2021 Fiscal Year Annual Research Report
AIを用いたCAD/CAMコンポジットレジン冠の長期耐久性向上の試み
| Project/Area Number |
19K10244
|
|---|
| Research Institution | Osaka University |
|---|
Principal Investigator |
山口 哲 大阪大学, 歯学研究科, 准教授 (30397773)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
今里 聡 大阪大学, 歯学研究科, 教授 (80243244)
|
|---|
| Project Period (FY) |
2019-04-01 – 2022-03-31
|
| Keywords | 人工知能 / 機械学習 / CAD/CAMコンポジットレジン冠 / 修復材料 / 長期耐久性 |
|---|
| Outline of Annual Research Achievements |
本研究では，国内で入手可能な全てのCAD/CAM冠用コンポジットレジンの組成と疲労試験により得られるデータを用いて，現在臨床応用されている材料よりもはるかに高い長期耐久性を達成できる理想的な組成を人工知能（Artificial Intelligence: AI）の中でも特に機械学習を用いて明らかにすることを目的とした．研究実施計画に基づき，段階的に研究を遂行した結果，最終年度は，昨年度対象としていた14種のCAD/CAM冠用コンポジットレジンから組成の近い2種を除外し、最終的に12種のCAD/CAM冠用コンポジットレジンにを対象とした学習モデルの基盤構築に成功した．
1. 昨年度までに構築した学習モデルでは，該当するフィラーやモノマーを含有する場合は「1」，そうでない場合は「0」とすることで文字列を数値に置き換え，入力データを数学的に取り扱えるようにしていたが，これらの数値に一定の幅を与えて，「1」を「0.95～1.05」、「0」を「0～0.1」とすることで，入力データの数を12から120まで増加した．
2. 昨年度までに試したランダムフォレスト回帰に加え，Extra Tree(ET)，Gradient Boosting Decision Tree(GBDT)，Light Gradient Boosting Machine(LightGBM)，Extreme Gradient Boosting Tree(XGBoost)の4種の機械学習手法を試行し，ETとGBGTにおいて高精度に曲げ強さの予測が可能であることを確認した．
3. 昨年に引き続き，曲げ強さを出力とする学習モデルを構築し，15種のフィラーあるいはモノマーを対象に393,216通りの全ての組み合わせを用いて曲げ強さを網羅的に予測することに成功した．さらに，特徴量重要度解析を実施することで，曲げ強さの向上あるいは低下に寄与している主な要因を突き止めた．
|
Research Products
(9 results)
