家庭菜園でも人気の葉物野菜「パクチョイ（青梗菜）」ですが、栽培が広がるにつれて病害虫による被害も深刻化しています。こうした中、AI（人工知能）の画像認識技術を使ってパクチョイの病害虫を自動で見分ける研究が、2026年1月に学術誌『Frontiers in Plant Science』で報告されました。研究チームは、物体検出AIの一種である「YOLOv8」を改良したモデル「YOLOv8-DBW」を開発し、7種類の病害虫を高い精度で検出することに成功しています。本記事では、この最新研究の内容を、専門知識がなくても理解できるようわかりやすく紹介します。
パクチョイとは？なぜ病害虫対策が重要なのか
パクチョイ（青梗菜、学名：Brassica chinensis L.）とは、アブラナ科に属する葉物野菜で、シャキシャキとした食感と柔らかい葉が特徴の中国野菜の一種です。中国では特に経済的・栄養的に重要な野菜として位置づけられており、2022年時点の栽培面積は約30万ヘクタール、生産量は約1,800万トンにのぼると報告されています。日本でも家庭菜園や直売所向けの野菜として栽培する人が増えていますが、栽培面積の拡大や品種の多様化に伴い、病害虫による被害リスクも高まっているのが実情です。
パクチョイのような葉物野菜は、他の野菜と比べても病害虫の被害を受けやすい傾向にあります。研究では、その理由として次のような点が挙げられています。
- 食べる部分（葉）が土壌に近く、病原体や害虫にさらされやすい
- ストレス耐性が比較的弱い
- 気温や湿度など環境変化への感受性が高い
さらに近年は、異常気象や連作障害、土壌の劣化といった要因も加わり、病害虫の管理はますます難しい課題になっています。病害虫を早期に、かつ正確に見つけて対処することは、収穫量と品質を守るうえで欠かせないポイントといえるでしょう。なお、パクチョイのような葉物野菜の病害虫対策の考え方は、他の作物とも共通する部分が多くあります。例えば、植物検疫とは？ペチュニアの苗から学ぶ国際的な病害虫対策のしくみでは、病害虫の侵入を防ぐための国際的な仕組みを解説していますので、あわせて参考にしてみてください。
パクチョイに発生しやすい病害虫にはどんな種類がある？
パクチョイの病害虫とは、パクチョイの葉や茎を加害する昆虫や、カビ・細菌などの病原体によって引き起こされる症状の総称です。 今回の研究では、生産現場で特に頻発する代表的な7種類が研究対象として選ばれました。それぞれの特徴は次の通りです。
| 病害虫名 | 主な症状 |
|---|---|
| コナガ | 幼虫が葉肉を食害する。若齢幼虫は半透明の食害痕を残し、老齢幼虫になると穴を開けるように食べ進め、被害がひどい場合は葉脈だけが残る |
| ハモグリバエ | 幼虫が葉の内部（葉肉組織）を食べ進み、白い線状の食害痕（トンネル）を残す |
| べと病 | 葉の表側に黄褐色の不規則な病斑が生じ、多湿時には葉裏にカビ状の生育が見られる。進行すると葉が黄化・枯死する |
| アルタナリア葉枯病 | 円形〜楕円形の褐色〜暗褐色の病斑ができ、同心円状の輪紋が特徴。進行すると葉が枯死する |
| 黒斑病・黒腐病 | 葉の縁からV字形に黄褐色の病斑が広がり、葉脈が黒く網目状に変色する |
| 白さび病 | 葉裏にクリーム色の膿疱ができ、破裂して白い胞子を飛散させる。表側には黄色い斑点が現れる |
| 白斑病 | 灰褐色の小さな斑点が徐々に円形に広がり、中心が灰白色、縁が黄色の特徴的な病斑になる |
これら7種類の病害虫は、原因も発生しやすい条件もそれぞれ異なります。べと病や白さび病のようなカビ由来の病気は、気温が低めで多湿な時期に発生しやすい傾向があるのに対し、コナガやハモグリバエといった虫害は、気温が高く乾燥した時期に活動が活発になりやすいとされています。また、アルタナリア葉枯病や黒斑病・黒腐病のように、株が弱っているときや、収穫時期の間際に発生が目立ちやすい病気もあります。このように発生条件が異なるからこそ、見た目のわずかな違いから正確に種類を判別する必要があり、AIによる自動識別が役立つ場面が多いといえます。
このうち、べと病やうどんこ病、モザイク病などは家庭菜園でもよく見られる病気で、パクチョイに限らず様々な野菜で発生します。症状の見分け方や具体的な対処法については、以下の記事も参考にしてください。
- 野菜が全滅！？知らなきゃ損する「べと病」の正体と今すぐできる治療法とは
