[論文レビュー] Is Machine Learning Able to Detect and Classify Failure in Piezoresistive Bone Cement Based on Electrical Signals?

Hamid Ghaednia, Crystal E. Owens+5 more|arXiv (Cornell University)|Oct 23, 2020

Electrical and Bioimpedance Tomography参考文献 27被引用数 6

ひとこと要約

本研究では、電気的インピーダンス断層法（EIT）信号を用いて、圧電抵抗性ポリメチルメタクリレート（PMMA）骨セメントにおける早期機械的故障を正確に検出・分類できることが示された。自己センシングセメントとEIT、特にニューラルネットワークおよび主成分分析（PCA）を組み合わせることで、欠陥タイプの分類において98％の正確性を達成し、早期インプラント故障の診断に向けたリアルタイムで非侵襲的な手法として有望である。

ABSTRACT

At an estimated cost of $8 billion annually in the United States, revision surgeries to total joint replacements represent a substantial financial burden to the health care system. Fixation failures, such as implant loosening, wear, and mechanical instability of the poly(methyl methacrylate) (PMMA) cement, which bonds the implant to the bone, are the main causes of long-term implant failure. Early and accurate diagnosis of cement failure is critical for developing novel therapeutic strategies and reducing the high risk of a misjudged revision. Unfortunately, prevailing imaging modalities, notably plain radiographs, struggle to detect the precursors of implant failure and are often interpreted incorrectly. Our prior work has shown that the modification of PMMA bone cement with low concentrations of conductive fillers makes it piezoresistive and therefore self-sensing such that when combined with a conductivity imaging modality, such as electrical impedance tomography (EIT), it is possible to monitor load transfer across the PMMA using cost-effective, physiologically benign, and real-time electrical measurements. Herein, we expand upon these results by integrating machine learning techniques with EIT. We survey different machine learning algorithms and principal component analysis for application to this problem, including neural networks on voltage readings of an EIT phantom for tracking position of a sample, specifying defect location, and classifying defect types. Our results show advantage of neural network with more than 91.9 %, 95.5 %, and 98 % accuracy in interpreting EIT signals for location tracking, specifying defect location, and defect classification respectively. These preliminary results show that the combination of smart materials, EIT, and machine learning may be a powerful tool for diagnosing the origin and evolution of failure in joint replacement.

研究の動機と目的

• 現在、感度に限界がある晩期画像診断に依存している、セメント固定全関節置換術における固定不全の早期検出という臨床的課題に対処すること。
• 機械的応力に応じて電気信号を発生する圧電抵抗性骨セメントを用いて、リアルタイムで非侵襲的な診断手法を開発すること。
• 機械学習と主成分分析（PCA）が、微小亀裂の検出および故障モードの分類に向けた複雑なEIT信号を解釈する有効性を評価すること。
• EIT、スマート材料（圧電抵抗性PMMA）、および機械学習を組み合わせることで、インプラント故障の早期診断が可能であることを実証すること。

提案手法

• 機械的負荷下で電気信号を発生可能な圧電抵抗性を有する低濃度導電充填材を含む改変PMMA骨セメントを用意した。
• 関節置換の状態を模擬したフィジカルモデルにおいて、非侵襲的空間的導電率変化を測定するために電気的インピーダンス断層法（EIT）を用いた。
• 生のEIT電圧データおよびPCA処理済みデータに対して、順方向型ニューラルネットワーク、K最近傍法（KNN）、サポートベクターマシン（SVM）、アンサンブル手法を含む機械学習アルゴリズムを適用した。
• EITデータの次元削減と主要パターンの抽出を目的として、主成分分析（PCA）を実施し、解釈可能性とモデル性能の向上を図った。
• 実験データの75％を訓練用に、残りの25％をテスト用に使用し、5分割交差検証を用いてモデルを訓練した。これにより汎化性能を評価した。
• 3つのタスクにおけるモデル性能を評価した：(1) 水槽内における試料位置の追跡、(2) 裂け目方向の分類、(3) 4つの健康状態（健全、縦方向に亀裂、横方向に亀裂、完全に緩んでいる）の診断。

実験結果

リサーチクエスチョン

• RQ1 機械学習は、フィジカルモデル内における関節置換シミュレータの位置といったEITデータ内の導電率変化を正確に局所化できるか？
• RQ2 従来のEIT再構成では解像できない微細なEIT信号変動を、機械学習は亀裂方向を示すものとして検出できるか？
• RQ3 限られたトレーニングデータでも、機械学習はEIT信号を用いて圧電抵抗性骨セメント内の異なる故障タイプを効果的に分類できるか？
• RQ4 PCAは、EITデータにおける欠陥タイプ分類の機械学習モデル性能をどの程度向上させるか？

主な発見

• 2層の順方向型ニューラルネットワークは、PCA処理済みEITデータを用いて、4つの健康状態（健全、縦方向に亀裂、横方向に亀裂、完全に緩んでいる）の分類において98％のテスト正確性を達成した。
• K最近傍法（KNN）アルゴリズムは、EITデータの最初の4つの主成分を用いて、欠陥タイプの分類において98％のテスト正確性を達成した。
• ニューラルネットワークは、欠陥分類において100％の訓練および検証正確性、96.2％のテスト正確性を示し、優れたモデル汎化能力を示した。
• 主成分分析（PCA）は欠陥分類において最も効果的であり、4つの成分で88％のデータ変動を説明し、健康状態の明確なクラスタリングを可能にした。
• ニューラルネットワークは、位置追跡および亀裂方向分類の両方で他のアルゴリズムを上回り、それぞれ91.9％および95.5％の正確性を達成した。
• 圧電抵抗性PMMA、EIT、および機械学習の組み合わせにより、目に見える故障の前段階である微小亀裂の発生検出が可能となり、早期インプラント故障診断のための潜在的解決策を提供した。