Алгоритми штучного інтелекту можуть покращити створення матеріалів біоскафолдів та допомогти в лікуванні ран

Штучний інтелект та машинне навчання можуть допомогти в лікуванні травм, прискорюючи розвиток біоскафолдів, надрукованих у 3D. Біоскафолди – це матеріали, які дозволяють органічним об’єктам, таким як шкіра та органи, рости на них. Недавня робота дослідників університету Райса застосовувала алгоритми штучного інтелекту до розробки матеріалів біоскафолдів з метою передбачення якості надрукованих матеріалів. Дослідники виявили, що контроль швидкості друку є важливим для розробки корисних імплантатів біоскафолдів.

За повідомленням ScienceDaily, команда дослідників університету Райса спільно використовувала машинне навчання, щоб визначити можливі вдосконалення матеріалів біоскафолдів. Комп’ютерний вчений Лідія Кавракі з школи інженерії Брауна університету Райса очолила команду дослідників, яка застосувала алгоритми машинного навчання для передбачення якості матеріалів сітки. Дослідження було співавтором біоінженера Антоніяса Мікоса, який працює над біоскафолдами, подібними до кісток, які служать заміною тканин, призначених для підтримки росту кровних судин та клітин і дозволяють пораненій тканині лікуватися швидше. Біоскафолди, над які працює Мікос, призначені для лікування м’язово-скелетних та лицьових ран. Біоскафолди виробляються з допомогою техніки 3D-друку, яка створює сітки, що відповідають периметру даної рани.

Процес друку біоскафолдів у 3D вимагає багато проб і помилок, щоб отримати надруковану партію саме такою, як потрібно. різноманітні параметри, такі як склад матеріалу, структура та розстановка, повинні бути враховані. Застосування методів машинного навчання може зменшити більшу частину цих проб і помилок, надаючи інженерам корисні рекомендації, які зменшують потребу в налаштуванні параметрів. Кавракі та інші дослідники могли надати команді біоінженерів відгук щодо тих параметрів, які були найбільш важливими, тих, які найімовірніше вплинули б на якість надрукованого матеріалу.

Команда дослідників почала з аналізу даних про друку сіток з дослідження 2016 року про біодеградабельний поліпропіленфумарат. За межами цих даних дослідники розробили набір змінних, які допоможуть їм розробити класифікатор машинного навчання. Як тільки весь необхідний дані були зібрані, дослідники змогли розробити моделі, протестувати їх та опублікувати результати менш ніж за півроку.

Що стосується моделей машинного навчання, використаних командою дослідників, команда експериментувала з двох різних підходів. Обидва підходи машинного навчання були засновані на алгоритмах випадкового лісу, які агрегують дерева рішень, щоб досягти більш надійного та точного моделі. Однією з моделей, яку команда протестувала, була методика бінарної класифікації, яка передбачала, чи певний набір параметрів призведе до продукції низької чи високої якості. Тим часом другий метод класифікації використовував регресійний метод, який оцінював, які значення параметрів дадуть продукт високої якості.

За результатами дослідження, найбільш важливими параметрами для біоскафолдів високої якості були розстановка, шарування, тиск, склад матеріалу та швидкість друку. Швидкість друку була найбільш важливою змінною в цілому, за нею слідував склад матеріалу. Сподіваються, що результати дослідження приведуть до кращого, швидшого друку біоскафолдів, тим самим підвищуючи надійність друку деталей тіла, таких як хрящі, колінні чашечки та щелепи.

За словами Кавракі, методи, використані командою дослідників, мають потенціал бути використаними в інших лабораторіях. Як Кавракі була процитована ScienceDaily:

“У довгостроковій перспективі лабораторії повинні бути здатні зрозуміти, які з їхніх матеріалів можуть дати їм різні види надрукованих біоскафолдів, а в дуже довгостроковій перспективі навіть передбачати результати для матеріалів, які вони не пробували. У нас поки що недостатньо даних, щоб зробити це зараз, але в якийсь момент ми думаємо, що повинні бути здатні генерувати такі моделі.”