되고 있다. 

 

대규모 시험·분석자료에서 일정한 패턴을 찾아내거나 위해 가능성이 높은 대상을 선별하는 기술이 식품안전 관리에 새로운 도구로 주목받고 있다.

 

그러나 AI가 예측한 결과와 실제 식품에서 측정한 결과는 다르다. 

 

AI가 특정 농산물의 잔류농약이 적을 것으로 예측했다고 해서 해당 농산물이 안전기준에 적합하다는 사실이 확인되는 것은 아니다. 

실제 규제 판단에 활용하려면 예측의 정확성과 적용 범위, 오류 가능성을 검증해야 한다.

 

식품의약품안전처 식품의약품안전평가원은 11월 18일부터 20일까지 제주 해비치 호텔앤드리조트에서 열리는 제41회 한국식품위생안전성학회 정기학술대회와 연계해 'AI로 여는 식품위해평가의 새로운 지평'을 주제로 5개 분야의 학술 세션을 개최한다고 밝혔다.

 

논의 분야는 식품 미생물, 잔류물질, 건강기능식품·영양, 식품첨가물, 식품 진위 판별이다. 

AI 기반 농약 잔류 예측과 신속 검출, 영양·건강기능식품 데이터 분석, 식품 원료의 진위 판별 등이 주요 연구 주제에 포함됐다.

 

식약처는 이번 학술대회를 통해 국내외 연구 동향과 성과를 공유하고 식품위해평가의 발전 방향을 논의할 계획이다. 

다만 공개된 자료에는 개별 AI 모델의 성능평가 수치나 실제 규제업무 적용 결과가 제시되지 않았다.

 

AI를 식품안전 관리에 활용하려는 시도가 확대되는 가운데, 기술 개발 자체보다 중요한 문제는 그 결과를 얼마나 신뢰할 수 있는지 확인하는 일이다.

 

식품안전 연구원이 농산물 시료의 잔류농약을 분석하고 컴퓨터 화면에서 AI 기반 위해물질 예측·분석 데이터를 검토하는 모습 (AI 생성)

 

기존 식품 위해평가와 AI 기반 기술은 무엇이 다른가

식품 위해평가는 식품에 존재하는 유해요인이 사람의 건강에 미칠 수 있는 영향을 과학적으로 판단하는 과정이다.

 

일반적으로 유해요인을 확인하고 독성이나 건강영향에 관한 자료를 검토한 뒤, 식품을 통해 사람이 해당 물질에 얼마나 노출되는지 평가한다. 이를 종합해 위해의 정도를 판단한다.

 

예를 들어 잔류농약의 위해성을 평가할 때는 농약의 독성자료와 식품별 잔류량, 식품 섭취량 등을 고려한다. 식중독균의 경우에는 오염 수준과 식품의 보관·가공 조건, 섭취 과정 등을 검토할 수 있다.

 

기존 평가에서도 통계모형과 컴퓨터 기반 분석기술이 활용돼 왔다. 

따라서 AI 도입을 기존에는 사람이 모든 자료를 수작업으로 분석하던 방식에서 처음으로 전산화를 시작하는 변화로 이해해서는 안 된다.

 

AI의 차별점은 대량의 자료에서 복잡한 관계와 패턴을 학습해 예측이나 분류를 수행할 수 있다는 데 있다.

 

농약 사용 후 경과시간과 잔류량의 관계를 학습해 특정 조건에서의 잔류량을 추정하거나, 여러 성분의 분석 신호를 비교해 식품 원료의 혼입 가능성을 판별하는 방식이다.

 

이러한 기술은 기존 위해평가의 자료 처리와 분석을 보조할 수 있다. 

그러나 AI 예측값이 독성시험이나 실제 잔류량 측정 결과를 자동으로 대체하는 것은 아니다.

 

또한 식품에서 특정 물질이 검출됐다는 사실과 그 물질이 건강에 미치는 위해의 정도는 구분해야 한다.

 

유해물질의 검출 여부와 함량을 확인하는 시험·분석, 노출량과 건강영향을 종합적으로 판단하는 위해평가는 서로 연결돼 있지만 동일한 절차는 아니다.

