AI 알고리즘은 바이오스캐폴드 재료의 생성을 향상시키고 상처 치유를 도울 수 있습니다.

인공 지능과 기계 학습은 3D 프린팅된 바이오스캐폴드의 개발 속도를 높여 부상을 치료하는 데 도움이 될 수 있습니다. 바이오스캐폴드는 피부나 장기와 같은 유기물이 그 위에서 자랄 수 있도록 하는 재료입니다. 라이스 대학교 연구원들이 최근 수행한 연구에서는 인쇄된 재료의 품질을 예측하는 것을 목표로 바이오스캐폴드 재료 개발에 AI 알고리즘을 적용했습니다. 연구진은 인쇄 속도를 제어하는 ​​것이 유용한 바이오스캐폴드 임플란트를 개발하는 데 중요하다는 사실을 발견했습니다.

ScienceDaily에서 보고한 바와 같이, 라이스 대학교 연구팀 기계 학습을 사용하기 위해 협력 바이오스캐폴드 재료의 가능한 개선점을 확인합니다. Rice의 Brown School of Engineering의 컴퓨터 과학자 Lydia Kavraki는 비계 재료 품질을 예측하기 위해 기계 학습 알고리즘을 적용한 연구팀을 이끌고 있습니다. 이 연구는 혈관과 세포의 성장을 지원하고 상처 입은 조직이 더 빨리 치유될 수 있도록 하기 위한 조직 대체 역할을 하는 뼈와 같은 바이오스캐폴드에 대해 연구하는 라이스 생명공학자 안토니오스 미코스(Antonios Mikos)가 공동 저술했습니다. Mikos가 작업하는 바이오스캐폴드는 근골격 및 두개안면 상처를 치료하기 위한 것입니다. 바이오스캐폴드는 주어진 상처의 둘레에 맞는 스캐폴드를 생산하는 3D 프린팅 기술의 도움으로 생산됩니다.

바이오스캐폴드 소재를 3D 프린팅하는 과정은 프린팅된 배치를 제대로 얻기 위해 많은 시행착오를 필요로 합니다. 재료 구성, 구조 및 간격과 같은 다양한 매개변수를 고려해야 합니다. 머신 러닝 기술을 적용하면 이러한 시행착오를 많이 줄일 수 있으므로 엔지니어에게 매개변수를 조작할 필요성을 줄이는 유용한 지침을 제공할 수 있습니다. Kavraki와 다른 연구자들은 어떤 매개변수가 가장 중요한지, 인쇄된 재료의 품질에 가장 큰 영향을 미칠 가능성이 있는 매개변수에 대한 피드백을 생명 공학 팀에 제공할 수 있었습니다.

연구팀은 2016년 생분해성 폴리프로필렌 푸마레이트에 대한 연구에서 인쇄 발판에 대한 데이터를 분석하는 것으로 시작했습니다. 이 데이터 외에도 연구자들은 기계 학습 분류기를 설계하는 데 도움이 되는 일련의 변수를 생각해 냈습니다. 필요한 모든 데이터가 수집되면 연구자들은 모델을 설계하고 테스트할 수 있었고 반년 만에 결과를 발표할 수 있었습니다.

연구팀이 사용하는 기계 학습 모델과 관련하여 팀은 두 가지 접근 방식을 실험했습니다. 두 가지 머신 러닝 접근 방식은 보다 강력하고 정확한 모델을 달성하기 위해 의사 결정 트리를 집계하는 랜덤 포레스트 알고리즘을 기반으로 합니다. 팀이 테스트한 모델 중 하나는 특정 매개변수 집합이 품질이 낮은 제품인지 또는 고품질 제품인지 예측하는 이진 분류 방법이었습니다. 한편, 두 번째 분류 방법은 어떤 매개변수 값이 양질의 결과를 줄지 추정하는 회귀 방법을 활용하였다.

연구 결과에 따르면 고품질 바이오스캐폴드의 가장 중요한 매개변수는 간격, 레이어링, 압력, 재료 구성 및 인쇄 속도였습니다. 인쇄 속도는 전반적으로 가장 중요한 변수였으며 재료 구성이 그 뒤를 이었습니다. 연구 결과가 바이오 스캐폴드의 더 빠르고 더 나은 프린팅으로 이어져 연골, 슬개골, 턱뼈와 같은 3D 프린팅 신체 부위의 신뢰성을 향상시키기를 희망합니다.

Kavraki에 따르면 연구팀이 사용한 방법은 다른 연구실에서도 사용할 가능성이 있습니다. Kavraki는 ScienceDaily에서 다음과 같이 인용했습니다.

“장기적으로 실험실은 어떤 재료가 다양한 종류의 인쇄 발판을 제공할 수 있는지 이해할 수 있어야 하며 장기적으로는 시도하지 않은 재료에 대한 결과도 예측할 수 있어야 합니다. 지금 당장은 데이터가 충분하지 않지만 언젠가는 그러한 모델을 생성할 수 있어야 한다고 생각합니다.”