ハイパースペクトルイメージング技術と深層学習アルゴリズムに基づくプエラリアエ・トムソンニ根の成長年数の特定

Scientific Reports volume 13、記事番号: 14286 (2023) この記事を引用

メトリクスの詳細

プエラリア・トムソンニ根（PTR）は、病気の予防や治療に広く使用されているだけでなく、でんぷんやその他の食品の供給源としても重要な原料です。 PTR の成長年数はその品質と密接に関係しています。 生育年を迅速かつ非破壊で特定することは、PTR やその他の漢方薬の品質管理にとって不可欠です。 この研究では、PTR の成長年を迅速に特定するために、畳み込みニューラル ネットワーク (CNN) ベースの分類フレームワークをハイパースペクトル イメージング (HSI) 技術と組み合わせて提案しました。 従来の処理方法 (つまり、乗法散乱補正、標準正規変量、および Savitzky-Golay 平滑化) と機械学習アルゴリズム (つまり、ランダム フォレスト、ロジスティック回帰、単純ベイズ、および極端な勾配ブースト) を組み合わせたものを、ベースライン モデルとして使用しました。 その中で、PTR の外面に基づく CNN ベースのモデルの F1 スコアは 90% 以上で、他のすべてのベースライン モデルを上回りました。 これらの結果は、深層学習アルゴリズムを HSI テクノロジーと組み合わせて使用​​して、PTR の成長年を特定することが可能であることを示しました。 この方法は、PTR の成長年を特定するための高速、非破壊的、簡単な方法を提供します。 これは、他の伝統的な漢方薬の産地や成長年数の特定など、他のシナリオにも簡単に適用できます。

プエラリア・トムソニ・ベンス（PTB）は多年生つる植物の一種で、その根は中国薬局方にプエラリア・トムソニ・ラジックス（PTR）と名付けられています。 PTR には、イソフラボン、テルペノイド、クマリンなどのさまざまな化学成分が豊富に含まれています。 PTR は、伝統的な漢方薬の一種として長い間使用されてきました。 これらには明らかな治療効果があり、心血管疾患の改善、抗炎症、鎮痛、抗糖尿病効果、アルコールの影響の軽減、肝臓の保護、皮膚の色白化、胸の拡大などが証明されています1、2、3、4。 5、6。 中国や東南アジアでは健康食品としても有名です。 PTR には高い経済的価値と市場の需要があります。

中国薬局方によれば、プエラリン含有量（C21H20O9）はPTRの品質と薬効に影響を与えます。 PTR 中のプエラリン含有量が高いほど、PTR の品質は高くなります。 成長年齢が異なる PTR では、プエラリン含有量が異なります。 PTR 中のプエラリン含有量は成長年数に直接関係します。 Xiongら7は、1年物のPTBのプエラリン濃度が薬局方の基準をはるかに下回る低レベルであること、つまり食品または原料としてしか使用できないことを発見した。 対照的に、2 年以上熟成させた PTB は通常、標準プエラリン含有量レベルに達しており、伝統的な漢方薬に使用できます。 これらの発見は、成長年は PTR の品質、経済的および薬効に直接関係しているため、PTR の成長年を特定することの重要性を示しています。

PTR の成長年は通常、客観的な経験に従って、または物理的および化学的テストを使用して特定されます。 ただし、成長年齢が異なる PTR は同様の外観を持ちます。 そのため、客観的な判断に基づいてその特徴や色を区別することは困難です。 これまで、PTR の化学的同定は主に高速液体クロマトグラフィー (HPLC) 8,9 を使用して行われてきましたが、これは時間と労力、コストがかかり、破壊的です。 したがって、上記 2 つの方法では、PTR の生育年を高精度かつ効率的に特定することはできず、工業生産のニーズを満たすことができないと考えられます。

従来のスペクトル技術と比較して、ハイパースペクトル イメージング (HSI) 技術を使用すると、試験サンプルから表面画像情報とスペクトル情報を同時に収集できます。 多くの研究者が HSI を使用して生育年を特定し、伝統的な漢方薬の品質を管理してきました。 過去数年間で、Glycyrrhizae Radix et Rhizoma10、Ophiopogonis Radix11、Ziziphi Spinosae Semen12、および Atractylodis Rhizoma13 の生育年の識別精度は、それぞれ 97.53%、99.1%、99.14%、および 97.3% に達しました。 Zheng ら 14 は、HSI 技術に基づいて、アルメニア科の精液アマルムとペルシカ科の精液の認証を調査しました。 いくつかの異なる前処理方法と識別モデルの比較分析に基づいて、研究者らは、二次微分前処理モデルと部分最小二乗判別分析が最良のモデルの組み合わせであることを発見しました。 分類精度は100%に達しました。 Cheng ら 15 は、連続投影アルゴリズムを使用して 20 の特徴的な波長をスクリーニングし、フランキンセンスの起源を特定するためのいくつかのモデルを確立しました。 その結果、極限学習機と線形判別分析の精度は100%であった。 私たちの知る限り、PTR の成長期の特定における HSI テクノロジーの適用に焦点を当てた報告はありません。 従来のニューラル ネットワーク (CNN) などの深層学習手法は、画像分類 16 やコンテンツ予測 17 などの多くの分野で広く使用されており、高いパフォーマンスと良好な一般化を示しています。 この研究では、ハイパースペクトル画像に基づいて PTR の成長年を特定するための CNN ベースの分類フレームワークを提案しました。 ここでは、従来の処理方法 (つまり、乗法散乱補正 (MSC)、標準正規変量 (SNV)、およびサビツキー・ゴレイ平滑化 (SG)) といくつかの最先端の機械学習モデルをベースライン方法として使用しました。提案手法の有効性と優位性を実証する。