Künstliche Intelligenz-Algorithmen können die Erstellung von Bioscaffold-Materialien verbessern und helfen, Wunden zu heilen

Künstliche Intelligenz und maschinelles Lernen könnten helfen, Verletzungen zu heilen, indem sie die Entwicklungsgeschwindigkeit von 3D-gedruckten Bioscaffolds beschleunigen. Bioscaffolds sind Materialien, die es organischen Objekten wie Haut und Organen ermöglichen, darauf zu wachsen. Jüngste Arbeiten von Forschern an der Rice University wendeten künstliche Intelligenz-Algorithmen auf die Entwicklung von Bioscaffold-Materialien an, mit dem Ziel, die Qualität der gedruckten Materialien vorherzusagen. Die Forscher fanden heraus, dass die Kontrolle der Druckgeschwindigkeit für die Entwicklung von nützlichen Bioscaffold-Implantaten entscheidend ist.

Wie von ScienceDaily berichtet, arbeitete ein Team von Forschern der Rice University zusammen, um maschinelles Lernen zu nutzen, um mögliche Verbesserungen von Bioscaffold-Materialien zu identifizieren. Der Computerwissenschaftler Lydia Kavraki von der Brown School of Engineering an der Rice University leitete ein Forschungsteam, das maschinelles Lernen-Algorithmen anwendete, um die Qualität von Scaffold-Materialien vorherzusagen. Die Studie wurde von dem Bioingenieur Antonios Mikos von der Rice University mitverfasst, der an knochenähnlichen Bioscaffolds arbeitet, die als Gewebeersatz dienen und dazu bestimmt sind, das Wachstum von Blutgefäßen und Zellen zu unterstützen und es verletztem Gewebe zu ermöglichen, sich schneller zu erholen. Die Bioscaffolds, an denen Mikos arbeitet, sind dazu bestimmt, Muskel-Skelett- und Gesichtsverletzungen zu heilen. Die Bioscaffolds werden mit Hilfe von 3D-Drucktechniken hergestellt, die Scaffolds produzieren, die den Umfang einer gegebenen Wunde passen.

Der Prozess des 3D-Druckens von Bioscaffold-Material erfordert viele Trial-and-Error-Versuche, um die gedruckte Charge genau richtig zu bekommen. Verschiedene Parameter wie Materialzusammensetzung, Struktur und Abstand müssen berücksichtigt werden. Die Anwendung von maschinellem Lernen kann viel von diesem Trial-and-Error reduzieren und den Ingenieuren nützliche Richtlinien geben, die die Notwendigkeit, mit Parametern herumzufummeln, verringern. Kavraki und andere Forscher konnten dem Bioingenieur-Team Feedback geben, welche Parameter am wichtigsten waren, nämlich diejenigen, die wahrscheinlich die Qualität des gedruckten Materials beeinflussen würden.

Das Forschungsteam begann mit der Analyse von Daten über das Drucken von Scaffolds aus einer Studie von 2016 über biologisch abbaubares Polypropylenfumarat. Darüber hinaus entwickelten die Forscher eine Reihe von Variablen, die ihnen helfen würden, einen maschinelles Lernen-Klassifizierer zu entwerfen. Sobald alle notwendigen Daten gesammelt waren, konnten die Forscher Modelle entwerfen, testen und die Ergebnisse in etwas mehr als einem halben Jahr veröffentlichen.

Was die von dem Forschungsteam verwendeten maschinelles Lernen-Modelle betrifft, so experimentierten die Forscher mit zwei verschiedenen Ansätzen. Beide maschinelles Lernen-Ansätze basierten auf Random-Forest-Algorithmen, die Entscheidungsbäume aggregieren, um ein robusteres und genaueres Modell zu erreichen. Eines der Modelle, die das Team testete, war eine binäre Klassifizierungsmethode, die vorhersagte, ob ein bestimmtes Satz von Parametern zu einem niedrig- oder hochwertigen Produkt führen würde. Währenddessen verwendete die zweite Klassifizierungsmethode eine Regressionsmethode, die schätzte, welche Parameterwerte zu einem hochwertigen Ergebnis führen würden.

Laut den Ergebnissen der Forschung waren die wichtigsten Parameter für hochwertige Bioscaffolds Abstand, Schichtung, Druck, Materialzusammensetzung und Druckgeschwindigkeit. Die Druckgeschwindigkeit war die wichtigste Variable insgesamt, gefolgt von der Materialzusammensetzung. Es wird gehofft, dass die Ergebnisse der Studie zu besserer, schnellerer Herstellung von Bioscaffolds führen und so die Zuverlässigkeit des 3D-Druckens von Körperteilen wie Knorpel, Kniescheiben und Kieferknochen verbessern.

Laut Kavraki haben die von dem Forschungsteam verwendeten Methoden das Potenzial, in anderen Labors verwendet zu werden. Wie Kavraki von ScienceDaily zitiert wurde:

“Langfristig sollten Labors in der Lage sein, zu verstehen, welche ihrer Materialien ihnen verschiedene Arten von gedruckten Scaffolds liefern können, und langfristig sogar Ergebnisse für Materialien vorhersagen, die sie noch nicht ausprobiert haben. Wir haben derzeit nicht genug Daten, um dies zu tun, aber wir denken, dass wir zu einem bestimmten Zeitpunkt in der Lage sein sollten, solche Modelle zu generieren.”