- うどんこ病の正体と撃退法！家庭菜園で絶対に知っておくべき原因・治し方・人体への影響
- 知らないとヤバい！モザイク病の原因と拡散メカニズムを完全解説
- キュウリのべと病とは？原因・症状・発生しやすい条件と家庭菜園でできる対策を解説
これらの病害虫は、初期段階では症状が小さく見つけにくいうえ、種類によって見た目が似ていることも多く、経験の浅い生産者や家庭菜園愛好家にとっては見分けが難しいという課題があります。
なぜAIによる病害虫検出が必要なのか？
従来、病害虫の発見は人の目による目視確認が中心でした。しかしこの方法には、次のような課題があります。
- 広い畑を一つひとつ確認するのに多くの人手と時間がかかる
- 判定する人の経験や熟練度によって精度にばらつきが出やすい
- 見落としや誤判定によって対応が遅れ、被害が拡大するリスクがある
こうした課題を解決する手段として近年注目されているのが、AI（人工知能）による画像認識技術です。カメラで撮影した葉の画像をAIが解析し、病害虫の種類や発生位置を自動的に判定できれば、広い圃場でも効率的かつ客観的に病害虫の発生状況を把握できるようになります。研究チームによると、トウモロコシやトマト、コムギ、ワタなど様々な作物ですでにAIによる病害虫識別の研究が進められてきた一方で、パクチョイのような葉物野菜に特化した研究は依然として少ないという課題感から、今回の研究がスタートしています。
AIに病害虫を学習させるには何が必要か？データ収集の裏側
AIに病害虫を正確に見分けさせるためには、まず大量かつ質の高い画像データを集める必要があります。今回の研究では、この「データ集め」の工程にも細やかな工夫が凝らされています。
研究チームは2025年3月21日から5月8日にかけて、中国の山東省曹県、江蘇省呉江区、上海市嘉定区という3つの異なる地域の実際の圃場で撮影を行いました。撮影にはXiaomi 12X、OPPO Reno8 Pro、Samsung Galaxy A53という一般的なスマートフォン3機種を使用し、撮影距離は20〜50cmに統一。真上からの俯瞰視点を基本としつつ、葉の重なりや草姿のばらつきに対応するため45度の斜め視点からの撮影も組み合わせています。
特徴的なのは、あえて「条件の悪い」画像も積極的に収集している点です。
- 朝・昼・午後という異なる時間帯の光条件
- 晴天・曇天・降雨後という異なる天候条件
- 降雨後に生じる水滴の反射や土はねなどの自然な外乱
- 手持ち撮影による自然なモーションブラー（手ブレ）
このように、あえて理想的とはいえない撮影条件のデータを含めることで、AIが実際の圃場のさまざまな状況でも安定して機能できるようにする狙いがあります。最終的に収集された1,782枚の元画像に、回転・明るさ調整・トリミングといったデータ拡張処理を加えることで、6,110枚の画像から成るデータセットが構築されました。これらの画像は、専用のアノテーションツールを使って一枚ずつ手作業でラベル付けされ、訓練用4,888枚・検証用611枚・テスト用611枚に分割されています。地道なデータ収集とラベリングの積み重ねが、高精度なAIモデルを支える土台になっていることがうかがえます。
YOLOv8とは？画像でリアルタイムに物体を検出するAI技術
YOLOv8とは、画像の中から特定の対象（物体）の位置と種類を高速に検出できる、物体検出AIの一種です。 「YOLO」は”You Only Look Once”の略で、画像を一度見るだけで対象を検出できる処理の速さが名前の由来になっています。自動運転の歩行者検知や工場の外観検査など、幅広い分野で活用されている技術で、YOLOv8はその最新シリーズのひとつにあたります。
YOLOv8には、精度と処理速度のバランスが異なる複数のサイズ（n・s・m・l・xの5段階）が用意されています。研究チームがこれらのバージョンをパクチョイの病害虫データセットで比較したところ、次のような結果が得られました。
| モデル | mAP@0.5（検出精度の指標・%） | パラメータ数（モデルの規模・M） |
|---|---|---|
| YOLOv8n（最も軽量） | 77.8 | 3.0 |
| YOLOv8s | 75.4 | 11.1 |
| YOLOv8m | 73.8 | 25.8 |
| YOLOv8l | 77.6 | 43.6 |
| YOLOv8x（最も大規模） | 78.9 | 68.1 |
