Kunstig intelligens og maskinlæring kan forbedre skapningen av bioskjelettmaterialer og hjelpe med å helbrede sår

Kunstig intelligens og maskinlæring kan hjelpe med å helbrede skader ved å øke utviklingshastigheten av 3D-utskrevne bioskjelett. Bioskjelett er materialer som tillater organiske objekter, som hud og organer, å vokse på dem. Nylig arbeid utført av forskere ved Rice University anvendte kunstig intelligens-algoritmer til utviklingen av bioskjelettmaterialer, med målet om å forutsi kvaliteten på trykte materialer. Forskerne fant at kontroll av trykkehastigheten var avgjørende for utviklingen av nyttige bioskjelettimplantater.

Ifølge ScienceDaily, et team av forskere fra Rice University samarbeidet om å bruke maskinlæring for å identifisere mulige forbedringer av bioskjelettmaterialer. Datavitenskapsmann Lydia Kavraki, fra Brown School of Engineering ved Rice, ledet en forskningsgruppe som anvendte maskinlæring-algoritmer for å forutsi kvaliteten på skjelettmaterialer. Studien var skrevet i samarbeid med Rice-bioingeniør Antonios Mikos, som arbeider med benlignende bioskjelett som tjener som vev-erstatninger, ment å støtte veksten av blodkar og celler og muliggjøre at skadet vev kan helbrede raskere. Bioskjelettene Mikos arbeider med er ment å helbrede muskuloskeletale og kraniofasielle sår. Bioskjelettene produseres med hjelp av 3D-utskriftsteknikker som produserer skjelett som passer perimeters av et gitt sår.

Prosessen med å utskrive bioskjelettmaterialer krever mye prøving og feiling for å få den trykte batchen helt riktig. Forskjellige parametre som materiale-sammensetning, struktur og avstand må tas i betraktning. Anvendelsen av maskinlæringsteknikker kan redusere mye av denne prøvingen og feilingen, og gi ingeniørene nyttige retningslinjer som reduserer behovet for å leke med parametrene. Kavraki og andre forskere kunne gi bioingeniørteamet tilbakemelding på hvilke parametre som var viktigst, de som sannsynligvis ville påvirke kvaliteten på det trykte materialet.

Forskningsgruppen startet med å analysere data om trykking av skjelett fra en studie fra 2016 om biologisk nedbrytbare polypropylenfumarat. Ut over denne dataen kom forskerne med en sett av variabler som ville hjelpe dem med å designe en maskinlæring-klassifikator. Når all nødvendig data var samlet, kunne forskerne designe modeller, teste dem og få resultater publisert på bare over halvannet år.

I forhold til de maskinlæring-modellene som forskningsgruppen anvendte, eksperimenterte teamet med to forskjellige tilnærminger. Begge maskinlæringstilnærminger var basert på tilfeldige skog-algoritmer, som agregerte beslutningstre for å oppnå en mer robust og nøyaktig modell. En av modellene som teamet testet var en binær klassifikasjonsmetode som forutså om en bestemt sett av parametre ville resultere i et lavkvalitets- eller høykvalitetsprodukt. Mens den andre klassifikasjonsmetoden anvendte en regresjonsmetode som estimerte hvilke parameterverdier som ville gi et høykvalitetsresultat.

Ifølge resultater fra forskningen var de viktigste parameterne for høykvalitets bioskjelett avstand, lagdeling, trykk, materiale-sammensetning og trykkehastighet. Trykkehastigheten var den viktigste variabelen totalt, fulgt av materiale-sammensetning. Det håpes at resultater fra studien vil føre til bedre, raskere utskrift av bioskjelett, og dermed forbedre påliteligheten av 3D-utskrevne kroppsdeler som brusk, knekapper og kjeveben.

Ifølge Kavraki har metoden som forskningsgruppen anvendte potensialet til å bli brukt i andre laboratorier. Som Kavraki ble sitert av ScienceDaily:

“På lang sikt skal laboratorier kunne forstå hvilke av deres materialer som kan gi dem forskjellige typer trykte skjelett, og på svært lang sikt, til og med forutsi resultater for materialer de ikke har prøvd. Vi har ikke nok data til å gjøre det nå, men på et tidspunkt tror vi at vi skal kunne generere slike modeller.”