AI-algoritmer kan forbedre skabelsen af ​​bioscaffoldmaterialer og hjælpe med at hele sår

Kunstig intelligens og maskinlæring kan hjælpe med at helbrede skader ved at øge udviklingshastigheden af ​​3D-printede biostilladser. Biostilladser er materialer, der tillader organiske genstande, såsom hud og organer, at vokse på dem. Nyligt arbejde udført af forskere ved Rice University anvendte AI-algoritmer til udvikling af biostilladsmaterialer med det formål at forudsige kvaliteten af ​​trykte materialer. Forskerne fandt ud af, at styring af udskrivningshastigheden er afgørende for udviklingen af ​​nyttige biostilladsimplantater.

Som rapporteret af ScienceDaily, team af forskere fra Rice University samarbejdet om at bruge maskinlæring at identificere mulige forbedringer af biostilladsmaterialer. Datalog Lydia Kavraki, fra Brown School of Engineering i Rice, leder et forskerhold, der anvendte maskinlæringsalgoritmer til at forudsige stilladsmaterialekvalitet. Undersøgelsen var medforfatter af Rice bioingeniør Antonios Mikos, som arbejder på knoglelignende biostilladser, der tjener som vævserstatninger, beregnet til at støtte væksten af ​​blodkar og celler og gøre det muligt for såret væv at hele hurtigere. De biostilladser, Mikos arbejder på, er beregnet til at hele sår i bevægeapparatet og kraniofaciale. Biostilladserne er produceret ved hjælp af 3D-printteknikker, der producerer stilladser, der passer til omkredsen af ​​et givet sår.

Processen med 3D-printning af biostilladsmateriale kræver en masse forsøg og fejl for at få den udskrevne batch helt rigtig. Forskellige parametre som materialesammensætning, struktur og afstand skal tages i betragtning. Anvendelsen af ​​maskinlæringsteknikker kan reducere meget af denne trial and error, hvilket giver ingeniørerne nyttige retningslinjer, der reducerer behovet for at rode rundt med parametre. Kavraki og andre forskere var i stand til at give bioingeniørteamet feedback om, hvilke parametre der var vigtigst, dem der med størst sandsynlighed ville påvirke kvaliteten af ​​det trykte materiale.

Forskerholdet startede med at analysere data om trykstilladser fra en undersøgelse fra 2016 om bionedbrydeligt polypropylenfumarat. Ud over disse data kom forskerne med et sæt variabler, der ville hjælpe dem med at designe en maskinlæringsklassifikator. Da alle de nødvendige data var indsamlet, kunne forskerne designe modeller, teste dem og få offentliggjort resultaterne på godt et halvt år.

Med hensyn til de maskinlæringsmodeller, som forskerholdet brugte, eksperimenterede holdet med to forskellige tilgange. Begge maskinlæringstilgange var baseret på tilfældige skovalgoritmer, som aggregerer beslutningstræer for at opnå en mere robust og præcis model. En af de modeller, som teamet testede, var en binær klassificeringsmetode, der forudsagde, om et bestemt sæt parametre ville resultere i et produkt af lav eller høj kvalitet. I mellemtiden brugte den anden klassifikationsmetode en regressionsmetode, der estimerede, hvilke parameterværdier der ville give et resultat af høj kvalitet.

Ifølge resultaterne af forskningen var de vigtigste parametre for højkvalitets biostilladser afstand, lagdeling, tryk, materialesammensætning og printhastighed. Printhastighed var den vigtigste variabel overordnet, efterfulgt af materialesammensætning. Det håbede, at resultaterne af undersøgelsen vil føre til bedre, hurtigere udskrivning af biostilladser, og derved øge pålideligheden af ​​3D-printende kropsdele som brusk, knæskaller og kæbeknogler.

Ifølge Kavraki har de metoder, som forskerholdet bruger, potentiale til at blive brugt på andre laboratorier. Som Kavraki blev citeret af ScienceDaily:

”I det lange løb bør laboratorier være i stand til at forstå, hvilke af deres materialer, der kan give dem forskellige slags trykte stilladser, og på meget lang sigt endda forudsige resultater for materialer, de ikke har prøvet. Vi har ikke nok data til at gøre det lige nu, men på et tidspunkt mener vi, at vi burde være i stand til at generere sådanne modeller.”