 

AI 기술 역시 어떤 단계에 활용되는지에 따라 검증해야 할 성능이 달라진다.

 

농약 잔류량 예측…실제 측정값과 얼마나 일치하나

이번 학술대회에서 AI의 활용 가능성이 구체적으로 제시된 분야는 잔류물질 안전관리다.

 

11월 19일 예정된 'AI를 활용한 잔류물질 안전관리 기술 혁신 방안' 세션에서는 송민호 강원대학교 교수가 'AI를 이용한 작물의 농약 잔류 예측 모델 개발'을 발표한다.

 

강승구 성균관대학교 교수는 'AI 기반의 잔류농약 신속 검출 방법'을 소개할 예정이다.

 

양식 수산물에서 수온이 동물용의약품의 잔류 소실과 휴약기간에 미치는 영향, 유해 잔류물질의 현장 신속 분석기술 개발 동향도 발표 주제에 포함됐다.

 

농약 잔류 예측모델은 작물의 종류와 농약 성분, 사용 후 경과시간, 재배환경 등 관련 자료를 활용해 잔류량의 변화를 추정하는 데 적용할 수 있다.

 

이러한 모델이 충분히 검증된다면 출하 전 잔류농약 관리가 필요한 농산물을 선별하거나 검사계획을 수립하는 데 활용할 가능성이 있다.

 

그러나 예측모델의 성능을 확인하려면 학습에 사용하지 않은 자료에서 예측값과 실제 측정값을 비교해야 한다.

 

농약의 잔류 특성은 작물의 종류와 재배환경, 기온, 강수량 등에 따라 달라질 수 있다. 특정 조건에서 개발한 모델이 다른 작물이나 지역에서도 같은 성능을 유지한다고 보장할 수는 없다.

 

예측값과 측정값의 차이를 나타내는 오차지표와 함께, 새로운 작물·재배환경에서도 예측력이 유지되는지 확인해야 한다.

 

또한 예측값이 실제보다 낮게 산출되는 경우가 얼마나 자주 발생하는지도 중요하다. 잔류농약 수준을 과소평가하는 오류는 안전관리가 필요한 농산물을 놓치는 결과로 이어질 수 있기 때문이다.

 

현재 공개된 식약처 자료에는 해당 모델의 예측오차나 외부 검증 결과가 포함돼 있지 않다. 

따라서 모델 개발 발표가 예정돼 있다는 사실만으로 기존 방식보다 정확하다고 평가할 수는 없다.

 

잔류농약 신속 검출…검사시간보다 중요한 것은 정확성

농약 잔류량을 예측하는 기술과 실제 시료에서 농약을 검출하는 기술은 구분해야 한다.

 

잔류농약 신속 검출은 농산물 시료에서 특정 농약 성분의 존재 여부나 농도를 보다 빠르게 확인하기 위한 기술이다.

 

AI는 분석장비에서 얻은 신호나 영상 등의 패턴을 해석하는 데 활용될 수 있다. 그러나 구체적으로 어떤 센서와 분석장비, AI 알고리즘을 결합하는지는 개별 연구의 내용을 확인해야 한다.

 

신속 검출 기술의 성능을 평가할 때는 검사시간뿐 아니라 실제 분석 결과가 얼마나 정확하고 일관되게 나오는지 확인해야 한다.

 

국제적인 분석화학 분야의 지침인 Eurachem의 「The Fitness for Purpose of Analytical Methods」는 분석방법의 검증에서 정확성에 관련된 진도, 정밀도, 선택성, 검출한계, 정량한계, 적용 범위 등 여러 성능 특성을 검토하도록 안내한다.

 

여기서 진도는 측정 결과가 참값이나 기준값에 얼마나 가까운지를 나타내며, 정밀도는 반복 측정 결과가 얼마나 일관되는지를 뜻한다.

 

검출한계는 분석 대상 물질의 존재를 검출할 수 있는 낮은 수준과 관련되고, 정량한계는 정해진 성능을 충족하면서 농도를 수치로 측정할 수 있는 낮은 수준과 관련된다.

