Algoritmos de IA Podem Aumentar a Criação de Materiais de Biossuporte e Ajudar a Curar Feridas

A inteligência artificial e o aprendizado de máquina podem ajudar a curar lesões aumentando a velocidade de desenvolvimento de biossuportes impressos em 3D. Biossuportes são materiais que permitem que objetos orgânicos, como pele e órgãos, cresçam neles. Um trabalho recente realizado por pesquisadores da Universidade Rice aplicou algoritmos de IA ao desenvolvimento de materiais de biossuporte, com o objetivo de prever a qualidade dos materiais impressos. Os pesquisadores descobriram que controlar a velocidade de impressão é crucial para o desenvolvimento de implantes de biossuporte úteis.

Como relatado pelo ScienceDaily, uma equipe de pesquisadores da Universidade Rice colaborou para usar aprendizado de máquina para identificar possíveis melhorias nos materiais de biossuporte. A cientista da computação Lydia Kavraki, da Escola de Engenharia Brown da Universidade Rice, liderou uma equipe de pesquisa que aplicou algoritmos de aprendizado de máquina para prever a qualidade do material do suporte. O estudo foi co-autorado pelo bioengenheiro da Universidade Rice Antonios Mikos, que trabalha em biossuportes semelhantes a ossos que servem como substitutos de tecidos, destinados a apoiar o crescimento de vasos sanguíneos e células e permitir que tecidos feridos se curem mais rapidamente. Os biossuportes que Mikos trabalha são destinados a curar feridas musculoesqueléticas e craniofaciais. Os biossuportes são produzidos com a ajuda de técnicas de impressão 3D que produzem suportes que se ajustam ao perímetro de uma ferida dada.

O processo de impressão 3D de material de biossuporte requer muita tentativa e erro para obter o lote impresso exatamente certo. Vários parâmetros, como composição do material, estrutura e espaçamento, devem ser levados em consideração. A aplicação de técnicas de aprendizado de máquina pode reduzir muito dessa tentativa e erro, fornecendo aos engenheiros diretrizes úteis que reduzem a necessidade de brincar com parâmetros. Kavraki e outros pesquisadores foram capazes de dar ao time de bioengenharia feedback sobre quais parâmetros eram mais importantes, aqueles mais prováveis de impactar a qualidade do material impresso.

A equipe de pesquisa começou analisando dados sobre impressão de suportes de um estudo de 2016 sobre polipropileno fumárico biodegradável. Além desses dados, os pesquisadores criaram um conjunto de variáveis que os ajudariam a projetar um classificador de aprendizado de máquina. Uma vez que todos os dados necessários foram coletados, os pesquisadores foram capazes de projetar modelos, testá-los e publicar os resultados em pouco mais de meio ano.

Em termos dos modelos de aprendizado de máquina usados pela equipe de pesquisa, a equipe experimentou duas abordagens diferentes. Ambas as abordagens de aprendizado de máquina foram baseadas em algoritmos de floresta aleatória, que agregam árvores de decisão para alcançar um modelo mais robusto e preciso. Um dos modelos que a equipe testou foi um método de classificação binária que previa se um conjunto específico de parâmetros resultaria em um produto de baixa ou alta qualidade. Enquanto isso, o segundo método de classificação utilizou um método de regressão que estimava quais valores de parâmetros dariam um resultado de alta qualidade.

De acordo com os resultados da pesquisa, os parâmetros mais importantes para biossuportes de alta qualidade foram espaçamento, camada, pressão, composição do material e velocidade de impressão. A velocidade de impressão foi a variável mais importante no geral, seguida pela composição do material. É esperado que os resultados do estudo levem a uma impressão melhor e mais rápida de biossuportes, aumentando assim a confiabilidade da impressão de partes do corpo em 3D, como cartilagem, patelas e maxilas.

De acordo com Kavraki, os métodos usados pela equipe de pesquisa têm o potencial de serem usados em outros laboratórios. Como Kavraki foi citada pelo ScienceDaily:

“Em longo prazo, os laboratórios devem ser capazes de entender quais de seus materiais podem dar-lhes diferentes tipos de suportes impressos e, a longo prazo, até prever resultados para materiais que não tentaram. Não temos dados suficientes para fazer isso agora, mas em algum momento achamos que devemos ser capazes de gerar tais modelos.”