医薬品3D印刷におけるアクティブラーニング：複数データセットの比較 | JoVE Visualize

科学分野:

医薬品製造
計算化学
材料科学

背景:

機械学習（ML）は、3D印刷医薬品の進歩に大きな可能性をもたらします。
医薬品における3D印刷技術の開発は、MLモデルのトレーニングに広範なデータセットが必要であることが多く、しばしば制限されます。
3D印刷のような新興の医薬品製造技術は、データ活用のための革新的なアプローチを必要とします。

研究の目的:

アクティブラーニング（AL）、すなわち機械学習戦略の有効性を、3D印刷医薬品製剤の印刷可能性を予測するために調査すること。
医薬品3D印刷における主要な課題に対処するため、限定的なデータセットでのALのパフォーマンスを評価すること。
医薬品の3D印刷の文脈で、従来のML手法に対するALの予測精度を比較すること。

主な方法:

アクティブラーニング（AL）を用いて、3つの異なる3D印刷技術（FDM、バット重合、SLS）における製剤の印刷可能性を予測しました。
本研究では、さまざまな数の製剤（FDM：1437、バット重合：650、SLS：297）を持つ3つのデータセットを使用しました。
モデルのパフォーマンスは、トレーニングデータセットのサイズが増加するにつれて、予測精度に基づいて評価されました。

主要な成果:

アクティブラーニング（AL）は、わずか33の製剤から予測精度60%を達成しました。
トレーニングデータのサイズを増やすことで、ALモデルの予測性能がさらに向上しました。
本研究では、医薬品3D印刷アプリケーションで報告されている中で最も高い100%の予測精度をALで記録しました。
ALは、これらのデータセットにおいて、従来の機械学習アプローチと比較して優れたパフォーマンスを示しました。

結論:

アクティブラーニング（AL）は、特にデータが限られている場合に、3D印刷医薬品の開発を加速するための実行可能で効果的な戦略です。
本研究は、小規模データセットでの機械学習（ML）モデリングの可能性を検証し、医薬品の研究開発におけるその適用範囲を広げます。
本研究の結果は、ALが医薬品3D印刷製剤の効率と成功率を大幅に向上させる可能性があることを示唆しています。