SEM画像からバイオマテリアルの骨形成率を予測する手法を開発しました![相澤研&金子研の共同研究論文]

相澤研と金子研における共同研究の成果の論文が New Journal of Chemistry に掲載されましたので、ご紹介します。タイトルは

 

Prediction of bone formation rate of bioceramics using machine learning and image analysis

 

です。これは共同研究として明治大学の相澤先生の研究室の方々と一緒に研究した成果であり、修士2年生の山本彩乃さんが四年生~修士2年生のときに取り組んだ研究の成果です。

日本では高齢者の人口が増加しており、骨粗鬆症患者は高齢者になるほど増加することから、今後日本では骨粗鬆症患者は増加すると考えられ、人工骨の開発が進められています。従来の人工骨の開発では、研究者の知見や経験等に基づいて出発物、加熱温度、多孔体を作るために必要なカーボンビーズの量などの合成条件を決定し、材料を合成します。合成した材料の気孔率、圧縮強度、X線回折 (XRD) プロファイル、フーリエ変換赤外分光 (FT-IF) スペクトルなどの材料特性を測定し、目標値に達していれば動物実験の対象とし、埋入期間などの動物実験条件を決定し、動物実験を行います。埋入期間が経過したら骨形成率などの動物実験結果を測定します。材料特性、動物実験結果が目標値に達しなかった場合、実験条件の検討へと戻り、再度材料合成を行います。多くの開発コスト・時間がかかります。

従来の人工骨開発では、現場で要求される材料特性や生体内反応が使用される部位や臨床応用の適用によって多岐にわたるため、動物実験に基づく実験結果に立脚して開発が進められてきました。ただ動物実験は倫理的に問題視されており、1959年には動物実験に対する 3Rs (Refinement, Replacement, Reduction) が掲げられ、削減する傾向にあります。さらに動物実験は一実験に数ヶ月必要であり、目標値に達せず複数回行うとなると開発期間が長期化します。そのため代替動物実験の模索が行われています。

相澤研と金子研の共同研究でも、骨形成率予測モデルの開発を進めてきました。

機械学習によりバイオマテリアルの材料特性と骨形成率を予測するモデルを構築し、直接的逆解析により新規材料の設計をしました! [相澤研&金子研の共同研究論文]
相澤研と金子研における共同研究の成果の論文が Industrial & Engineering Chemistry Research に掲載されましたので、ご紹介します。タイトルは Machine Learning Model for Pr...
機械学習に基づいて構築された骨形成率予測モデルの逆解析と実験による検証によって多孔質ハイドロキシアパタイト材料を設計しました![金子研論文]
明治大学の相澤研究室と金子研における共同研究の成果の論文が materials に掲載されましたので、ご紹介します。タイトルは Material Design of Porous Hydroxyapatite Ceramics via In...

 

本研究では、従来の骨形成率予測モデルから予測精度を向上することを目的として、走査型電子顕微鏡 (Scanning Electron Microscope, SEM) 画像に着目しました。SEM 画像から抽出した特性、埋入動物の種類、埋入期間を示す動物実験条件、気孔率や密度等の材料特性、FTIR や XRD を x とし、骨形成率 y との間で y = f(x) を構築します。

SEM 画像の特性の抽出方法には二通りの方針を提案します。一つ目は SEM 画像の輝度、白色面積、粒子の輪郭や面積を新たな x とする方法です。もう一つは、オートエンコーダから抽出される潜在変数を新たな SEM 画像の特徴量とする方法です。どちらの方法も、FTIR や XRD からは得られない材料の構造に関連する特性を抽出でき、骨形成率予測に貢献すると考えられます。

今回扱ったデータセットはサンプル数が少なく、x の数が膨大であることからiGMR と Boruta を用いてそれぞれ欠損値補完と変数選択を行いました。

[Pythonコードあり] iterative Gaussian Mixture Regression(iGMR)で欠損値を補完しましょう!(目的変数があってもなくても構いません)
下図のような欠損値 (欠損データ) のあるデータセットがあるとします。穴あきのデータセットですね。 こんなときに、穴の空いたところである欠損値を補完する方法を提案します。上の図のようなデータセットを下図のようにできます。 たとえば、論文や特...
[解析結果付き] Boruta、ランダムフォレストの変数重要度に基づく変数選択手法
Boruta という、ランダムフォレスト (Random Forest, RF) の変数重要度に基づいた変数選択手法について、パワーポイントの資料とその pdf ファイルを作成しました。いろいろなデータセットを解析しましたが、モデルの推定性...

 

iGMR と Borutaの有無、x に材料特性や FT-IR, XRD を含めるか否か等の多数の組み合わせで骨形成率予測モデルを構築し、SEM 画像由来の特性が予測精度の向上に貢献するか検証しました。

興味のある方は、ぜひ論文をご覧いただければと思います。どうぞよろしくお願いいたします。

 

以上です。

質問やコメントなどありましたら、X, facebook, メールなどでご連絡いただけるとうれしいです。

タイトルとURLをコピーしました