Algorytmy AI mogą usprawnić tworzenie materiałów na rusztowania biologiczne i pomóc w leczeniu ran

Sztuczna inteligencja i uczenie maszynowe mogą pomóc w leczeniu urazów, przyspieszając rozwój rusztowań biologicznych drukowanych w 3D. Biorusztowania to materiały, które umożliwiają wzrost obiektów organicznych, takich jak skóra i narządy. W niedawnych pracach naukowców z Rice University zastosowano algorytmy sztucznej inteligencji do opracowania materiałów na rusztowania biologiczne w celu przewidywania jakości materiałów drukowanych. Naukowcy odkryli, że kontrolowanie szybkości drukowania ma kluczowe znaczenie dla opracowania użytecznych implantów rusztowań biologicznych.

Jak podaje ScienceDaily, zespół naukowców z Rice University współpracował, aby wykorzystać uczenie maszynowe w celu zidentyfikowania możliwych ulepszeń materiałów na rusztowania biologiczne. Informatyk Lydia Kavraki z Brown School of Engineering w Rice kieruje zespołem badawczym, który zastosował algorytmy uczenia maszynowego do przewidywania jakości materiału rusztowania. Współautorem badania jest bioinżynier Antonios Mikos, bioinżynier Rice, który pracuje nad rusztowaniami biologicznymi przypominającymi kości, które służą jako zamienniki tkanek, mające na celu wspieranie wzrostu naczyń krwionośnych i komórek oraz umożliwianie szybszego gojenia zranionej tkanki. Biorusztowania, nad którymi pracuje Mikos, przeznaczone są do leczenia ran układu mięśniowo-szkieletowego i twarzoczaszki. Biorusztowania produkowane są przy pomocy technik druku 3D, które pozwalają uzyskać rusztowania dopasowane do obwodu danej rany.

Proces drukowania materiału na rusztowania biologiczne w 3D wymaga wielu prób i błędów, aby wydrukowana partia była w sam raz. Należy wziąć pod uwagę różne parametry, takie jak skład materiału, struktura i odstępy. Zastosowanie technik uczenia maszynowego może ograniczyć wiele prób i błędów, dając inżynierom przydatne wytyczne, które zmniejszają potrzebę majstrowania przy parametrach. Kavraki i inni badacze byli w stanie przekazać zespołowi bioinżynierii informacje na temat tego, które parametry są najważniejsze i które najprawdopodobniej wpływają na jakość drukowanego materiału.

Zespół badawczy rozpoczął od analizy danych dotyczących rusztowań drukarskich z badania przeprowadzonego w 2016 r. dotyczącego biodegradowalnego fumaranu polipropylenu. Oprócz tych danych badacze opracowali zestaw zmiennych, które pomogą im zaprojektować klasyfikator uczenia maszynowego. Po zebraniu wszystkich niezbędnych danych badacze byli w stanie zaprojektować modele, przetestować je i opublikować wyniki w nieco ponad pół roku.

Jeśli chodzi o modele uczenia maszynowego stosowane przez zespół badawczy, eksperymentował z dwoma różnymi podejściami. Obydwa podejścia do uczenia maszynowego opierały się na algorytmach lasów losowych, które agregują drzewa decyzyjne w celu uzyskania solidniejszego i dokładniejszego modelu. Jednym z modeli przetestowanych przez zespół była binarna metoda klasyfikacji, która przewidywała, czy określony zestaw parametrów doprowadzi do powstania produktu o niskiej, czy wysokiej jakości. Tymczasem druga metoda klasyfikacji wykorzystywała metodę regresji, która oceniała, które wartości parametrów dadzą wynik wysokiej jakości.

Zgodnie z wynikami badań najważniejszymi parametrami wysokiej jakości rusztowań biologicznych były odstępy, ułożenie warstw, nacisk, skład materiału i prędkość drukowania. Najważniejszą zmienną była ogólnie szybkość druku, a zaraz za nią skład materiału. Mamy nadzieję, że wyniki badania doprowadzą do lepszego i szybszego drukowania rusztowań biologicznych, zwiększając w ten sposób niezawodność drukowania 3D części ciała, takich jak chrząstki, rzepki kolanowe i kości szczęki.

Zdaniem Kavrakiego metody stosowane przez zespół badawczy mają potencjał do wykorzystania w innych laboratoriach. Jak cytował Kavraki „ScienceDaily”:

„Na dłuższą metę laboratoria powinny być w stanie zrozumieć, które z ich materiałów mogą dać im różne rodzaje drukowanych rusztowań, a na bardzo dłuższą metę nawet przewidzieć wyniki dla materiałów, których nie próbowały. W tej chwili nie mamy wystarczającej ilości danych, aby to zrobić, ale uważamy, że w pewnym momencie powinniśmy być w stanie wygenerować takie modele”.