Kunstig intelligens-algoritmer kan forbedre skabelsen af bioscaffold-materialer og hjælpe med at helbrede sår

Kunstig intelligens og maskinlæring kan hjælpe med at helbrede skader ved at øge udviklingshastigheden af 3D-printede bioscaffolds. Bioscaffolds er materialer, der tillader organiske objekter, som hud og organer, at vokse på dem. Nylig arbejde udført af forskere ved Rice University anvendte AI-algoritmer til udviklingen af bioscaffold-materialer med det formål at forudsige kvaliteten af trykte materialer. Forskerne fandt, at kontrollen af trykkehastigheden er afgørende for udviklingen af nyttige bioscaffold-implantater.

Som rapporteret af ScienceDaily, et hold af forskere fra Rice University samarbejdede om at bruge maskinlæring til at identificere mulige forbedringer af bioscaffold-materialer. Datamatiker Lydia Kavraki fra Brown School of Engineering ved Rice ledte et forskninghold, der anvendte maskinlæring-algoritmer til at forudsige scaffold-materialets kvalitet. Studiet var co-forfattet af Rice-bioingenør Antonios Mikos, der arbejder på benlignende bioscaffolds, der fungerer som væv-erstatninger, der skal støtte væksten af blodkar og celler og enable sårede væv til at helbrede hurtigere. Bioscaffolds, som Mikos arbejder på, er designet til at helbrede muskuloskeletale og kraniofacciale sår. Bioscaffolds produceres med hjælp af 3D-print-teknikker, der producerer scaffolds, der passer til periferien af et givet sår.

Processen med at trykke bioscaffold-materiale kræver mange forsøg og fejl for at få den trykte batch helt rigtig. Forskellige parametre som materialets sammensætning, struktur og afstand skal tages i betragtning. Anvendelsen af maskinlærings-teknikker kan reducere meget af denne prøvning og fejl, og give ingeniørerne nyttige retningslinjer, der reducerer behovet for at lege med parametrene. Kavraki og andre forskere kunne give bioingeniør-holdet feedback om, hvilke parametre var vigtigst, og hvilke var mest sandsynligt at påvirke kvaliteten af det trykte materiale.

Forskningsholdet startede med at analysere data om trykning af scaffolds fra en studie fra 2016 om biodegradabel polypropylenfumarat. Ud over denne data udviklede forskerne en sæt af variable, der ville hjælpe dem med at designe en maskinlærings-klassifikator. Når alle nødvendige data var indsamlet, kunne forskerne designe modeller, teste dem og få resultaterne publiceret på lidt over et halvt år.

I forhold til de maskinlærings-modeller, der blev brugt af forskningsholdet, eksperimenterede holdet med to forskellige tilgange. Begge maskinlærings-tilgange var baseret på random forest-algoritmer, der aggregere beslutningstræer for at opnå en mere robust og præcis model. En af de modeller, som holdet testede, var en binær klassifikationsmetode, der forudsagde, om en bestemt sæt af parametre ville resultere i et lavt eller højt kvalitetsprodukt. Imens anvendte den anden klassifikationsmetode en regressions-metode, der estimerede, hvilke parameter-værdier ville give et højt kvalitetsresultat.

Ifølge resultaterne af forskningen var de vigtigste parametre for højkvalitets bioscaffolds afstand, lagdeling, tryk, materialets sammensætning og trykkehastighed. Trykkehastighed var den vigtigste variabel overall, efterfulgt af materialets sammensætning. Det håbes, at resultaterne af studiet vil føre til bedre, hurtigere trykning af bioscaffolds, og dermed forbedre pålideligheden af 3D-printning af kroppens dele som cartilag, knæskaller og kæber.

Ifølge Kavraki har de metoder, der blev brugt af forskningsholdet, potentialet til at blive brugt på andre laboratorier. Som Kavraki blev citeret af ScienceDaily:

“På længere sigt skal laboratorier være i stand til at forstå, hvilke af deres materialer kan give dem forskellige typer af trykte scaffolds, og på meget længere 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 tror vi, vi skal være i stand til at generere sådanne modeller.”