Algorytmy AI mogą poprawić tworzenie materiałów bioszkieletowych i pomóc w gojeniu ran

Sztuczna inteligencja i uczenie maszynowe mogą pomóc w gojeniu urazów, zwiększając prędkość tworzenia bioszkieletów drukowanych w 3D. Bioszkielety są materiałami, które pozwalają na wzrost obiektów organicznych, takich jak skóra i organy. Ostatnie badania przeprowadzone przez naukowców z Rice University wykorzystały algorytmy AI do tworzenia materiałów bioszkieletowych, z celem przewidzenia jakości wydrukowanych materiałów. Naukowcy stwierdzili, że kontrola prędkości drukowania jest kluczowa dla tworzenia przydatnych implantów bioszkieletowych.

Jak donosi ScienceDaily, zespół naukowców z Rice University współpracował w celu wykorzystania uczenia maszynowego do identyfikacji możliwych ulepszeń materiałów bioszkieletowych. Naukowiec komputerowy Lydia Kavraki, z Brown School of Engineering na Rice, kierowała zespołem badawczym, który zastosował algorytmy uczenia maszynowego do przewidzenia jakości materiału szkieletowego. Badanie zostało współautorskie przez bioinżyniera Rice Antoniosa Mikosa, który pracuje nad bioszkieletami podobnymi do kości, które służą jako zastępniki tkanek, przeznaczone do wspierania wzrostu naczyń krwionośnych i komórek oraz umożliwienia szybszego gojenia się tkanek. Bioszkielety, nad którymi pracuje Mikos, są przeznaczone do leczenia ran mięśniowo-szkieletowych i twarzoczaszki. 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 wydrukowaną partię odpowiednią. Różne parametry, takie jak skład materiału, struktura i rozstaw, muszą być brane pod uwagę. Zastosowanie technik uczenia maszynowego może zmniejszyć wiele z tych prób i błędów, dostarczając inżynierom przydatnych wytycznych, które zmniejszają potrzebę eksperymentowania z parametrami. Kavraki i inni naukowcy byli w stanie dostarczyć zespołowi bioinżynierskiemu informacje zwrotne na temat tego, które parametry są najważniejsze, te, 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 furomanianu propylenu. Poza tymi danymi, naukowcy opracowali zestaw zmiennych, które pomogłyby im zaprojektować klasyfikator uczenia maszynowego. Gdy tylko zebrano wszystkie niezbędne dane, naukowcy byli w stanie zaprojektować modele, przetestować je i opublikować wyniki w ciągu nieco ponad pół roku.

Jeśli chodzi o modele uczenia maszynowego wykorzystywane przez zespół badawczy, zespół eksperymentował z dwoma różnymi podejściami. Obie metody uczenia maszynowego opierały się na algorytmach lasu losowego, które agregują drzewa decyzyjne w celu uzyskania bardziej odpornego i dokładnego modelu. Jedna z modeli, które zespół przetestował, była metodą klasyfikacji binarnej, która przewidywała, czy dany zestaw parametrów spowoduje niską lub wysoką jakość produktu. Z kolei druga metoda klasyfikacji wykorzystywała metodę regresji, która szacowała, które wartości parametrów dadzą wysokiej jakości wynik.

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

Zgodnie z Kavraki, metody wykorzystywane przez zespół badawczy mają potencjał, aby być stosowane 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.”