Development of AI medical care system that predicts / prevents locomotive syndrome from the characteristics of knee joint acoustic and body-balance.
| Project/Area Number |
21K12655
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 90110:Biomedical engineering-related
|
|---|
| Research Institution | Nihon University |
|---|
Principal Investigator |
長尾 光雄 日本大学, 工学部, 教授 (90139064)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
紺野 愼一 福島県立医科大学, 医学部, 教授 (70254018)
荊 雷 会津大学, コンピュータ理工学部, 上級准教授 (30595509)
|
|---|
| Project Period (FY) |
2021-04-01 – 2024-03-31
|
| Project Status |
Granted (Fiscal Year 2022)
|
| Budget Amount *help |
¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2023: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2022: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2021: ¥2,340,000 (Direct Cost: ¥1,800,000、Indirect Cost: ¥540,000)
|
|---|
| Keywords | 歩行長寿 / small data / WOMAC / 変形性膝関節症 / ロコモティブシンドローム / 過学習 / 身体活動 / 機械学習 / 中高齢者 / WOMAC変形性関節症指数 / データ拡張 / 膝関節 / 人工知能 / AI人工知能 / 重心動揺 |
|---|
| Outline of Research at the Start |
・AIを用いて中高齢者の運動器症候群（ロコモティブシンドローム）を診断予知し、これに基づく予防の処方箋を提示する計測診断方法の開発を目指し、高齢者の歩行長寿に貢献する。
・特徴はいつでもどこでも誰にでも簡便に計測可能なシステムを想定している。
・予知/予防とは臨床と工学の相互データから学習させた予測精度が高いAIアルゴリズムを構築する。
・AI構築の対象はロコモ度、関節音、バランス、アライメントから試行し、精度向上と最適化を進める。
|
| Outline of Annual Research Achievements |
［１］新規BJASデバイスの試作開発（代表）；実施計画書で目的とした被験者計測センサデバイスの試作開発は達成された。内容は通算No.8をWi-Fi式無線化でNo.9に改良、さらに発信機筐体をサイズダウンし、センサは市販品に計測基盤を搭載したNo.10を試作し、性能を確かめた。新たな仕様(案)も進めた。一方では、目指した被験者臨床データとの突合せが困難な環境であった。AIでロコモ度を予測するデータは2018年度～2019年度のデータを提供した。
［２］臨床学的診療情報の取得（分担１）；標準的な変形性膝関節症に対する疾患特異的な評価尺度として、WOMACによる評価を行う計画であった。構成は疼痛:5項目、こわばり:2項目、機能:17項目の3グループであり、計24項目に自記式で回答する方式である。この回答と診療データをAIデータとして提供する予定であった。コロナ感染症拡大防止のため、本研究の対象となるWOMACスコア被験者を得ることが難しかった。2023年度には十分な症例数確保を想定している。
［３］臨床情報からAI診療支援の開発（分担２）；2022年度は、提供された120名のデータから約30名に分けてロコモデータを効率的に利用し、ロコモステージ0から3までの4つのステージに自動分類する機械学習手法を開発した。これは、データを効率的に利用するために、異常値排除、ハイパーパラメータの最適化、アンサンブル学習などの技術を活用した。各ステージの30個のデータを訓練、検証、テストに三等分して、各部分が10人分のデータを利用した。訓練には、近傍法(kNN)、決定木(DT)、パーセプトロン(Perceptron)、三種類の機械学習モデルを利用し、検証における認識率はそれぞれ89%、93%、76%であった。最後にアンサンブル学習により、三つのモデルの認識結果を融合し、認識率94%を達成した。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
［全体］研究実施計画に照らしての補助事業者全体の進捗状況・評価（３）； ［１］新規BJASデバイスの試作開発（代表）は評価（３）、［２］臨床学的診療情報の取得（分担1）は評価（４）、［３］臨床情報からAI診療支援の開発（分担2）は評価（２）であった。全体の評価は（３）と申告する。
［１］代表・評価（３）；膝関節屈伸動作時の関節面発信音響強度計測センサの開発は、実験室から出て臨床現場で計測可能なデバイス開発を目指している。試作は通算No.8をWi-Fi式無線化でNo.9に改良、これを量産化と小型軽量化を図るため市販品に機能改善基盤を搭載したNo.10を試作した。これを膝OA膝、ロコモ、およびフレイルの被験者臨床データとの突合せが困難な環境であった。AIでロコモ度を予測するデータは2018年度～2019年度のデータである。
［２］分担1・評価（４）；臨床データを収集するにあたって、外来患者症例の収集が必要となる。2022年度はCOVID-19感染拡大により、分担研究者の在籍する基幹病院での併進診療では、WOMAC指数と診療データの取得と、AI提供データ整理を同時に行うことは、感染対策を講じたとしても困難であった。協力病院でも同様に困難であった。2023年5月からCOVID-19感染症が5類に移行するため、所期の目的と研究計画達成の環境が整った。
［３］分担2・評価（２）；機械学習手法の研究開発が予定通りに完成した。データ処理、前処理、ハイパーパラメータ最適化、アンサンブル学習を含めた機械学習手法を提案した。さらに、比較実験により、認識手法の性能を評価し、その結果は、2021年度の機械学習モデルkNN 60%、決定木70%であったが、2022年度の新しいモデルの精度は94%まで向上した。
|
| Strategy for Future Research Activity |
［１］代表；被験者計測センサデバイスの試作開発は所期の目的を達成した。臨床計測作業軽減と簡易化のため慣性センサ搭載したハイブリットセンサデバイスNo.11を試作することで屈伸終始時間とバランス、および関節音響計測の可能性を探る。AI臨床診断データ計測環境改善を引き続き要請する。
［２］分担1；2023年5月からCOVID-19感染症が5類に移行するため、外来患者への多人数の関与が可能な環境が整えば、所期の目的であるデータ取得と管理、工学的な検証、AI診療データの提供が進められる。①WOMAC指数、②診療データおよび③BJASによる膝関節音響信号強度指数、これら計測できる環境整備に努める。
［３］分担2；機械学習のモデルの精度、汎用性などの性能を改善・検証する。先ずは、IMUのデータを追加、個別膝関節特徴の情報を増やすことで、モデルの精度向上が期待できる。次に、ベイズ最適化手法で、利用する特徴値を最適化し、計算量を減らし、モデルの汎用性も強化する。さらに、訓練用データを増やし、モデルの性能改善を検証する。
（変更・課題・対応策）
●代表；【変更】所期よりデバイスの開発は進展した。現実験室は2023年8月中に所属研究機関に返還する。【課題】データが取れる実験室と要員を新たに確保する。研究の中断、計画の遅延も起こり得る。【対応策】人員と場所の受け入れ先を探す。 ●分担１；【変更】AI予測予防医療の推定には臨床の4つグループで各2～30名を目指す。【課題】AIの予測精度や一致率に偏りが無いよう選択する。【対応策】医科大と協力医院の受け入れを進める。 ●分担２；【変更】AI診療やロコモ度の精度は現状のデータで進め、新規は追加する。【課題】臨床診断と異なる予測予防、その処方箋になる。【対応策】軽度から重篤までの膝OA膝、ロコモ、歩行、バランスの被験者を募る。分担１の提供データ次第である。
|
Report
(2 results)
Research Products
(17 results)