※mAP（mean Average Precision）とは、AIの検出精度を総合的に示す指標で、数値が高いほど病害虫を正確に見つけられていることを意味します。
興味深いのは、モデルの規模を大きくしても必ずしも精度が上がるわけではないという点です。実際、パラメータ数が最も多いYOLOv8xは高精度を達成したものの、推論速度（処理の速さ）が大きく低下し、低コストで効率的な実用には不向きであることが確認されました。逆に、中規模のYOLOv8mやYOLOv8lは、最も軽量なYOLOv8nよりも精度が低いという結果になりました。これは、大規模なモデルほど、より多くの学習データや異なる学習方法が必要になり、特定の環境では十分な効果を発揮しにくいためと考えられています。こうした比較検証の結果、研究チームは精度・計算コスト・処理速度のバランスに優れたYOLOv8nを土台として選び、そこからさらに改良を加える方針を決定しました。
改良モデル「YOLOv8-DBW」はどこが違うのか？
実際の畑では、パクチョイは密植されることが多く、葉同士が重なり合ったり、雑草が視界を遮ったりする場面が少なくありません。また病害虫の見た目も多様で、病気は質感・形・色の異なる病斑として現れる一方、虫害はトンネル状の食害痕や穴として現れます。こうした複雑な背景と病害虫の多様な見た目が重なることで、AIによる正確な検出はより難しくなります。
この課題に対応するため、研究チームは元のYOLOv8nに3つの改良を加えた「YOLOv8-DBW」というモデルを開発しました。それぞれの改良点を、専門用語をかみ砕きながら紹介します。
小さな病斑も見逃さない「C2f-PEモジュール」
1つ目の改良は、AIが画像の中から重要な部分に注目する力（注意機構）と、無駄な計算を減らす仕組み（部分畳み込み）を組み合わせた「C2f-PEモジュール」です。これは、写真の中から「今どこに注目すべきか」をAI自身が判断できるようにする仕組みで、葉が重なって一部が隠れていたり、病斑がまだ小さかったりする場合でも、その特徴を捉えやすくする効果があります。あわせて、データが欠けている・不完全な部分を柔軟に処理できる畳み込み構造を採用することで、計算量を抑えながら高い特徴抽出能力を維持しています。研究では、複数の注意機構（SE、CA、ECA、CBAMなど）を比較した結果、今回採用したEMA（Efficient Multi-scale Attention）という手法が適合率83.2%・mAP 80.1%と最も高い性能を示したことが報告されています。比較結果の詳細は次の通りです。
| 注意機構 | 適合率（%） | 再現率（%） | mAP（%） |
|---|---|---|---|
| EMA（採用） | 83.2 | 71.6 | 80.1 |
| SE | 82.0 | 72.0 | 79.5 |
| CA | 83.0 | 70.6 | 79.8 |
| ECA | 83.1 | 70.4 | 79.9 |
| CBAM | 82.9 | 68.8 | 79.7 |
いずれの手法も大きな差ではないものの、EMAは適合率とmAPの両方でバランスよく高い数値を示しており、パクチョイの病害虫検出タスクに適した注意機構として選定されました。
特徴を効率よく統合する「BiFPN」
2つ目の改良は、AIが画像のさまざまな解像度（大きい特徴・小さい特徴）の情報をまとめ上げる仕組みである「ネック（首）」の部分に、「BiFPN（Bidirectional Feature Pyramid Network）」と呼ばれる双方向の特徴統合ネットワークを導入した点です。従来の仕組みでは、情報を何段階も伝達するうちに小さな対象の特徴が徐々に失われやすいという弱点がありました。BiFPNは、学習を通じて「どの情報をどれくらい重視すべきか」を自動的に調整できる仕組みを備えており、無駄な処理を削ぎ落としながら、小さな病斑や重なり合った部分の特徴を効率よく保持できるようになっています。
検出枠の精度を高める「Wise-IoU」
3つ目の改良は、AIが「ここに病害虫がある」と判断する際の枠（バウンディングボックス）の正確さを評価する計算方法（損失関数）を、「Wise-IoU」という手法に変更した点です。学習データの中には、写りが悪い・不明瞭なサンプルがどうしても含まれてしまいますが、Wise-IoUは、こうした「質の低いサンプル」による悪影響を抑えつつ、「平均的な質のサンプル」の学習に重点を置く仕組みを持っています。これにより、検出枠の位置合わせの精度と安定性が向上し、結果としてパクチョイの病害虫のように形や大きさが多様な対象に対しても、頑健な検出が可能になっています。研究チームは、従来からよく使われるCIoU・DIoU・GIoU・SIoU・EIoUといった損失関数とも比較していますが、Wise-IoUがmAP@0.5で79.3%と最も高い数値を示し、標準的なCIoU（77.8%）から1.5ポイントの改善が確認されています。