 

어떤 항목을 어느 정도까지 검증해야 하는지는 분석방법의 목적과 관련 규정에 따라 달라진다.

 

AI를 결합한 신속 검출 기술 역시 실제 사용 목적에 맞는 성능 검증이 필요하다.

 

기존 시험방법과 비교해 결과가 얼마나 일치하는지, 농약이 존재하는데 검출하지 못하는 경우는 얼마나 되는지, 다른 성분 때문에 잘못 검출하는 경우는 없는지 확인해야 한다.

 

빠른 검사로 위해 가능성이 있는 시료를 선별할 수 있더라도, 최종적인 규제 판단에 별도의 확인시험이 필요한지는 해당 분석방법의 검증 수준과 법적 요건에 따라 결정해야 한다.

 

식약처가 공개한 이번 학술대회 자료에는 AI 기반 신속 검출 기술의 검사시간 단축률이나 검출한계, 기존 시험방법과의 비교 수치가 제시되지 않았다.

 

따라서 신속 검출 기술의 연구가 소개된다는 사실과 실제 검사기관에서 기존 방법을 대체할 수 있다는 주장은 구분해야 한다.

 

식품 진위 판별에도 AI…원료 혼입을 어떻게 찾아내나

AI가 활용될 수 있는 또 다른 분야는 식품의 진위 판별이다.

 

11월 20일 열리는 '식품 진위 판별 및 탐지 기술의 발전' 세션에서는 다중 오믹스 데이터와 인공지능의 융합을 다룬다.

 

중앙대학교 어중혁 교수는 대사체학과 머신러닝을 활용한 식품 진위 판별 연구를 발표할 예정이다. 식품의 성분 분석을 통해 얻은 화학적 특성을 비교하고, 다른 원료가 섞였는지 판별하는 기술이 주요 주제다.

 

중앙대학교 김영빈 교수는 여러 형태의 정보를 함께 분석하는 멀티모달 AI와 근거 기반 AI 에이전트를 식품안전 감시체계에 활용할 가능성을 소개한다.

 

이 밖에 식용 조류의 종 판별과 부정·불량식품 판별정보 데이터베이스 구축에 관한 발표도 예정돼 있다.

 

식품 진위 판별은 표시된 원료와 실제 사용된 원료가 일치하는지, 다른 원료가 혼입됐는지 등을 확인하는 과정이다.

 

대사체학은 식품에 존재하는 다양한 대사물질을 분석하는 분야다. 식품마다 나타나는 성분의 특징적인 조합을 일종의 '화학적 지문'으로 활용할 수 있다.

 

AI는 이러한 성분 패턴을 학습해 정상 시료와 다른 특징을 보이는 시료를 분류하는 데 활용될 수 있다.

그러나 식품의 성분 구성은 원료의 품종과 산지, 수확 시기, 가공방법 등에 따라서도 달라진다.

 

특정 지역에서 생산된 원료만 학습한 모델이 다른 지역의 정상 제품을 혼입 제품으로 잘못 분류할 가능성도 있다.

 

따라서 다양한 정상 시료와 혼입 시료를 확보하고, 학습에 사용하지 않은 시료를 대상으로 판별 성능을 검증해야 한다.

 

AI가 혼입 가능성을 제시했다고 해서 곧바로 해당 제품을 부정식품으로 확정할 수 있는 것은 아니다. 실제 위반 여부는 관련 기준과 적절한 확인시험을 통해 판단해야 한다.

 

영양·건강기능식품 평가, 데이터 품질이 결과 좌우

건강기능식품과 영양 분야에서도 데이터 기반 분석기술의 활용 가능성이 논의된다.

 

11월 19일 관련 세션에서는 식약처 식품의약품안전평가원의 데이터 기반 영양·건강기능식품 안전관리 연구를 비롯해 기능성 원료의 특성 데이터베이스 구축을 위한 분석기술, 정밀영양 연구에서의 데이터 기반 모델링 등이 발표된다.

 

한국인의 총식이를 고려한 영양성분 데이터베이스 구축과 섭취실태 분석도 포함됐다.

