Алгоритмите со вештачка интелигенција можат да го подобрат создавањето на материјали за биоскелиња и да помогнат во заздравувањето на раните

Вештачката интелигенција и машинското учење би можеле да помогнат во лекувањето на повредите со зголемување на брзината на развој на 3D печатените биоскелиња. Биоскелињата се материјали кои овозможуваат органски предмети, како кожа и органи, да растат на нив. Неодамнешната работа направена од истражувачите од Универзитетот Рајс примени алгоритми за вештачка интелигенција за развој на материјали за биоскелиња, со цел да се предвиди квалитетот на печатените материјали. Истражувачите открија дека контролирањето на брзината на печатењето е од клучно значење за развојот на корисни импланти за биоскелиња.

Како што објави ScienceDaily, тим на истражувачи од Универзитетот Рајс соработуваше за да користи машинско учење да се идентификуваат можните подобрувања на материјалите од биоскелиња. Компјутерскиот научник Лидија Кавраки, од Браун Факултетот за инженерство во Рајс, води истражувачки тим кој применил алгоритми за машинско учење за да го предвиди квалитетот на материјалот на скелето. Студијата беше коавтор на биоинженерот Рајс, Антониос Микос, кој работи на биоскелиња слични на коски кои служат како замена на ткивата, наменети да го поддржат растот на крвните садови и клетките и да му овозможат на рането ткиво побрзо да зарасне. Биоскелињата на кои работи Микос се наменети за лекување на мускулно-скелетни и краниофацијални рани. Биоскелињата се произведуваат со помош на техники за 3D печатење кои произведуваат скелиња кои одговараат на периметарот на дадена рана.

Процесот на 3Д печатење на биоскелиња бара многу обиди и грешки за да се добие печатената серија како што треба. Мора да се земат предвид различни параметри како составот на материјалот, структурата и растојанието. Примената на техниките за машинско учење може да намали голем дел од овие обиди и грешки, давајќи им на инженерите корисни насоки кои ја намалуваат потребата да се занимаваат со параметри. Кавраки и другите истражувачи можеа да му дадат повратна информација на биоинженерскиот тим за тоа кои параметри се најважни, оние кои најверојатно ќе влијаат на квалитетот на печатениот материјал.

Истражувачкиот тим започна со анализа на податоци за скелиња за печатење од студија од 2016 година за биоразградлив полипропилен фумарат. Покрај овие податоци, истражувачите дојдоа до збир на променливи кои ќе им помогнат да дизајнираат класификатор за машинско учење. Откако беа собрани сите потребни податоци, истражувачите можеа да дизајнираат модели, да ги тестираат и да ги објават резултатите за нешто повеќе од половина година.

Во однос на моделите за машинско учење што ги користи истражувачкиот тим, тимот експериментираше со два различни пристапи. Двата пристапа за машинско учење беа базирани на случајни шумски алгоритми, кои ги собираат стеблата за одлучување за да постигнат поцврст и попрецизен модел. Еден од моделите што ги тестираше тимот беше методот на бинарна класификација што предвидува дали одреден сет на параметри ќе резултира со низок или висококвалитетен производ. Во меѓувреме, вториот метод на класификација користеше регресивен метод кој проценува кои вредности на параметарот ќе дадат висококвалитетен резултат.

Според резултатите од истражувањето, најважни параметри за висококвалитетните биоскелиња биле растојанието, слоевитоста, притисокот, составот на материјалот и брзината на печатење. Брзината на печатење беше најважната променлива во целина, проследена со составот на материјалот. Се надеваме дека резултатите од студијата ќе доведат до подобро, побрзо печатење на биоскелиња, а со тоа ќе ја зајакне веродостојноста на 3D печатењето на делови од телото како што се 'рскавицата, капачињата на колената и вилицата.

Според Кавраки, методите што ги користи истражувачкиот тим имаат потенцијал да се користат и во други лаборатории. Како што беше цитиран Кавраки од ScienceDaily:

„На долг рок, лабораториите треба да бидат способни да разберат кој од нивните материјали може да им даде различни видови печатени скелиња, а на многу долг рок, дури и да предвидуваат резултати за материјали што не ги пробале. Во моментов немаме доволно податоци за да го направиме тоа, но во одреден момент мислиме дека треба да можеме да генерираме такви модели“.