フリーランス医療データサイエンティスト
医療・生命科学・公衆衛生データを対象として、Pythonによる統計解析、ベイズモデリング、複雑標本解析、予測モデル構築、可視化、日本語・英語の技術レポート作成に取り組んでいます。再現可能で第三者が確認しやすい解析成果物の作成を重視しています。
小森 誠（博士）
フリーランス医療データサイエンティスト
外資系ヘルスケア企業の研究開発部門で20年以上にわたり、がんや感染症、ホルモンなどを測定する体外診断用医薬品（臨床検査薬）の研究開発に従事してきました。研究開発では、測定法の性能評価、データ解析および結果の解釈にExcel、統計ソフト、Pythonを用いた統計解析手法を活用してきました。また大学病院と共同で行う臨床性能試験では、試験計画の立案や性能評価データの解析に適切な統計手法を選んで進めてきました。
これまでの研究開発経験を基盤として、Pythonによる医療・生命科学データの前処理、統計解析、可視化、予測モデリングおよび解析レポートの作成を行っています。結果はExcel・PDF・図表など、ご利用しやすい形式で納品可能です。主に対応可能な解析手法は以下のとおりです。
- 探索的データ解析と記述統計
- 有意差検定（T検定、F検定、カイ二乗検定、マン・ホイットニーのU検定、コルモゴロフ・スミルノフ検定等）
- 統計的推定（信頼区間の推定、比率の推定）
- 正規性検定、外れ値検定
- 回帰分析、相関分析
- サンプルサイズ設計
- 欠損データ処理とMICE型多重代入
- 医学的・統計的な結果解釈
- CLSI準拠の基準範囲の決定
- 線形回帰・ロジスティック回帰
- 事前感度分析、事後予測チェックを含むMCMCベイズ統計ワークフロー
- 階層ベイズモデリング
- 複雑標本デザインを考慮した解析
- Elastic Netなどの正則化回帰による変数選択
- 調査加重Gaussian GLM
- 分類・回帰モデルと交差検証
- Random Forest、XGBoost、LightGBM
- 主成分分析とクラスタリング
- PyCaretによるAutoML・モデル比較
- Optunaによるハイパーパラメータ最適化
- ROC、Precision-Recall、Calibration、Decision Curve Analysis
- SHAPによるモデル解釈
- 再利用可能な関数とPythonパッケージ
- Jupyter Notebookと実行スクリプト
- pytestによる単体テスト
- Black・Flake8によるコード品質管理
- GitHub Actionsによる継続的インテグレーション
- 日本語・英語の技術レポート
以下の４つの解析は、公開されているデータを用いて、自主的に解析したものです。
慢性腎疾患患者の透析移行リスクを推定したベイズロジスティック回帰プロジェクトです。
手法: 事前感度分析 · MCMC · 層化交差検証 · ROC-AUC · Calibration · 事後予測チェック
甲状腺がん患者の再発リスクを推定した階層ベイズロジスティック回帰プロジェクトです。
手法: PyMC · 階層モデリング · MCMC診断 · LOO比較 · Decision Curve Analysis
血液検査データを用いて肝疾患予測モデルを構築し、潜在的な生化学パターンを探索した機械学習・多変量解析プロジェクトです。
手法: PyCaret · Extra Trees · Optuna · PCA · K-Meansクラスタリング · SHAP
NHANES公開データを用いて、複雑標本デザインと欠損データを考慮しながら、肝線維化スコアに関連する因子を解析したプロジェクトです。
手法: MICE型多重代入 · Elastic Net · 調査加重Gaussian GLM · Rubinのルール · 分位点回帰
- 生物工学博士
- 生物工学、体外診断薬の研究開発および臨床検査分野の研究経験
- E資格（2025年第1回）合格
- 日本ディープラーニング協会
“Measurement of microRNA with isothermal DNA amplification on fully automated immunoassay analyzers”
Analytical and Bioanalytical Chemistry (2019), 411, 3789–3800
https://doi.org/10.1007/s00216-019-01878-z
「新規化学発光免疫測定装置を用いた胃がんリスク層別化検査と健常者血清ペプシノゲン値に関する検討」
『医学と薬学』(2020), 77巻4号, 573–586
- TOEIC Listening & Reading Test 910点
皮膚画像と問診情報を組み合わせて、皮膚疾患候補を提示する教育・研究目的のディープラーニング試作アプリです。
使用技術: DenseNet201 · AutoEncoder · BERT · Streamlit · FastAPI · Docker · Google Cloud Run
利用上の注意: 本プロジェクトは教育・研究目的の試作です。実際の診断、治療方針の決定、受診判断、医療機器としての使用を目的としていません。
英語版
Freelance Medical Data Scientist
I work with medical, life-science, and public-health data, using Python for statistical analysis, Bayesian modeling, complex survey analysis, predictive modeling, visualization, and technical reporting in Japanese and English. I place particular emphasis on producing reproducible analytical deliverables that a third party can readily verify.