 

식품 위해평가에서는 유해물질의 함량뿐 아니라 사람이 해당 식품을 얼마나 섭취하는지도 중요하다.

같은 농도의 물질이 들어 있는 식품이라도 섭취량과 섭취 빈도에 따라 노출 수준이 달라질 수 있기 때문이다.

 

AI는 식품 섭취자료와 영양성분 정보, 개인이나 집단의 특성을 분석하는 데 활용될 수 있다.

그러나 학습자료가 특정 연령층이나 지역에 편중돼 있으면 다른 집단에 적용할 때 예측오차가 발생할 수 있다.

 

고령자의 경우 식품 섭취량과 식습관이 다른 연령층과 다를 수 있다. 

전체 인구를 대상으로 개발한 모델을 고령층에 적용하려면 해당 집단의 자료가 충분히 포함됐는지 확인할 필요가 있다.

 

또한 식품 섭취조사 자료에는 조사 대상자의 기억이나 응답에 따른 오차가 포함될 수 있다. 조리 전 식품과 조리 후 식품의 영양성분 차이도 고려해야 한다.

 

AI가 이러한 자료를 분석한다고 해서 원자료의 오차가 자동으로 해결되는 것은 아니다.

 

건강기능식품의 경우에도 AI가 원료의 특성을 분류하거나 관련 연구자료를 분석할 수는 있지만, 해당 원료의 기능성과 안전성을 입증하는 절차를 대체하는 것은 아니다.

 

기능성과 안전성에 관한 판단은 관련 법령과 평가기준에 따른 과학적 근거를 바탕으로 이뤄져야 한다.

 

식품 미생물·첨가물 연구도 논의…모두 AI 성능 검증은 아냐

이번 학술대회에서는 식품 미생물과 식품첨가물 안전관리 연구도 다뤄진다.

 

11월 18일 식품 미생물 세션에서는 국내 연구성과와 향후 추진 방향, 국제적인 연구 동향, K-푸드의 지속적인 성장을 뒷받침하기 위한 식품안전관리 체계의 발전 방향을 논의한다.

 

11월 19일 식품첨가물 세션에서는 첨가물 관리 현황과 정책 방향, 시험·분석 기술 개발 동향, 착색료 섭취에 따른 안전성 평가 사례 등을 발표한다.

 

식품 미생물 분야에서는 오염 가능성이나 식품의 보관·유통 조건에 따른 미생물 변화를 예측하는 데 AI를 활용할 가능성이 있다.

 

식품첨가물 분야에서도 대량의 시험·분석자료를 처리하거나 노출 수준을 분석하는 과정에 데이터 기반 기술을 활용할 수 있다.

 

그러나 이러한 활용 가능성과 이번 학술대회에서 실제로 발표되는 연구 내용은 구분해야 한다.

 

식약처가 공개한 세션별 발표 목록을 보면 미생물과 식품첨가물 분야에는 AI 모델의 성능 검증뿐 아니라 기존 안전관리 연구, 분석기술, 정책 방향에 관한 발표가 함께 포함돼 있다.

 

따라서 5개 분야 모두에서 AI 기술의 성능 검증이 완료됐거나 실제 도입이 확정됐다고 볼 근거는 없다.

 

AI 정확도 검증, 예측모델과 분석기술을 구분해야

식품안전 AI의 신뢰성을 확인하려면 기술의 목적에 맞는 검증이 필요하다.

 

농약 잔류량을 예측하는 모델은 실제 측정값과의 차이를 평가해야 한다. 위해물질의 존재 여부를 분류하는 모델은 실제 위해물질을 얼마나 정확하게 찾아내는지 확인해야 한다.

 

식품 원료의 진위를 판별하는 모델은 정상 제품을 잘못 판정하는 경우와 혼입 제품을 놓치는 경우를 모두 검토해야 한다.

 

이처럼 AI의 정확도는 하나의 수치만으로 평가하기 어렵다.

 

분류모델에서는 전체 정확도와 함께 민감도, 특이도, 위양성률, 위음성률 등을 검토할 수 있다.

