AI-algoritmes kunnen de creatie van bioscaffold-materiaal verbeteren en helpen bij het genezen van wonden

Kunstmatige intelligentie en machine learning kunnen helpen bij het genezen van verwondingen door de ontwikkelingssnelheid van 3D-geprinte bioscaffolds te verhogen. Bioscaffolds zijn materialen die het mogelijk maken dat organische objecten, zoals huid en organen, erop groeien. Recent onderzoek van onderzoekers aan de Rice University paste AI-algoritmes toe bij de ontwikkeling van bioscaffold-materiaal, met als doel de kwaliteit van geprinte materialen te voorspellen. De onderzoekers ontdekten dat het controleren van de printsnelheid cruciaal is voor de ontwikkeling van bruikbare bioscaffold-implantaten.

Volgens ScienceDaily werkte een team van onderzoekers van de Rice University samen om machine learning toe te passen om mogelijke verbeteringen te identificeren in bioscaffold-materiaal. Computerwetenschapper Lydia Kavraki van de Brown School of Engineering aan de Rice leidde een onderzoeksteam dat machine learning-algoritmes toepaste om de kwaliteit van scaffold-materiaal te voorspellen. De studie werd mede geschreven door Rice-bio-engineer Antonios Mikos, die werkt aan bot-achtige bioscaffolds die dienen als weefselvervangers, bedoeld om de groei van bloedvaten en cellen te ondersteunen en het genezen van gewonde weefsels te versnellen. De bioscaffolds waar Mikos aan werkt, zijn bedoeld om musculoskeletale en craniofaciale wonden te genezen. De bioscaffolds worden geproduceerd met behulp van 3D-printtechnieken die scaffolds produceren die passen bij de omtrek van een bepaalde wond.

Het proces van 3D-printen van bioscaffold-materiaal vereist veel trial and error om de geprinte partij precies goed te krijgen. Verschillende parameters zoals materiaalsamenstelling, structuur en afstand moeten in aanmerking worden genomen. De toepassing van machine learning-technieken kan veel van deze trial and error verminderen, waardoor de ingenieurs nuttige richtlijnen krijgen die de noodzaak om parameters aan te passen verminderen. Kavraki en andere onderzoekers konden de bio-engineering-team feedback geven over welke parameters het meest belangrijk waren, die het meest waarschijnlijk de kwaliteit van het geprinte materiaal zouden beïnvloeden.

Het onderzoeksteam begon met het analyseren van gegevens over het printen van scaffolds uit een studie uit 2016 over biologisch afbreekbare polypropyleenfumaar. Bovenop deze gegevens kwamen de onderzoekers met een set variabelen die hen zouden helpen bij het ontwerpen van een machine learning-classificator. Zodra alle benodigde gegevens waren verzameld, konden de onderzoekers modellen ontwerpen, testen en de resultaten publiceren in iets meer dan een half jaar.

Wat betreft de machine learning-modellen die door het onderzoeksteam werden gebruikt, experimenteerden ze met twee verschillende benaderingen. Beide machine learning-benaderingen waren gebaseerd op random forest-algoritmes, die beslissingsbomen aggregaten om een robuuster en nauwkeuriger model te bereiken. Een van de modellen die het team testte, was een binaire classificatiemethode die voorspelde of een bepaalde set parameters zou resulteren in een laag- of hoogwaardig product. Ondertussen gebruikte de tweede classificatiemethode een regressie-methode die schatte welke parameterwaarden een hoogwaardig resultaat zouden geven.

Volgens de resultaten van het onderzoek waren de meest belangrijke parameters voor hoogwaardige bioscaffolds: afstand, lagen, druk, materiaalsamenstelling en printsnelheid. De printsnelheid was de meest belangrijke variabele overall, gevolgd door materiaalsamenstelling. Het is de bedoeling dat de resultaten van de studie leiden tot betere, snellere printing van bioscaffolds, waardoor de betrouwbaarheid van 3D-printen van lichaamsdelen zoals kraakbeen, knieschijven en kaakbotten wordt verbeterd.

Volgens Kavraki hebben de methoden die door het onderzoeksteam werden gebruikt het potentieel om te worden gebruikt in andere laboratoria. Zoals Kavraki door ScienceDaily werd geciteerd:

“In de lange termijn zouden laboratoria moeten kunnen begrijpen welke van hun materialen verschillende soorten geprinte scaffolds kunnen geven, en in de zeer lange termijn zelfs resultaten kunnen voorspellen voor materialen die ze nog niet hebben geprobeerd. We hebben nu niet genoeg gegevens om dat te doen, maar op een gegeven moment denken we dat we zulke modellen moeten kunnen genereren.”