AIアルゴリズムはバイオスキャフォールド材料の作成を強化し、傷の治癒を支援する

人工知能と機械学習は、3Dプリンティングされたバイオスキャフォールドの開発速度を高めることで、傷の治癒を支援することができる。バイオスキャフォールドは、皮膚や臓器などの有機物が成長することを可能にする材料である。最近、ライス大学の研究者は、バイオスキャフォールド材料の開発にAIアルゴリズムを適用し、印刷された材料の品質を予測することを目的とした。研究者は、印刷の速度を制御することが有用なバイオスキャフォールドインプラントの開発に重要であることを発見した。

ScienceDailyによると、ライス大学の研究チームは、機械学習を使用して、バイオスキャフォールド材料の改善点を特定するために協力した。コンピュータサイエンティストのLydia Kavrakiは、Brown School of Engineering at Riceで、機械学習アルゴリズムを適用してスキャフォールド材料の品質を予測する研究チームを率いた。研究は、骨のようなバイオスキャフォールドを開発しているライス大学のバイオエンジニア、Antonios Mikosによって共同著者された。Mikosが開発しているバイオスキャフォールドは、筋骨格と頭蓋顔面の傷を治癒することを目的としている。バイオスキャフォールドは、3Dプリンティング技術を使用して製造され、特定の傷の周囲に合うように設計されている。

バイオスキャフォールド材料の3Dプリンティングには、印刷されたバッチを正しく得るために多くの試行錯誤が必要である。材料の組成、構造、間隔などのさまざまなパラメータを考慮する必要がある。機械学習技術の適用により、この試行錯誤を大幅に減らすことができ、エンジニアに有用なガイドラインが提供される。Kavrakiと他の研究者は、バイオエンジニアリングチームに、最も重要なパラメータについてフィードバックを提供できた。

研究チームは、2016年の研究で得られたバイオ分解性ポリプロピレンフマレートのデータを分析して開始した。さらに、機械学習クラシファイアを設計するために必要な変数のセットを開発した。必要なデータをすべて収集した後、研究者はモデルを設計し、テストし、結果を約半年で出版することができた。

研究チームが使用した機械学習モデルは、2つの異なるアプローチを使用した。両方の機械学習アプローチは、ランダムフォレストアルゴリズムに基づいており、決定木を集めることでより強健で正確なモデルを実現する。テストしたモデルの1つは、特定のパラメータセットが低品質または高品質の製品を生成するかどうかを予測する二値分類方法であった。もう1つの分類方法は、回帰法を使用して、パラメータ値が高品質の結果をもたらすかどうかを推定した。

研究の結果、バイオスキャフォールドの品質に最も重要なパラメータは、間隔、積層、圧力、材料組成、印刷速度であった。印刷速度が最も重要な変数であり、材料組成が2番目に重要であった。研究の結果が、バイオスキャフォールドの印刷をより迅速に信頼性の高いものにすることを可能にし、軟骨、膝蓋骨、下顎骨などの3Dプリンティングされた体の部品の信頼性を高めることが期待される。

Kavrakiによると、研究チームが使用した方法は、他の研究所でも使用できる可能性がある。 ScienceDailyによると、

“長期的には、研究所は、どの材料がどのような種類の印刷スキャフォールドを生成できるかを理解し、さらに、試したことがない材料に対する結果を予測することができるようになるはずである。現在、十分なデータがないが、いつかそのようなモデルを生成できるようになるはずである。”