Οι Αλγόριθμοι Της Τεχνητής Νοημοσύνης Μπορούν Να Βελτιώσουν τη Δημιουργία Υλικών Βιοϊστών και Να Βοηθήσουν στην Ιατρική των Τραυμάτων

Η τεχνητή νοημοσύνη και η μηχανική μάθηση μπορούν να βοηθήσουν στην ιατρική των τραυμάτων αυξάνοντας την ταχύτητα ανάπτυξης των τρισδιάστατων βιοϊστών. Οι βιοϊστοί είναι υλικά που επιτρέπουν την ανάπτυξη οργανικών αντικειμένων, όπως το δέρμα και τα όργανα, πάνω τους. Πρόσφατη εργασία που thựcθηκε από ερευνητές στο Πανεπιστήμιο Rice εφαρμόστηκε στους αλγόριθμους της τεχνητής νοημοσύνης στην ανάπτυξη υλικών βιοϊστών, με στόχο την πρόβλεψη της ποιότητας των τυπωμένων υλικών. Οι ερευνητές βρήκαν ότι ο έλεγχος της ταχύτητας της εκτύπωσης είναι κρίσιμος για την ανάπτυξη χρήσιμων βιοϊστών εμφυτεύματος.

Όπως αναφέρθηκε από το ScienceDaily, μια ομάδα ερευνητών από το Πανεπιστήμιο Rice συνεργάστηκαν για να χρησιμοποιήσουν την μηχανική μάθηση για να ανακαλύψουν πιθανές βελτιώσεις στα υλικά βιοϊστών. Η επιστήμονας υπολογιστών Lydia Kavraki, από τη Σχολή Μηχανικής του Brown στο Πανεπιστήμιο Rice, ηγήθηκε μιας ερευνητικής ομάδας που εφαρμόστηκε στους αλγόριθμους της μηχανικής μάθησης για να προβλέψει την ποιότητα του υλικού βιοϊστού. Η μελέτη συνυπογράφτηκε από τον βιομηχανικό Antonios Mikos του Πανεπιστημίου Rice, ο οποίος εργάζεται σε βιοϊστούς που μοιάζουν με οστά, οι οποίοι χρησιμεύουν ως αντικαταστάτες ιστών, με σκοπό να υποστηρίξουν την ανάπτυξη αιμοφόρων αγγείων και κυττάρων και να ermögουν την ταχύτερη ιατρική των τραυματισμένων ιστών. Οι βιοϊστοί που εργάζεται ο Mikos προορίζονται για την ιατρική των μυοσκελετικών και κρανιοπροσωπικών τραυμάτων. Οι βιοϊστοί παράγονται με τη βοήθεια τεχνικών τρισδιάστατης εκτύπωσης που παράγουν βιοϊστούς που ταιριάζουν στο περιτύλιγμα ενός δεδομένου τραύματος.

Η διαδικασία της τρισδιάστατης εκτύπωσης υλικών βιοϊστών απαιτεί πολλές δοκιμές και λάθη για να ληφθεί το τυπωμένο δείγμα ακριβώς σωστό. Πολλά παραμέτρα όπως η σύνθεση του υλικού, η δομή και η απόσταση πρέπει να ληφθούν υπόψη. Η εφαρμογή τεχνικών μηχανικής μάθησης μπορεί να μειώσει πολλά από αυτά τα δοκιμές και λάθη, δίνοντας στους μηχανικούς χρήσιμες οδηγίες που μειώνουν την ανάγκη να πειραματιστούν με παραμέτρους. Η Kavraki και άλλες ερευνητές ήταν σε θέση να δώσουν στην ομάδα βιομηχανικής ανατροφοδότηση σχετικά με ποιες παραμέτρους ήταν οι πιο σημαντικές, αυτές που είναι πιο πιθανό να επηρεάσουν την ποιότητα του τυπωμένου υλικού.

Η ερευνητική ομάδα ξεκίνησε αναλύοντας δεδομένα για την εκτύπωση βιοϊστών από μια μελέτη του 2016 για βιοδιασπώμενο πολυπροπυλένιο φουμαράτη. Πέρα από αυτά τα δεδομένα, οι ερευνητές δημιούργησαν ένα σύνολο μεταβλητών που θα τους βοηθούσε να σχεδιάσουν einen ταξινομητή μηχανικής μάθησης. Όταν όλα τα απαραίτητα δεδομένα συλλέχθηκαν, οι ερευνητές ήταν σε θέση να σχεδιάσουν μοντέλα, να τα δοκιμάσουν και να δημοσιεύσουν τα αποτελέσματα σε λιγότερο από έξι μήνες.

Όσον αφορά τα μοντέλα μηχανικής μάθησης που χρησιμοποιήθηκαν από την ερευνητική ομάδα, η ομάδα πειραματίστηκε με δύο διαφορετικές προσεγγίσεις. Και οι δύο προσεγγίσεις μηχανικής μάθησης βασίζονταν σε αλγόριθμους τυχαίου δάσους, οι οποίοι συναθροίζουν δέντρα απόφασης για να επιτύχουν ένα πιο robust και ακριβές μοντέλο. Ένα από τα μοντέλα που η ομάδα δοκιμάστηκε ήταν μια μέθοδος δυαδικής ταξινόμησης που προέβλεψε αν ένα συγκεκριμένο σύνολο παραμέτρων θα οδηγούσε σε ένα προϊόν χαμηλής ή υψηλής ποιότητας. Εν τω μεταξύ, η δεύτερη μέθοδος ταξινόμησης χρησιμοποίησε μια μέθοδο παλινδρόμησης που εκτίμησε ποιες τιμές παραμέτρων θα έδιναν ένα προϊόν υψηλής ποιότητας.

Σύμφωνα με τα αποτελέσματα της έρευνας, οι πιο σημαντικές παραμέτρους για υψηλής ποιότητας βιοϊστούς ήταν η απόσταση, η στρώση, η πίεση, η σύνθεση του υλικού και η ταχύτητα εκτύπωσης. Η ταχύτητα εκτύπωσης ήταν η πιο σημαντική μεταβλητή συνολικά, ακολουθούμενη από τη σύνθεση του υλικού. Είναι ελπίζεται ότι τα αποτελέσματα της μελέτης θα οδηγήσουν σε καλύτερη, ταχύτερη εκτύπωση βιοϊστών, βελτιώνοντας την αξιοπιστία της τρισδιάστατης εκτύπωσης ανθρώπινων μερών όπως το χόνδρο, τα γόνατα και τα οστά του σαγονιού.

Σύμφωνα με την Kavraki, οι μέθοδοι που χρησιμοποιήθηκαν από την ερευνητική ομάδα έχουν το δυναμικό να χρησιμοποιηθούν σε άλλα εργαστήρια. Όπως αναφέρθηκε από το ScienceDaily:

“Σε μακροχρόνια προοπτική, τα εργαστήρια πρέπει να είναι σε θέση να κατανοήσουν ποια από τα υλικά τους μπορούν να τους δώσουν διαφορετικά είδη τυπωμένων βιοϊστών και ακόμη και να προβλέψουν αποτελέσματα για υλικά που δεν έχουν δοκιμαστεί. Δεν έχουμε αρκετά δεδομένα για να το κάνουμε αυτό τώρα, αλλά σε κάποιο σημείο πιστεύουμε ότι πρέπει να είναι σε θέση να δημιουργήσουμε τέτοιους μοντέλους.”