Les algorithmes d’IA peuvent améliorer la création de matériaux de bioscaffolds et aider à guérir les blessures

L’intelligence artificielle et l’apprentissage automatique pourraient aider à guérir les blessures en accélérant le développement de bioscaffolds imprimés en 3D. Les bioscaffolds sont des matériaux qui permettent à des objets organiques, comme la peau et les organes, de grandir sur eux. Des travaux récents menés par des chercheurs de l’Université Rice ont appliqué des algorithmes d’IA au développement de matériaux de bioscaffolds, dans le but de prédire la qualité des matériaux imprimés. Les chercheurs ont constaté que le contrôle de la vitesse d’impression est crucial pour le développement d’implants de bioscaffolds utiles.

Selon ScienceDaily, une équipe de chercheurs de l’Université Rice a collaboré pour utiliser l’apprentissage automatique afin d’identifier les améliorations possibles des matériaux de bioscaffolds. La chercheuse en informatique Lydia Kavraki, de l’École d’ingénierie Brown de Rice, a dirigé une équipe de recherche qui a appliqué des algorithmes d’apprentissage automatique pour prédire la qualité des matériaux de bioscaffolds. L’étude a été co-écrite par le bioingénieur de Rice Antonios Mikos, qui travaille sur des bioscaffolds semblables aux os, destinés à servir de remplacement de tissus, conçus pour soutenir la croissance de vaisseaux sanguins et de cellules, et permettre aux tissus blessés de guérir plus rapidement. Les bioscaffolds sur lesquels travaille Mikos sont destinés à guérir les blessures musculosquelettiques et craniofaciales. Les bioscaffolds sont produits à l’aide de techniques d’impression 3D qui produisent des scaffolds qui s’adaptent au périmètre d’une blessure donnée.

Le processus d’impression de matériaux de bioscaffolds en 3D nécessite de nombreux essais et erreurs pour obtenir le lot imprimé exactement comme il faut. Différents paramètres tels que la composition des matériaux, la structure et l’espacement doivent être pris en compte. L’application de techniques d’apprentissage automatique peut réduire une grande partie de ces essais et erreurs, en fournissant aux ingénieurs des directives utiles qui réduisent le besoin de manipuler les paramètres. Kavraki et les autres chercheurs ont pu fournir à l’équipe de bioingénieurs des commentaires sur les paramètres les plus importants, ceux qui étaient les plus susceptibles d’avoir un impact sur la qualité du matériau imprimé.

L’équipe de recherche a commencé par analyser les données sur l’impression de scaffolds à partir d’une étude de 2016 sur le polypropylène fumarate biodégradable. Au-delà de ces données, les chercheurs ont élaboré un ensemble de variables qui les aideraient à concevoir un classificateur d’apprentissage automatique. Une fois que toutes les données nécessaires ont été collectées, les chercheurs ont pu concevoir des modèles, les tester et publier les résultats en un peu plus d’un demi-an.

En termes de modèles d’apprentissage automatique utilisés par l’équipe de recherche, l’équipe a expérimenté deux approches différentes. Les deux approches d’apprentissage automatique étaient basées sur des algorithmes de forêt aléatoire, qui agrègent des arbres de décision pour obtenir un modèle plus robuste et plus précis. L’un des modèles que l’équipe a testés était une méthode de classification binaire qui prédisait si un ensemble particulier de paramètres entraînerait un produit de qualité faible ou élevée. Pendant ce temps, la deuxième méthode de classification utilisait une méthode de régression qui estimait les valeurs de paramètres qui donneraient un résultat de haute qualité.

Selon les résultats de la recherche, les paramètres les plus importants pour des bioscaffolds de haute qualité étaient l’espacement, le stratification, la pression, la composition des matériaux et la vitesse d’impression. La vitesse d’impression était la variable la plus importante dans l’ensemble, suivie de la composition des matériaux. On espère que les résultats de l’étude mèneront à une impression plus rapide et plus fiable de bioscaffolds, améliorant ainsi la fiabilité de l’impression 3D de parties du corps comme le cartilage, les genoux et les mâchoires.

Selon Kavraki, les méthodes utilisées par l’équipe de recherche ont le potentiel d’être utilisées dans d’autres laboratoires. Comme Kavraki a été citée par ScienceDaily:

“À long terme, les laboratoires devraient être en mesure de comprendre quels matériaux peuvent leur donner différents types de scaffolds imprimés, et à très long terme, même prédire les résultats pour des matériaux qu’ils n’ont pas encore essayés. Nous n’avons pas suffisamment de données pour le faire actuellement, mais à un moment donné, nous pensons que nous devrions être en mesure de générer de tels modèles.”