 

위음성은 실제로 위해물질이 존재하거나 이상이 있는데도 AI가 이를 발견하지 못하는 오류다. 위양성은 정상적인 시료를 이상이 있는 것으로 잘못 분류하는 오류다.

 

농약 잔류량처럼 연속적인 수치를 예측하는 모델에서는 예측값과 측정값의 차이, 오차의 방향, 예측의 불확실성 등을 살펴봐야 한다.

 

국제적으로 참고할 수 있는 검증 원칙도 있다.

경제협력개발기구(OECD)는 규제 목적의 정량적 구조-활성 상관관계(QSAR) 모델에 대해 예측 대상의 명확한 정의, 알고리즘의 명확성, 적용 범위, 적합도·견고성·예측력, 가능한 경우 작용기전의 해석 등 다섯 가지 검증 원칙을 제시하고 있다.

 

QSAR은 화학물질의 구조와 생물학적 활성 또는 독성 등의 관계를 이용해 특정 특성을 예측하는 모델이다.

이 원칙은 화학물질의 구조-활성 관계를 예측하는 모델에 관한 것으로, 모든 식품안전 AI에 적용되는 통일된 법적 검증기준은 아니다.

 

다만 예측 대상과 적용 범위를 명확히 하고, 모델의 예측력을 객관적으로 평가해야 한다는 점에서 관련 기술의 검증을 이해하는 데 참고할 수 있다.

 

데이터가 많아도 품질이 낮으면 잘못된 결과 가능

AI 기반 식품안전 기술에서는 학습데이터의 품질도 중요하다.

 

식품 위해물질 분석자료에는 시료의 종류와 채취 시점, 분석방법, 측정단위, 검출한계 등 다양한 정보가 포함된다.

 

이러한 정보가 누락되거나 서로 다른 기준으로 수집된 자료가 충분한 검토 없이 결합되면 AI의 예측 결과에 오류가 발생할 수 있다.

 

예를 들어 농약이 검출되지 않은 시료라고 해서 농약이 전혀 존재하지 않는다고 단정할 수는 없다.

실제로는 분석방법의 검출한계보다 낮은 농도로 존재할 가능성도 있다.

이러한 자료를 모두 농약이 없는 시료로 처리하면 잔류량 예측에 영향을 미칠 수 있다.

 

학습자료와 검증자료의 독립성도 중요하다.

동일한 시료에서 반복 측정한 자료가 학습자료와 검증자료에 나뉘어 포함되면, 모델이 새로운 시료를 정확하게 예측하는 능력이 실제보다 높게 평가될 수 있다.

 

또한 동일한 농가나 특정 시기의 자료에 지나치게 의존하면 다른 지역이나 계절에서 성능이 달라질 수 있다.

 

따라서 AI 모델의 성능을 검증할 때는 다음 사항을 확인할 필요가 있다.

 

▲ 자료의 출처: 학습자료가 신뢰할 수 있는 시험·조사 결과인지 확인한다.

 

▲ 측정값의 품질: 시료 채취방법과 분석방법, 측정단위, 검출한계 등 관련 정보가 적절하게 관리됐는지 검토한다.

 

▲ 독립적인 검증: 학습에 사용하지 않은 자료로 모델의 예측력과 분류 성능을 평가한다.

 

▲ 오류와 불확실성: 실제 위해물질을 놓치는 오류와 정상 시료를 잘못 판정하는 오류, 예측값의 오차를 확인한다.

 

▲ 적용 범위: 어떤 식품과 농약 성분, 분석장비, 재배환경에서 모델이 유효한지 명확히 한다.

 

▲ 재현성과 성능 유지: 다른 검사기관이나 새로운 시료에서도 결과가 일관되는지 확인하고, 데이터와 분석환경이 달라졌을 때 성능 저하 여부를 점검한다.

 

이 항목들은 AI 기반 식품안전 기술의 신뢰성을 검토하기 위한 일반적인 검증 관점이다. 

식약처가 이번 학술대회에서 이러한 항목을 모두 포함한 새로운 공식 검증기준을 확정했다는 의미는 아니다.

