Algorytmy sztucznej inteligencji mogą poprawić tworzenie materiałów bioszkieletowych i pomóc w gojeniu ran

Sztuczna inteligencja i uczenie maszynowe mogą pomóc w gojeniu urazów, przyspieszając rozwój bioszkieletów drukowanych w 3D. Bioszkielety to materiały, które pozwalają na wzrost obiektów organicznych, takich jak skóra i organy. Ostatnie badania przeprowadzone przez naukowców z Uniwersytetu Rice wykorzystały algorytmy sztucznej inteligencji do rozwoju materiałów bioszkieletowych, z celem przewidzenia jakości wydrukowanych materiałów. Naukowcy odkryli, że kontrola prędkości drukowania jest kluczowa dla rozwoju użytecznych implantów bioszkieletowych.

Jak donosi ScienceDaily, zespół naukowców z Uniwersytetu Rice współpracował w celu wykorzystania uczenia maszynowego do identyfikacji możliwych ulepszeń materiałów bioszkieletowych. Naukowiec komputerowy Lydia Kavraki, z Wydziału Inżynierii Brown na Uniwersytecie Rice, kierowała zespołem badawczym, który zastosował algorytmy uczenia maszynowego do przewidzenia jakości materiału szkieletowego. Studium zostało współautorskie przez bioinżyniera Antoniosa Mikosa, który pracuje nad bioszkieletami podobnymi do kości, służącymi jako zastępniki tkanek, przeznaczone do wspierania wzrostu naczyń krwionośnych i komórek oraz umożliwiające szybsze gojenie się ran. Bioszkielety, nad którymi pracuje Mikos, są przeznaczone do leczenia urazów mięśniowo-szkieletowych i twarzoczaszkowych. Bioszkielety są wytwarzane z wykorzystaniem technik drukowania 3D, które produkują szkielety dopasowane do obwodu danej rany.

Proces drukowania materiałów bioszkieletowych wymaga wielu prób i błędów, aby uzyskać odpowiednią jakość wydrukowanego materiału. Różne parametry, takie jak skład materiału, struktura i odległość, muszą być brane pod uwagę. Zastosowanie technik uczenia maszynowego może znacznie zmniejszyć liczbę prób i błędów, dostarczając inżynierom przydatnych wskazówek, które redukują potrzebę eksperymentowania z parametrami. Kavraki i inni naukowcy byli w stanie dostarczyć zespołowi bioinżynierów informacji zwrotnej na temat najważniejszych parametrów, które najprawdopodobniej wpłyną na jakość wydrukowanego materiału.

Zespół badawczy rozpoczął od analizy danych na temat drukowania szkieletów z badania z 2016 roku na temat biodegradowalnego polipropylenu fuumaratu. Poza tymi danymi, naukowcy opracowali zestaw zmiennych, które pomogłyby im zaprojektować klasyfikator uczenia maszynowego. Po zebraniu wszystkich niezbędnych danych, naukowcy byli w stanie zaprojektować modele, przetestować je i opublikować wyniki w ciągu niecałego roku.

Jeśli chodzi o modele uczenia maszynowego wykorzystywane przez zespół badawczy, zespół eksperymentował z dwoma różnymi podejściami. Obie metody uczenia maszynowego oparte były na algorytmach lasu losowego, które agregują drzewa decyzyjne w celu uzyskania bardziej solidnego i dokładnego modelu. Jednym z modeli, który zespół przetestował, była metoda klasyfikacji binarnej, która przewidywała, czy dany zestaw parametrów dałby niskiej jakości produkt. Z drugiej strony, druga metoda klasyfikacji wykorzystywała metodę regresji, która szacowała, które wartości parametrów dałyby wysokiej jakości wynik.

Zgodnie z wynikami badań, najważniejszymi parametrami dla wysokiej jakości bioszkieletów były odległość, warstwowanie, ciśnienie, skład materiału i prędkość drukowania. Prędkość drukowania była najważniejszą zmienną ogółem, po której następował skład materiału. Ma się nadzieję, że wyniki studium doprowadzą do lepszego, szybszego drukowania bioszkieletów, co zwiększy niezawodność drukowania części ciała, takich jak chrząstka, rzepki i żuchwy.

Zgodnie z Kavraki, metody wykorzystywane przez zespół badawczy mają potencjał być wykorzystywane w innych laboratoriach. Jak Kavraki cytuje ScienceDaily:

“W długiej perspektywie, laboratoria powinny być w stanie zrozumieć, które z ich materiałów mogą dać im różne rodzaje wydrukowanych szkieletów, a w bardzo długiej perspektywie, nawet przewidzieć wyniki dla materiałów, które nie zostały jeszcze wypróbowane. Nie mamy wystarczających danych, aby to zrobić teraz, ale w pewnym momencie uważamy, że powinniśmy być w stanie wygenerować takie modele.”