学習の安定性についても検証が行われており、モデルの重みを毎回初期化したうえで5回の独立した学習を繰り返し、その平均値を性能指標として採用するという丁寧な検証手順が取られています。学習曲線を確認したところ、エポック数がおよそ130回を超えたあたりで損失値が収束・安定し、過学習や学習不足の兆候は見られなかったことも報告されており、今回の結果が偶然のばらつきによるものではないことを裏付けています。
実際にどれくらいの精度を達成したのか？
これら3つの改良を段階的に組み合わせた検証実験（アブレーション実験）では、改良を加えるごとに性能が着実に向上していく結果が報告されています。
- 何も改良していない元のYOLOv8n：適合率81.4%・再現率69.8%・mAP 77.8%
- C2f-PEモジュールのみ追加：適合率83.3%・再現率70.8%・mAP 80.5%
- C2f-PE＋BiFPNを追加：適合率85.7%・再現率74.1%・mAP 84.3%
- 3つすべてを組み合わせたYOLOv8-DBW：適合率86.4%・再現率75.3%・mAP 85.3%
さらに注目したいのは、精度が向上しただけでなく、モデル自体が「軽量化」されている点です。3つの改良をすべて加えたYOLOv8-DBWは、元のYOLOv8nと比較して、パラメータ数（モデルの規模を示す指標）が33.3%、モデルサイズが31.8%それぞれ削減されています。つまり、より少ない計算資源でより高い精度を実現できているということです。
研究チームは、YOLOv8-DBWと、Faster R-CNN・SSD・YOLOv5s・YOLOv5n・YOLOv7-tiny・YOLOv10n・YOLOv11n・YOLOv12nといった主流の物体検出モデルとの比較実験も行っています。その結果、YOLOv8-DBWのmAPは、これらの比較モデルをいずれも6.9〜23.4ポイント上回り、パラメータ数やモデルサイズも大幅に少ないという結果が得られました。特にコナガ・ハモグリバエ・べと病・アルタナリア葉枯病・黒斑病・黒腐病・白さび病・白斑病の7カテゴリ別の性能を見ても、サンプル数が少ない黒斑病・黒腐病（mAP 83.9%）と、サンプル数が多いコナガ（mAP 87.4%）の精度差はわずかであり、データ数の偏りに強いモデルであることが示されています。
視覚的な比較でも、YOLOv12nがアルタナリア葉枯病を白さび病と誤認識したり、YOLOv5s・YOLOv10n・YOLOv11nが背景をコナガの被害と誤検出したりする例が見られた一方、YOLOv8-DBWはこうした誤分類が確認されなかったと報告されています。
主流モデルとの詳細な比較データは、次の通りです（数値はいずれも実験結果の平均値）。
| モデル | 適合率（%） | mAP@0.5（%） | パラメータ数（M） | モデルサイズ（MB） |
|---|---|---|---|---|
| Faster R-CNN | 63.8 | 61.9 | 60.1 | 108.6 |
| SSD | 65.3 | 66.2 | 35.2 | 41.3 |
| YOLOv5s | 79.1 | 75.3 | 7.0 | 13.7 |
| YOLOv5n | 75.3 | 73.8 | 2.5 | 3.8 |
| YOLOv7-tiny | 71.2 | 71.3 | 6.0 | 11.8 |
| YOLOv10n | 84.4 | 78.4 | 2.7 | 5.4 |
| YOLOv11n | 75.9 | 77.5 | 2.5 | 5.2 |
| YOLOv12n | 78.2 | 73.2 | 2.5 | 5.1 |
| YOLOv8-DBW（提案モデル） | 86.4 | 85.3 | 2.0 | 4.3 |
