Algoritmy umělé inteligence mohou zlepšit vytváření materiálů bioscaffoldu a pomoci léčit rány

Umělá inteligence a strojové učení by mohly pomoci léčit zranění zvýšením rychlosti vývoje 3D tištěných bioscaffoldů. Bioscaffoldy jsou materiály, které umožňují organickým objektům, jako je kůže a orgány, růst na nich. Nedávná práce provedená výzkumníky z Rice University aplikovala algoritmy umělé inteligence na vývoj materiálů bioscaffold s cílem předpovídat kvalitu tištěných materiálů. Vědci zjistili, že kontrola rychlosti tisku je zásadní pro vývoj užitečných implantátů bioscaffoldu.

Jak informoval ScienceDaily, tým výzkumníků z Rice University spolupracovali na využití strojového učení identifikovat možná vylepšení materiálů biologického lešení. Počítačová vědkyně Lydia Kavraki z Brown School of Engineering v Rice vede výzkumný tým, který aplikoval algoritmy strojového učení k předpovědi kvality materiálu lešení. Na studii se podílel bioinženýr Rice Antonios Mikos, který pracuje na kostěných bioscaffoldech, které slouží jako tkáňové náhrady, které mají podporovat růst krevních cév a buněk a umožnit rychlejší hojení poraněné tkáně. Bioscaffolds, na kterých Mikos pracuje, jsou určeny k hojení muskuloskeletálních a kraniofaciálních ran. Bioscaffoldy jsou vyráběny s pomocí 3D tiskových technik, které produkují scaffoldy, které odpovídají obvodu dané rány.

Proces 3D tisku materiálu bioscaffold vyžaduje mnoho pokusů a omylů, aby byla vytištěná dávka tak akorát. Je třeba vzít v úvahu různé parametry, jako je složení materiálu, struktura a rozteč. Použití technik strojového učení může omezit mnoho z těchto pokusů a omylů, což inženýrům poskytuje užitečné pokyny, které snižují potřebu manipulovat s parametry. Kavraki a další výzkumníci byli schopni poskytnout bioinženýrskému týmu zpětnou vazbu o tom, které parametry byly nejdůležitější a které s největší pravděpodobností ovlivnily kvalitu tištěného materiálu.

Výzkumný tým začal analýzou dat o tiskařských scaffoldech ze studie z roku 2016 o biologicky odbouratelném polypropylen fumarátu. Kromě těchto dat vědci přišli se sadou proměnných, které by jim pomohly navrhnout klasifikátor strojového učení. Jakmile byla shromážděna všechna potřebná data, vědci byli schopni navrhnout modely, otestovat je a získat výsledky zveřejněné za něco málo přes půl roku.

Pokud jde o modely strojového učení používané výzkumným týmem, tým experimentoval se dvěma různými přístupy. Oba přístupy strojového učení byly založeny na náhodných lesních algoritmech, které agregují rozhodovací stromy za účelem dosažení robustnějšího a přesnějšího modelu. Jedním z modelů, které tým testoval, byla metoda binární klasifikace, která předpovídala, zda konkrétní sada parametrů povede k nízkému nebo vysoce kvalitnímu produktu. Mezitím druhá klasifikační metoda využívala regresní metodu, která odhadovala, které hodnoty parametrů by poskytly vysoce kvalitní výsledek.

Podle výsledků výzkumu byly nejdůležitějšími parametry pro kvalitní bioscaffoldy rozteč, vrstvení, tlak, materiálové složení a rychlost tisku. Rychlost tisku byla celkově nejdůležitější proměnnou, následovanou materiálovým složením. Doufáme, že výsledky studie povedou k lepšímu a rychlejšímu tisku biologických lešení, čímž se zvýší spolehlivost 3D tiskových částí těla, jako jsou chrupavky, kolenní čéšky a čelistní kosti.

Podle Kavrakiho mají metody používané výzkumným týmem potenciál pro použití v jiných laboratořích. Jak Kavraki citoval ScienceDaily:

„Z dlouhodobého hlediska by laboratoře měly být schopny porozumět tomu, které z jejich materiálů jim mohou poskytnout různé druhy tištěných lešení, a z dlouhodobého hlediska by dokonce měly předvídat výsledky pro materiály, které nezkusily. V současné době k tomu nemáme dostatek dat, ale v určitém okamžiku si myslíme, že bychom měli být schopni takové modely generovat.“