 

연구성과와 실제 도입은 구분…아직 확인되지 않은 사항

식약처는 이번 학술대회에서 국내외 연구 동향과 성과를 공유하고, 산업계·학계·연구기관 전문가들과 AI 기반 식품안전 연구의 발전 방향을 논의할 계획이라고 밝혔다.

 

그러나 11월 18일 공개된 공식 자료에는 개별 AI 기술의 성능 검증 결과와 실제 규제업무 적용 성과가 포함되지 않았다.

 

현재 자료만으로 확인하기 어려운 사항은 다음과 같다.

 

▲ 모델별 성능: 농약 잔류 예측모델의 실제 예측오차와 식품 진위 판별모델의 정확도 등 구체적인 수치

 

▲ 기존 방법과의 비교: AI 기반 신속 검출 기술이 기존 분석방법보다 얼마나 빠르거나 정확한지에 관한 비교 결과

 

▲ 외부 검증 여부: 다른 연구기관이나 검사기관에서 독립적으로 성능을 검증했는지 여부

 

▲ 데이터 관리체계: 학습자료의 규모와 출처, 품질관리 방법, 데이터 편향에 대한 검증 결과

 

▲ 규제업무 도입: 어떤 기술을 실제 식품 검사나 위해평가에 활용할 것인지, 도입 시점과 운영 절차가 정해졌는지 여부

 

이는 관련 연구가 성과를 거두지 못했다는 의미가 아니다. 공개된 자료만으로는 개별 기술의 검증 수준과 실제 적용 가능성을 판단하기 어렵다는 뜻이다.

 

향후 학술대회 발표자료나 연구논문을 통해 성능 수치가 공개된다면, 검증자료의 독립성과 기존 분석방법과의 비교 결과를 추가로 확인할 필요가 있다.

 

식약처는 이번 학술대회에서 공유된 연구성과가 식품안전 정책으로 이어지기를 기대한다며 과학적 근거에 기반한 위해평가와 안전관리 체계를 강화하겠다는 입장을 밝혔다.

 

소비자 식탁의 안전, AI 도입보다 검증된 결과가 중요

AI는 대규모 식품안전 자료를 분석하고 위해 가능성이 높은 대상을 선별하는 데 활용될 수 있다.

 

농약 잔류량을 예측하거나 식품 원료의 혼입 가능성을 찾아내는 기술이 충분히 검증된다면 검사계획 수립과 위해요인 탐지에 도움이 될 가능성이 있다.

 

그러나 AI 도입 자체가 식품의 안전성을 보장하는 것은 아니다.

 

식품안전 분야에서는 분석 속도와 업무 효율성뿐 아니라 실제 위해물질을 놓치지 않는 능력, 검사 결과의 정확성과 재현성이 중요하다.

 

연구실에서 우수한 성능을 보인 기술이라도 다양한 식품과 실제 유통환경에서 같은 결과가 나오는지 확인해야 한다.

 

또한 AI가 제시한 결과를 어떤 상황에서 참고자료로 활용하고, 어떤 경우에 추가 시험이나 전문가 검토가 필요한지 판단 기준을 마련해야 한다.

 

식품안전 AI의 성과를 평가할 때는 개발된 모델의 수나 데이터 처리 속도뿐 아니라 기존 시험방법과의 일치도, 오류율, 외부 검증 결과, 실제 검사현장에서의 성능을 함께 살펴볼 필요가 있다.

 

식약처가 추진하는 AI 기반 식품위해평가 연구는 기존 시험·분석과 위해평가를 보완할 수 있는 새로운 접근이다.

 

앞으로의 과제는 AI가 얼마나 많은 정보를 분석하는지가 아니라, 위해물질을 얼마나 정확하게 예측·검출하고 그 결과를 독립적으로 검증할 수 있는지 확인하는 것이다.

작성 2026.11.18 17:12 수정 2026.11.18 17:12

RSS피드 기사제공처 : 웰라이프타임즈 / 등록기자: 윤미진 기자 무단 전재 및 재배포금지

해당기사의 문의는 기사제공처에게 문의

댓글 0개 (/ 페이지)
댓글등록- 개인정보를 유출하는 글의 게시를 삼가주세요.
등록된 댓글이 없습니다.