ํฌ์ค์ผ์ด
AI ์๊ณ ๋ฆฌ์ฆ์ ๋ฐ์ด์ค์ค์บํด๋ ์ฌ๋ฃ์ ์์ฑ์ ๊ฐํํ๊ณ ์์ฒ๋ฅผ ์น์ ํ๋ ๋ฐ ๋์์ด ๋ ์ ์๋ค
인공 지능과 기계 학습은 3D 프린팅 바이오스캐폴드의 개발 속도를 높임으로써 상처를 치유하는 데 도움이 될 수 있다. 바이오스캐폴드는 피부와 기관 gibi 유기적 객체가 자라날 수 있는 재료이다. 최근 Rice University의 연구자들이 수행한 연구에서는 바이오스캐폴드 재료의 개발에 AI 알고리즘을 적용하여 인쇄된 재료의 품질을 예측하는 것을 목표로 했다. 연구자들은 인쇄 속도를 제어하는 것이 유용한 바이오스캐폴드 임플란트의 개발에 중요하다는 것을 발견했다.
ScienceDaily에 따르면, Rice University의 연구자 팀은 바이오스캐폴드 재료를 개선할 수 있는 가능성을 식별하기 위해 기계 학습을 사용했다. Brown School of Engineering의 컴퓨터 과학자 Lydia Kavraki는 연구 팀을 이끌었고, 스캐폴드 재료의 품질을 예측하기 위해 기계 학습 알고리즘을 적용했다. 이 연구는 Rice의 바이오 엔지니어 Antonios Mikos와 공동으로 수행되었으며, Mikos는 혈관과 세포의 성장을 지원하고 상처가 더 빠르게 치유되도록 하는 조직 대체용으로 사용되는 골과 같은 바이오스캐폴드를 연구하고 있다. Mikos가 연구하는 바이오스캐폴드는 근골격계와 두개 안면 상처를 치유하는 데 사용된다. 바이오스캐폴드는 3D 프린팅 기술을 사용하여 특정 상처의 周囲에 맞는 스캐폴드를 생성한다.
바이오스캐폴드 재료를 3D 프린팅하는 과정에서는 인쇄된 배치를 정확하게 얻기 위해 많은 시도와 오류가 필요하다. 재료 구성, 구조, 간격 등 다양한 매개변수가 고려되어야 한다. 기계 학습 기술의 적용은 이러한 시도와 오류를 줄일 수 있으며, 엔지니어에게 매개변수를 조작할 필요가 없는 유용한 지침을 제공한다. Kavraki와 다른 연구자들은 바이오 엔지니어링 팀에 가장 중요한 매개변수와 그 품질에 영향을 미치는 매개변수를 제공할 수 있었다.
연구 팀은 2016년 생분해성 폴리프로필렌 푸마레이트에 대한 연구에서 스캐폴드 인쇄에 대한 데이터를 분석하여 시작했다. 이 데이터 외에도 연구자들은 기계 학습 분류기를 설계하기 위해 변수 집합을 만들었다. 필요한 모든 데이터가 수집되면 연구자들은 모델을 설계하고 테스트하고 결과를 약 반년 만에 출판할 수 있었다.
연구 팀이 사용한 기계 학습 모델은 두 가지 접근 방식으로 실험되었다. 두 기계 학습 접근 방식 모두 랜덤 포레스트 알고리즘을 기반으로 하여 더 강력하고 정확한 모델을 달성하기 위해 의사 결정 트리를 집계한다. 연구 팀이 테스트한 모델 중 하나는 특정 매개변수 세트가 낮은 품질 또는 높은 품질의 제품을 예측하는 이진 분류 방법이었다. 한편, 두 번째 분류 방법은 회귀 방법을 사용하여 높은 품질의 결과를 제공하는 매개변수 값을 추정했다.
연구 결과에 따르면 높은 품질의 바이오스캐폴드를 위한 가장 중요한 매개변수는 간격, 층화, 압력, 재료 구성 및 인쇄 속도였다. 인쇄 속도는 전체적으로 가장 중요한 변수였으며, 그 다음으로 재료 구성이 중요했다. 연구 결과가 바이오스캐폴드의 더 나은, 더 빠른 인쇄로 이어져 3D 프린팅 신체 부품인 연골, 슬개골, 아래턱뼈의 신뢰성을 향상시킬 수 있기를希望한다.
Kavraki에 따르면, 연구 팀이 사용한 방법은 다른 실험실에서 사용될 수 있다. ScienceDaily에 따르면 Kavraki는 다음과 같이 말했다.
“오랜 기간에 걸쳐, 실험실에서는 어떤 재료가 다른 종류의 인쇄 스캐폴드를 제공할 수 있는지 이해할 수 있어야 하며, 매우 오랜 기간에 걸쳐서는 아직 시도하지 않은 재료에 대한 결과를 예측할 수 있어야 한다. 현재로서는 충분한 데이터가 없지만, 어느 시점에는 그러한 모델을 생성할 수 있을 것으로 생각한다.”