Makoto Komori, Ph.D.
Freelance Medical Data Scientist
For more than 20 years, I worked in the research and development division of a multinational healthcare company, developing in vitro diagnostic products (clinical laboratory reagents) that measure cancer markers, infectious-disease markers, hormones, and related analytes. In R&D, I used statistical methods in Excel, statistical software, and Python to evaluate assay performance, analyze data, and interpret results. In clinical performance studies conducted jointly with university hospitals, I also designed study plans and selected appropriate statistical methods for analyzing performance-evaluation data.
Building on this R&D experience, I provide preprocessing, statistical analysis, visualization, predictive modeling, and analytical reporting for medical and life-science data in Python. Results can be delivered in convenient formats such as Excel, PDF, and figures. The main analytical methods I can support are listed below.
- Exploratory data analysis and descriptive statistics
- Significance testing (t-test, F-test, chi-square test, Mann–Whitney U test, Kolmogorov–Smirnov test, and others)
- Statistical estimation (confidence intervals and estimation of proportions)
- Normality testing and outlier testing
- Regression analysis and correlation analysis
- Sample size design
- Missing-data handling and MICE-style multiple imputation
- Medical and statistical interpretation of results
- CLSI-compliant determination of reference intervals
- Linear and logistic regression
- Bayesian statistical workflows using MCMC, including prior sensitivity analysis and posterior predictive checks
- Hierarchical Bayesian modeling
- Analysis accounting for complex survey designs
- Variable selection with regularized regression, including Elastic Net
- Survey-weighted Gaussian GLM
- Classification and regression models with cross-validation
- Principal component analysis and clustering
- AutoML and model comparison with PyCaret
- Hyperparameter optimization with Optuna
- ROC, precision-recall, calibration, and decision curve analysis
- Model interpretation using SHAP
- Reusable functions and Python packages
- Jupyter notebooks and executable scripts
- Unit testing with pytest
- Code-quality checks with Black and Flake8
- Continuous integration with GitHub Actions
- Technical reports in Japanese and English
A Bayesian logistic regression project estimating the risk of transition to dialysis in patients with chronic kidney disease, with emphasis on rare events and uncertainty in estimation.
Methods: prior sensitivity analysis · MCMC · stratified cross-validation · ROC-AUC · calibration · posterior predictive checks
A hierarchical Bayesian logistic regression project estimating recurrence risk in patients with thyroid cancer.
Methods: PyMC · hierarchical modeling · MCMC diagnostics · LOO comparison · decision curve analysis
A machine-learning and multivariate-analysis project that used blood-test data to build a liver-disease prediction model and explore latent biochemical patterns.
Methods: PyCaret · Extra Trees · Optuna · PCA · K-Means clustering · SHAP
A project analyzing factors associated with liver fibrosis scores in public NHANES data, while accounting for complex survey design and missing data.
Methods: MICE-style multiple imputation · Elastic Net · survey-weighted Gaussian GLM · Rubin’s rules · quantile regression
- Ph.D. in Biotechnology
- Research experience in biotechnology, in vitro diagnostic R&D, and clinical laboratory science
- E Qualification, 2025 #1 — Passed
- Japan Deep Learning Association
“Measurement of microRNA with isothermal DNA amplification on fully automated immunoassay analyzers”
Analytical and Bioanalytical Chemistry (2019), 411, 3789–3800
https://doi.org/10.1007/s00216-019-01878-z
“A Study of Gastric Cancer Risk Stratification Testing Using a Novel Chemiluminescence Immunoassay Analyzer and Serum Pepsinogen Levels in Healthy Subjects” (in Japanese)
Igaku to Yakugaku (2020), Vol. 77, No. 4, pp. 573–586
- TOEIC Listening & Reading Test: 910
An educational and research deep-learning prototype that combines skin images and questionnaire information to suggest candidate skin diseases.
Technical stack: DenseNet201 · AutoEncoder · BERT · Streamlit · FastAPI · Docker · Google Cloud Run
Responsible-use notice: This project is an educational and research prototype. It is not intended for actual diagnosis, treatment decisions, decisions about seeking medical care, or use as a medical device.