Tekoälyalgoritmit voivat parantaa bioscaffold-materiaalien luomista ja auttaa haavojen parantumisessa

Tekoäly ja koneoppiminen voivat auttaa haavojen parantumisessa nopeuttamalla 3D-tulostettujen bioscaffoldien kehitystä. Bioscaffoldit ovat materiaaleja, jotka sallivat orgaanisten objektien, kuten ihon ja elinten, kasvun niiden päällä. Rice Universityn tutkijoiden tekemässä tuoreessa työssä käytettiin tekoälyalgoritmeja bioscaffold-materiaalien kehittämiseen, tavoitteena ennustaa tulostettujen materiaalien laatu. Tutkijat totesivat, että tulostuksen nopeuden säätely on olennainen bioscaffold-implanttien kehittämiseksi.

ScienceDailyn mukaan Rice Universityn tutkijaryhmä käytti koneoppimista bioscaffold-materiaalien parantamiseen. Tietokoneiden tutkija Lydia Kavraki, Brown School of Engineeringista, johti tutkijaryhmää, joka sovelsi koneoppimisalgoritmeja ennustamaan scaffold-materiaalin laatua. Tutkimuksen vastaava tekijä oli Rice-bioinsinööri Antonios Mikos, joka työskentelee luurankomaisilla bioscaffold-eleillä, jotka toimivat kudoksen korvikkeina, tarkoituksena tukea verisuonten ja solujen kasvua ja mahdollistaa haavoittuneen kudoksen nopeampi parantuminen. Mikosin työssä käytetyt bioscaffoldit on tarkoitettu parantamaan luurankomaisia ja kallon kasvuhäiriöitä. Bioscaffoldit valmistetaan 3D-tulostustekniikalla, joka tuottaa scaffoldit, jotka sopivat annetun haavan reunalle.

Bioscaffold-materiaalin 3D-tulostusprosessi vaatii paljon koetteluja, jotta tulostettu erä olisi juuri oikein. Erilaiset parametrit, kuten materiaalin koostumus, rakenne ja välimatka, on otettava huomioon. Koneoppimistekniikoiden soveltaminen voi vähentää paljon tätä koettelua, antaen insinööreille hyödyllisiä ohjeita, jotka vähentävät tarvetta säätää parametreja. Kavraki ja muut tutkijat pystyivät antamaan bioinsinööreille palautetta siitä, mitkä parametrit olivat tärkeimmät, eli mitkä vaikuttavat todennäköisimmin tulostetun materiaalin laatuun.

Tutkijaryhmä aloitti analysoimalla tulostettujen scaffoldien dataa vuoden 2016 tutkimuksesta biologisesti hajoavasta polypropyleenifumaarista. Tämän datan lisäksi tutkijat kehittivät joukon muuttujia, jotka auttaisivat heitä suunnittelemaan koneoppimisen luokittelijan. Kun kaikki tarvittava data oli kerätty, tutkijat pystyivät suunnittelemaan malleja, testaamaan niitä ja julkaisemaan tulokset vain runsaan puolen vuoden kuluessa.

Koneoppimismalleja, joita tutkijaryhmä kokeili, oli kaksi eri lähestymistapaa. Molemmat koneoppimismenetelmät perustuivat satunnaisiin metsiin, jotka yhdistävät päätöspuita saavuttaakseen luotettavamman ja tarkemman mallin. Yksi tutkijoiden testaamista malleista oli binäärluokittelumenetelmä, joka ennusti, johtaisiko tietty parametriyhdistelmä matala- vai korkealaatuisen tuotteen. Toisaalta toinen luokittelumenetelmä käytti regressiomenetelmää, joka arvioi, mitkä parametriarvot johtaisivat korkealaatuiseen tulokseen.

Tutkimuksen tuloksien mukaan bioscaffoldien korkealaatuisimmat parametrit olivat välimatka, kerroksellisuus, paine, materiaalin koostumus ja tulostusnopeus. Tulostusnopeus oli tärkein muuttuja yhteensä, seuraavana materiaalin koostumus. Toivotaan, että tutkimuksen tulokset johtavat bioscaffoldien parempaan ja nopeampaan tulostukseen, parantaen siten kehon osien, kuten ruston, polvilumpion ja leukan, 3D-tulostuksen luotettavuutta.

Kavrakin mukaan tutkijaryhmän käyttämät menetelmät ovat sovellettavissa myös muihin laboratorioihin. Kavrakin lainattiin ScienceDailyssä:

“Pitkällä tähtäimellä laboratoriot voisivat ymmärtää, mitkä heidän materiaalinsa voivat tuottaa erilaisia tulostettuja bioscaffold-eleitä, ja vielä pitemmällä tähtäimellä jopa ennustaa tulokset materiaaleista, joita he eivät ole kokeilleet. Meillä ei ole tarpeeksi dataa tähän tällä hetkellä, mutta jonain päivänä me uskomme, että pystymme generoimaan sellaisia malleja.”