Οι Αλγόριθμοι Της Τεχνητής Νοημοσύνης Μπορούν Να Βελτιώσουν τη Δημιουργία Υλικών Βιοϊκанов και Να Βοηθήσουν τη Θεραπεία Τραυμάτων

Η τεχνητή νοημοσύνη και η μηχανική μάθηση μπορούν να βοηθήσουν στην θεραπεία των τραυμάτων ενισχύοντας την ταχύτητα ανάπτυξης των τρισδιάστατων βιοϊκάνων. Τα βιοϊκάνια είναι υλικά που επιτρέπουν στα οργανικά αντικείμενα, όπως το δέρμα και τα όργανα, να αναπτυχθούν επάνω τους. Πρόσφατη έρευνα που πραγματοποιήθηκε από ερευνητές στο Πανεπιστήμιο Rice εφαρμόστηκε η τεχνητή νοημοσύνη στην ανάπτυξη υλικών βιοϊκάνων, με στόχο την πρόβλεψη της ποιότητας των εκτυπωμένων υλικών. Οι ερευνητές διαπίστωσαν ότι ο έλεγχος της ταχύτητας της εκτύπωσης είναι κρίσιμος για την ανάπτυξη χρήσιμων βιοϊκάνων.

Όπως αναφέρθηκε από το ScienceDaily, μια ομάδα ερευνητών από το Πανεπιστήμιο Rice συνεργάστηκαν για να χρησιμοποιήσουν τη μηχανική μάθηση για να ανακαλύψουν πιθανές βελτιώσεις στα υλικά βιοϊκάνων. Ο επιστήμονας υπολογιστών Lydia Kavraki, από τη Σχολή Μηχανικής του Brown στο Πανεπιστήμιο Rice, ηγήθηκε μιας ερευνητικής ομάδας που εφαρμόστηκε αλγόριθμους μηχανικής μάθησης για να προβλέψει την ποιότητα του υλικού του ικάνου. Η μελέτη συνυπογράφηκε από τον βιομηχανικό Antonios Mikos, ο οποίος εργάζεται σε βιοϊκάνια που μοιάζουν με οστά και χρησιμεύουν ως αντικαταστάτες ιστών, με σκοπό να υποστηρίξουν την ανάπτυξη αιμοφόρων αγγείων και κυττάρων και να ermögουν τα τραυματισμένα ιστό να θεραπεύονται πιο γρήγορα. Τα βιοϊκάνια που εργάζεται ο Mikos προορίζονται για την θεραπεία τραυμάτων musculoskeletal και craniofacial. Τα βιοϊκάνια παράγονται με τη βοήθεια τεχνικών τρισδιάστατης εκτύπωσης που παράγουν ικάνια που ταιριάζουν στο περίγραμμα ενός δεδομένου τραύματος.

Η διαδικασία της τρισδιάστατης εκτύπωσης υλικών βιοϊκάνων απαιτεί πολλές δοκιμές και λάθη για να πάρει το εκτυπωμένο δείγμα ακριβώς σωστό. Διαφορετικά παραμέτρους όπως η σύνθεση του υλικού, η δομή και η απόσταση πρέπει να ληφθούν υπόψη. Η εφαρμογή τεχνικών μηχανικής μάθησης μπορεί να μειώσει πολύ αυτές τις δοκιμές και λάθη, δίνοντας στους μηχανικούς χρήσιμες οδηγίες που μειώνουν την ανάγκη να πειραματιστούν με παραμέτρους. Η Kavraki και άλλοι ερευνητές ήταν σε θέση να δώσουν στην ομάδα βιομηχανικήςedback σχετικά με ποιες παραμέτρους ήταν πιο σημαντικές, αυτές που ήταν πιο πιθανό να επηρεάσουν την ποιότητα του εκτυπωμένου υλικού.

Η ερευνητική ομάδα ξεκίνησε αναλύοντας δεδομένα για την εκτύπωση ικάνων από μια μελέτη του 2016 για βιοδιασπώμενα πολυπροπυλενίου φουμαράτη. Πέρα από αυτά τα δεδομένα, οι ερευνητές δημιούργησαν ένα σύνολο μεταβλητών που θα τους βοηθούσαν να σχεδιάσουν einen ταξινομητή μηχανικής μάθησης. Μόλις συλλέχθηκαν όλα τα απαραίτητα δεδομένα, 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 τυχαίων δασών, οι οποίοι συναθροίζουν δέντρα αποφάσεων 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 παλίνδρομου που εκτίμησε ποιες τιμές παραμέτρων θα έδιναν ένα προϊόν υψηλής ποιότητας.

Σύμφωνα με τα αποτελέσματα της έρευνας, οι πιο σημαντικές παραμέτρους για υψηλής ποιότητας βιοϊκάνια 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 ελπιδοφόρο ότι τα αποτελέσματα της μελέτης θα οδηγήσουν σε καλύτερη και ταχύτερη εκτύπωση βιοϊκάνων, ενισχύοντας την αξιοπιστία της τρισδιάστατης εκτύπωσης ανθρώπινων μερών όπως το χόνδρο, τα γόνατα και τα γνάθια.

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

“Σε μακροπρόθεσμο, τα εργαστήρια θα πρέπει να είναι σε θέση να κατανοήσουν ποια από τα υλικά τους μπορούν να τους δώσουν διαφορετικά είδη εκτυπωμένων ικάνων, και σε πολύ μακροπρόθεσμο, 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 θα πρέπει να能够 να δημιουργήσουμε τέτοιους μοντέλους.”