表を見ると、Faster R-CNNやSSDといった従来型のモデルはパラメータ数・モデルサイズがYOLOv8-DBWの数十倍にのぼるにもかかわらず、精度はYOLOv8-DBWを大きく下回っていることが分かります。また、YOLOv5nやYOLOv11nなどの軽量モデルは処理速度（FPS）でYOLOv8-DBWを上回る場面もあるものの、検出精度では及ばない結果となっており、精度と効率のバランスという点でYOLOv8-DBWが優れていることが読み取れます。
家庭菜園や実際の農業にどう役立つのか？
YOLOv8-DBWのようなモデルが実用化されれば、パクチョイの病害虫対策は次のような形で変わっていく可能性があります。
- 早期発見による被害の最小化：スマートフォンやカメラで撮影した画像から病害虫を自動判定できれば、症状がまだ小さい段階で気づける可能性が高まる
- 省力化：広い圃場を人手で見て回る負担を減らし、限られた人員でも効率的に監視できる
- ピンポイントな農薬散布への応用：病害虫が発生している場所だけを特定できれば、農薬を必要な範囲にだけ散布する精密防除にもつなげやすくなる
- 経験に左右されない客観的な判定：熟練者でなくても、AIの判定結果を参考に一定水準の判断がしやすくなる
研究チームも、今回開発したYOLOv8-DBWは計算コストとモデルサイズが小さく抑えられているため、スマートフォンや組み込み機器といった限られた計算資源のデバイスにも搭載しやすい点を強みとして挙げています。将来的には、圃場に設置したカメラやドローンと組み合わせることで、リアルタイムに近い形でパクチョイの生育状況を見守る仕組みが広がっていくことも期待されます。病害虫対策の考え方そのものは、密植による葉の重なりを減らす工夫（間作の効果がすごい！土地利用効率・収量安定・病害虫抑制を可能にする農法で紹介されているような栽培方法の工夫）とAI技術を組み合わせることで、より効果を高められる可能性もあるでしょう。
AIに頼らずできる、家庭菜園でのパクチョイ病害虫予防のポイント
AIによる自動検出はまだ実用化前の技術ですが、今回の研究が指摘している「病害虫が発生しやすい条件」を踏まえると、家庭菜園でも次のような予防策が有効と考えられます。
- 株間を広めにとる：研究でも、密植による葉の重なりが病害虫の見た目を複雑にし、被害の見逃しにつながりやすいと指摘されています。株間を適切に空けて風通しを良くすることで、べと病のような多湿を好む病気の発生を抑えやすくなります
- 水やりは葉を濡らしすぎない時間帯に：べと病や白さび病は多湿環境で発生・拡大しやすいため、朝のうちに水やりを済ませ、葉が長時間濡れた状態を避けることが予防につながります
- こまめな観察で早期発見を心がける：AIによる自動判定が普及するまでは、コナガやハモグリバエによる食害痕、葉の変色といった初期症状を定期的にチェックする習慣が引き続き重要です
- 連作を避ける：土壌中に残る病原体による被害を減らすため、同じ場所で続けてアブラナ科の野菜を栽培しないことも基本的な対策になります
こうした基本的な栽培管理は、AI技術が普及した後であっても病害虫対策の土台となる部分です。テクノロジーと栽培の基本、両方を組み合わせていくことが、今後の病害虫対策の理想的な形といえるでしょう。
この研究の限界と今後の展望は？
一方で、研究チーム自身もいくつかの課題を挙げています。
- データの地域的な偏り：今回のデータセットは中国の3つの地域（山東省・江蘇省・上海市）で収集されたものであり、異なる品種や気候帯のデータを増やすことで、より幅広い環境への対応力（汎化性能）を高める余地がある
- 重症度の定量評価には未対応：現状のモデルは「病害虫があるかどうか」を判定するものであり、症状の進行度合いを数値的に評価する機能は備えていない
- AIの判断根拠が見えにくい（ブラックボックス性）：深層学習モデルは判定の精度が高い一方で、なぜそう判定したのかを人間が理解しやすい形で説明することが難しいという課題がある
研究チームは今後、データセットの多様化に加え、病気の重症度を推定する手法や、Grad-CAMと呼ばれるAIの判断根拠を可視化する技術を取り入れることで、病害虫の「検出」から、防除の意思決定を支援する「精密な判断支援」へと発展させていく方針を示しています。ちなみにGrad-CAMとは、AIが画像のどの部分に注目して判定を下したのかを、ヒートマップのような形で可視化する技術のことです。こうした技術が組み込まれれば、「なぜAIがそこを病害虫と判定したのか」を利用者自身が視覚的に確認できるようになり、AIの判定結果への信頼性を高めることにもつながると考えられます。
まとめ
