Yapay Zeka Algoritmaları Bioscaffold Materyallerinin Oluşturulmasını Geliştirebilir ve Yaraları İyileştirmeye Yardımcı Olabilir

Yapay zeka ve makine öğrenimi, 3D yazıcı bioscaffold’lerin geliştirme hızını artırarak yaraları iyileştirmeye yardımcı olabilir. Bioscaffold’ler, cilt ve organ gibi organik nesnelerin üzerinde büyümesine izin veren materyallerdir. Rice Üniversitesi’ndeki araştırmacılar tarafından yapılan recent çalışmada, bioscaffold materyallerinin geliştirilmesinde yapay zeka algoritmaları uygulandı, amaç ise basılan materyallerin kalitesini tahmin etmekti. Araştırmacılar, yazdırma hızının useful bioscaffold implantlarının geliştirilmesinde kritik olduğunu buldular.

ScienceDaily’nin raporuna göre, Rice Üniversitesi’nden bir araştırma ekibi makine öğrenimi kullanmak için işbirliği yaptı bioscaffold materyallerinde olası iyileştirmeleri belirlemek için. Bilgisayar bilimcisi Lydia Kavraki, Rice Mühendislik Okulu’ndan, scaffold materyal kalitesini tahmin etmek için makine öğrenimi algoritmaları uygulayan bir araştırma ekibine liderlik etti. Çalışma, Rice biyomühendisi Antonios Mikos tarafından ortak yazar olarak yazıldı, Mikos kemik benzeri bioscaffold’ler üzerinde çalışıyor, bunlar doku replasmanları olarak hizmet vermeye amaçlıyor, kan damarları ve hücrelerin büyümesini desteklemeye ve yaralı dokunun daha hızlı iyileşmesini sağlamaya yardımcı olmak için tasarlandı. Mikos’un çalıştığı bioscaffold’ler, muskuloskeletal ve kraniyofasyal yaraların iyileşmesine yardımcı olmak için tasarlandı. Bioscaffold’ler, bir verilen yaranın perímetresine uyan scaffold’ler üreten 3D yazdırma teknikleri ile üretiliyor.

3D yazıcı bioscaffold materyali süreci, basılan partiyi tam olarak doğru elde etmek için çok fazla deneme yanılma gerektirir. Materyal bileşimi, yapı, ve aralık gibi çeşitli parametreler hesaba katılmalıdır. Makine öğrenimi tekniklerinin uygulanması, bu deneme yanılma sürecinin çoğunu azaltabilir, mühendislere faydalı rehberlikler sağlayarak parametrelerle oynamaya gerek kalmaz. Kavraki ve diğer araştırmacılar, bioengineering ekibine, hangi parametrelerin en önemli olduğunu, basılan materyalin kalitesini en çok etkileyecek olanlar hangisi olduğunu geri bildirimde bulunabildiler.

Araştırma ekibi, 2016’da biyolojik olarak parçalanabilen polipropilen fumarat hakkında yapılan bir çalışmadan scaffold’lerin yazdırılması hakkında veri analizi yaparak başladı. Bu verilerin ötesinde, araştırmacılar bir makine öğrenimi sınıflandırıcı tasarlamak için bir dizi değişken belirlediler. Tüm gerekli verilerin toplanmasından sonra, araştırmacılar modeller tasarlayabildiler, test edebildiler ve sonuçları yaklaşık altı ayda yayınladılar.

Araştırma ekibinin kullandığı makine öğrenimi modelleri açısından, ekip iki farklı yaklaşımı denedi. Her iki makine öğrenimi yaklaşımı da random forest algoritmalarına dayanıyordu, karar ağaçlarını daha robust ve doğru bir model elde etmek için birleştiriyordu. Ekibin test ettiği modellerden biri, bir dizi parametrelerin düşük veya yüksek kaliteli bir ürün sonuçlanacağını tahmin eden bir ikili sınıflandırma yöntemiydi. Diğer sınıflandırma yöntemi ise, bir regresyon yöntemi kullanıyordu, bu da hangi parametre değerlerinin yüksek kaliteli bir sonuç vereceğini tahmin ediyordu.

Araştırma sonuçlarına göre, yüksek kaliteli bioscaffold’ler için en önemli parametreler, aralık, katmanlama, basınç, materyal bileşimi ve yazdırma hızıydı. Yazdırma hızı, genel olarak en önemli değişken oldu, onu materyal bileşimi izledi. Çalışmanın sonuçlarının, bioscaffold’lerin daha iyi, daha hızlı yazdırılmasına yol açacağı ve böylece kıkırdak, diz kapağı ve çene kemikleri gibi vücut parçalarının 3D yazdırılmasının güvenilirliğini artıracağı ümit ediliyor.

Kavraki’ye göre, araştırma ekibinin kullandığı yöntemler diğer laboratuvarlarda da kullanılabilecek potansiyele sahip. ScienceDaily’ye göre Kavraki’nin alıntısı:

“Uzun vadede, laboratuvarlar hangi materyallerinin farklı türde yazdırılmış scaffold’ler verebileceğini anlayabilecekler ve çok uzun vadede, denemedikleri materyaller için bile sonuçları tahmin edebilecekler. Şu anda bunu yapmak için yeterli veriye sahip değiliz, ancak bir noktada böyle modeller oluşturabileceğimizi düşünüyoruz.”