Algoritma AI Dapat Meningkatkan Pembuatan Bahan Bioscaffold dan Membantu Mengobati Luka

Kecerdasan buatan dan pembelajaran mesin dapat membantu menyembuhkan cedera dengan mempercepat pengembangan bioscaffold 3D. Bioscaffold adalah bahan yang memungkinkan objek organik, seperti kulit dan organ, tumbuh di atasnya. Penelitian terbaru yang dilakukan oleh peneliti di Rice University menerapkan algoritma AI pada pengembangan bahan bioscaffold, dengan tujuan memprediksi kualitas bahan yang dicetak. Peneliti menemukan bahwa mengontrol kecepatan pencetakan sangat penting untuk pengembangan implant bioscaffold yang berguna.

Seperti dilaporkan oleh ScienceDaily, tim peneliti dari Rice University berkolaborasi untuk menggunakan pembelajaran mesin untuk mengidentifikasi perbaikan yang mungkin pada bahan bioscaffold. Ilmuwan komputer Lydia Kavraki, dari Sekolah Teknik Brown di Rice, memimpin tim peneliti yang menerapkan algoritma pembelajaran mesin untuk memprediksi kualitas bahan scaffold. Studi ini ditulis bersama oleh bioinsinyur Rice Antonios Mikos, yang bekerja pada bioscaffold seperti tulang yang berfungsi sebagai pengganti jaringan, dimaksudkan untuk mendukung pertumbuhan pembuluh darah dan sel, dan memungkinkan jaringan yang terluka sembuh lebih cepat. Bioscaffold yang Mikos kerjakan dimaksudkan untuk menyembuhkan luka muskuloskeletal dan kraniofasial. Bioscaffold diproduksi dengan bantuan teknik pencetakan 3D yang menghasilkan scaffold yang sesuai dengan perimeter luka tertentu.

Proses pencetakan bahan bioscaffold 3D memerlukan banyak trial dan error untuk mendapatkan batch yang dicetak dengan benar. Berbagai parameter seperti komposisi bahan, struktur, dan spasi harus dipertimbangkan. Penerapan teknik pembelajaran mesin dapat mengurangi sebagian besar trial dan error, memberikan insinyur pedoman yang berguna yang mengurangi kebutuhan untuk bereksperimen dengan parameter. Kavraki dan peneliti lainnya dapat memberikan umpan balik kepada tim bioengineering tentang parameter mana yang paling penting, yaitu parameter yang paling mungkin mempengaruhi kualitas bahan yang dicetak.

Tim peneliti memulai dengan menganalisis data tentang pencetakan scaffold dari studi 2016 tentang polipropilena fumarat yang dapat diuraikan. Di luar data ini, peneliti mengembangkan serangkaian variabel yang akan membantu mereka merancang klasifikasi pembelajaran mesin. Setelah semua data yang diperlukan dikumpulkan, peneliti dapat merancang model, mengujinya, dan mendapatkan hasilnya dipublikasikan dalam waktu kurang dari setengah tahun.

Dalam hal model pembelajaran mesin yang digunakan oleh tim peneliti, tim melakukan eksperimen dengan dua pendekatan yang berbeda. Kedua pendekatan pembelajaran mesin didasarkan pada algoritma hutan acak, yang menggabungkan pohon keputusan untuk mencapai model yang lebih kuat dan akurat. Salah satu model yang diuji tim adalah metode klasifikasi biner yang memprediksi apakah satu set parameter tertentu akan menghasilkan produk dengan kualitas rendah atau tinggi. Sementara itu, metode klasifikasi kedua menggunakan metode regresi yang memperkirakan nilai parameter mana yang akan menghasilkan hasil dengan kualitas tinggi.

Menurut hasil penelitian, parameter yang paling penting untuk bioscaffold dengan kualitas tinggi adalah spasi, lapisan, tekanan, komposisi bahan, dan kecepatan pencetakan. Kecepatan pencetakan adalah variabel yang paling penting secara keseluruhan, diikuti oleh komposisi bahan. Diharapkan hasil studi ini akan mengarah pada pencetakan bioscaffold yang lebih baik dan lebih cepat, sehingga meningkatkan keandalan pencetakan bagian tubuh seperti kartilago, patela, dan rahang.

Menurut Kavraki, metode yang digunakan oleh tim peneliti memiliki potensi untuk digunakan di laboratorium lain. Seperti yang dikutip oleh ScienceDaily:

“Dalam jangka panjang, laboratorium harus dapat memahami bahan mana yang dapat memberikan mereka jenis bioscaffold yang berbeda, dan dalam jangka panjang yang sangat panjang, bahkan memprediksi hasil untuk bahan yang belum mereka coba. Kami belum memiliki cukup data untuk melakukan itu sekarang, tetapi pada suatu saat kami pikir kami harus dapat menghasilkan model seperti itu.”