- パクチョイは経済的にも重要な葉物野菜だが、コナガやべと病など7種類の病害虫による被害が課題となっている
- 従来の目視による病害虫の識別は、手間がかかるうえに精度にばらつきが生じやすいという課題があった
- 研究チームは物体検出AI「YOLOv8」をベースに、注意機構（C2f-PE）・特徴融合ネットワーク（BiFPN）・損失関数の改良（Wise-IoU）という3つの工夫を加えた「YOLOv8-DBW」を開発した
- YOLOv8-DBWは適合率86.4%・mAP 85.3%を達成し、主流の物体検出モデルを上回る精度を、より少ない計算コストで実現した
- 今後は多様な環境データの拡充や、重症度の定量評価、AIの判断根拠を可視化する技術の導入が課題とされている
パクチョイの病害虫検出技術はまだ研究段階ではありますが、AIとスマート農業の組み合わせが、家庭菜園から大規模な農業経営まで幅広い場面で病害虫対策を支える有力な選択肢になっていくことが期待されます。
よくある質問（Q&A）
Q1. パクチョイの病害虫とは、具体的にどのようなものですか？
A. 今回の研究では、コナガ・ハモグリバエ・べと病・アルタナリア葉枯病・黒斑病（黒腐病）・白さび病・白斑病の7種類が対象とされています。虫による食害と、カビ・細菌による病気の両方が含まれます。
Q2. YOLOv8-DBWは、すでに家庭菜園でも使えるのでしょうか？
A. 現時点では研究段階のモデルであり、市販のアプリやサービスとしてすぐに使える形にはなっていません。ただし、計算コストが小さく軽量に設計されているため、将来的にスマートフォンアプリや家庭用カメラなどへ応用される可能性は考えられます。
Q3. AIによる病害虫検出は、人の目による確認と比べてどれくらい優れているのですか？
A. 研究では、YOLOv8-DBWが主流の物体検出モデルを精度面で上回ったことが報告されていますが、これはあくまで実験データ上での比較です。実際の圃場での運用精度や、人による確認との具体的な精度差については、今後さらなる検証が必要とされています。人の目とAIを対立させるのではなく、AIが第一次スクリーニングを担い、最終的な判断や対応は人が行うという役割分担で活用していくのが、当面は現実的な形になると考えられます。
参考文献
- Zhu, Y., Han, Y., Yin, Y., Zhao, S., Lan, Y., and Huang, D. (2026). An improved YOLOv8n model for in-field detection of pests and diseases in pakchoi. Frontiers in Plant Science 16:1730683. doi: 10.3389/fpls.2025.1730683（Frontiers誌 論文ページ）
- Zheng, J. J., Zhang, D. F., Liu, W., Li, H. J., Yang, Y. H., Li, H. Y., et al. (2024). Method for pest identification of pakchoi based on the improved YOLOv5s model. Int. J. Agric. Biol. Eng. 40, 124–133. doi: 10.25165/j.ijabe.20241702.8317
- Sun, H., Nicholaus, I. T., Yang, S., Kang, D., Kim, H., Kim, J., et al. (2024). YOLO-FMDI: A lightweight YOLOv8 focusing on a multi-scale feature diffusion interaction neck for tomato pest and disease detection. Electronics 13. doi: 10.3390/electronics13152974
- Wang, X. W., and Liu, J. (2024). Vegetable disease detection using an improved YOLOv8 algorithm in the greenhouse plant environment. Sci. Rep. 14, 4898. doi: 10.1038/s41598-024-55994-5
コメント