クアック・ティ・タイ・ビン (Quach Thi Thai Binh) 氏らの研究チームは2026年9月18日(現地時間)、医薬品残留物の迅速かつ信頼性の高い識別を目的とした新たなハイブリッドラマン分光法フレームワーク「HyMLRaman」を提案しました。このフレームワークは、ディープスペクトル特徴抽出、生成モデル、古典的機械学習分類器を組み合わせることで、アモキシシリンを含む6種類の医薬品化合物識別において、96.31%の精度を達成したと報告されています。
HyMLRamanフレームワークは、複雑なラマンスペクトルデータを効率的に処理するために、まずスペクトルをスペクトル画像に変換する手法を採用しています。この変換後、EfficientNet-B3のような最先端のディープニューラルネットワークバックボーンを用いて、画像データを高度な1536次元の埋め込み（特徴ベクトル）として符号化します。
この強力な埋め込みは、その後、複数の古典的機械学習分類器の学習に活用されます。具体的には、サポートベクターマシン (SVM)、K近傍法 (KNN)、ロジスティック回帰、ランダムフォレスト、XGBoost、および人工ニューラルネットワーク (ANN) といった多様なアルゴリズムが評価されました。
実験の結果、特にEfficientNet-B3とSVMを組み合わせたハイブリッド構成が、その性能の高さを示しました。この組み合わせは、96.31%という高い識別精度と、96.36%のmacro-F1スコアを記録し、単独の畳み込みニューラルネットワーク (CNN) ベースラインと比較して優れた性能を達成しました。この成果は、既存の手法に対するHyMLRamanの優位性を示すものです。
さらに、データが限られた状況下でのモデルの汎用性を高めるため、主成分分析 (PCA) によって次元削減されたEfficientNet-B3の潜在空間に対し、拡散モデルの一種であるDDPM (Denoising Diffusion Probabilistic Model) ベースの生成モデルによる特徴拡張が導入されました。この特徴拡張は、特に訓練データ量が少ない場合に、KNNのような特定の分類器において選択的な利点をもたらすことが示されており、その効果は使用する分類器の特性に依存すると結論付けられています。
最終的に、研究チームは、訓練済みモデルをインタラクティブなラマン分析ワークフローに統合したアプリケーションレベルのRaman Pharmaceutical Analyzerの実現可能性も示しました。これらの包括的な結果は、HyMLRamanがラマン分光法に基づいた医薬品スクリーニングにおいて、実用的かつ解釈可能な新しい経路を提供することを示唆しており、将来的な医薬品分析への応用が期待されます。
参考: arXiv cs.LG (アーカイブ) — 2026年10月5日 13:00 (JST)