AI-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. Computerforsker Lydia Kavraki fra Brown School of Engineering ved Rice, ledede et forskninghold, der anvendte maskinlæringsalgoritmer til at forudsige scaffoldmaterialekvalitet. Studiet var co-forfattet af Rice-bioingenør Antonios Mikos, der arbejder på benlignende bioscaffolds, der fungerer som vævsersætninger, der er designet til at 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-printteknikker, der producerer scaffolds, der passer perimeteren af et givent sår.

Processen med at 3D-printe bioscaffold-materiale kræver mange forsøg og fejl for at få den trykte batch helt rigtig. Forskellige parametre som materialekomposition, 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 bioingeniørholdet feedback på, hvilke parametre der var mest vigtige, dem, der mest sandsynligt ville 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 kom forskerne med en række variable, der ville hjælpe dem med at designe en maskinlæringsklassifikator. Når alle nødvendige data var samlet, kunne forskerne designe modeller, teste dem og få resultaterne offentliggjort på lidt over et halvt år.

I forhold til de maskinlæringsmodeller, der blev brugt af forskningsholdet, eksperimenterede holdet med to forskellige tilgange. Begge maskinlæringsmodeller 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 regressionsmetode, der estimerede, hvilke parameter-værdier ville give et højt kvalitetsresultat.

Ifølge resultaterne af forskningen var de vigtigste parametre for højt kvalitets bioscaffolds afstand, lagdeling, tryk, materialekomposition og trykkehastighed. Trykkehastigheden var den vigtigste variabel overall, efterfulgt af materialekomposition. 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 knogle, knæskaller og kæber.

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

“I længden skal laboratorier være i stand til at forstå, hvilke af deres materialer kan give dem forskellige typer af trykte scaffolds, 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 tror vi, vi skal være i stand til at generere sådanne modeller.”