Các Thuật Toán Trí Tuệ Nhân Tạo Có Thể Cải Thiện Sự Tạo Ra Vật Liệu Scaffolds Sinh Học và Giúp Lành Vết Thương

Trí tuệ nhân tạo và học máy có thể giúp lành vết thương bằng cách tăng tốc độ phát triển của các scaffolds sinh học được in 3D. Scaffolds là các vật liệu cho phép các vật thể hữu cơ như da và các cơ quan phát triển trên chúng. Các nghiên cứu gần đây được thực hiện bởi các nhà nghiên cứu tại Đại học Rice đã áp dụng các thuật toán trí tuệ nhân tạo vào sự phát triển của các vật liệu scaffolds, với mục tiêu dự đoán chất lượng của các vật liệu in. Các nhà nghiên cứu đã tìm thấy rằng việc kiểm soát tốc độ in là rất quan trọng để phát triển các vật liệu scaffolds hữu ích.

Theo ScienceDaily, một nhóm các nhà nghiên cứu từ Đại học Rice đã hợp tác để sử dụng học máy để xác định các cải tiến có thể cho các vật liệu scaffolds. Nhà khoa học máy tính Lydia Kavraki, từ Trường Kỹ thuật Brown tại Rice, đã dẫn đầu một nhóm nghiên cứu áp dụng các thuật toán học máy để dự đoán chất lượng vật liệu scaffolds. Nghiên cứu này được đồng tác giả bởi nhà sinh học Rice Antonios Mikos, người làm việc trên các scaffolds giống xương phục vụ như thay thế mô, nhằm hỗ trợ sự phát triển của các mạch máu và tế bào và cho phép các mô bị thương lành nhanh hơn. Các scaffolds mà Mikos làm việc trên được thiết kế để lành các vết thương cơ-xương và sọ mặt. Các scaffolds được sản xuất với sự hỗ trợ của các kỹ thuật in 3D tạo ra các scaffolds phù hợp với chu vi của một vết thương nhất định.

Quá trình in 3D vật liệu scaffolds đòi hỏi phải thử nghiệm và sai sót nhiều lần để có được lô in chính xác. Các thông số như thành phần vật liệu, cấu trúc và khoảng cách phải được xem xét. Việc áp dụng các kỹ thuật học máy có thể giảm thiểu rất nhiều quá trình thử nghiệm và sai sót này, cung cấp cho các kỹ sư các hướng dẫn hữu ích giúp giảm thiểu nhu cầu điều chỉnh các thông số. Kavraki và các nhà nghiên cứu khác đã có thể cung cấp phản hồi cho nhóm sinh học về các thông số nào là quan trọng nhất, những thông số có khả năng ảnh hưởng đến chất lượng của vật liệu in.

Đội nghiên cứu bắt đầu bằng cách phân tích dữ liệu về việc in scaffolds từ một nghiên cứu năm 2016 về polypropylene fumarate có thể phân hủy sinh học. Ngoài dữ liệu này, các nhà nghiên cứu đã tạo ra một tập hợp các biến số sẽ giúp họ thiết kế một phân loại học máy. Khi tất cả dữ liệu cần thiết đã được thu thập, các nhà nghiên cứu đã có thể thiết kế các mô hình, thử nghiệm và xuất bản kết quả trong khoảng hơn nửa năm.

Về các mô hình học máy được sử dụng bởi đội nghiên cứu, đội đã thử nghiệm hai phương pháp khác nhau. Cả hai phương pháp học máy đều dựa trên các thuật toán rừng ngẫu nhiên, которые kết hợp các cây quyết định để đạt được một mô hình mạnh mẽ và chính xác hơn. Một trong những mô hình mà đội đã thử nghiệm là phương pháp phân loại nhị phân dự đoán liệu một tập hợp các thông số nhất định sẽ dẫn đến sản phẩm chất lượng thấp hay cao. Trong khi đó, phương pháp phân loại thứ hai sử dụng phương pháp hồi quy ước tính các giá trị thông số sẽ cho kết quả chất lượng cao.

Theo kết quả của nghiên cứu, các thông số quan trọng nhất để có scaffolds chất lượng cao là khoảng cách, lớp, áp lực, thành phần vật liệu và tốc độ in. Tốc độ in là biến số quan trọng nhất, tiếp theo là thành phần vật liệu. Hy vọng rằng kết quả của nghiên cứu sẽ dẫn đến việc in scaffolds tốt hơn, nhanh hơn, từ đó tăng cường độ tin cậy của việc in các bộ phận cơ thể như sụn, xương đùi và xương hàm.

Theo Kavraki, các phương pháp được sử dụng bởi đội nghiên cứu có tiềm năng được sử dụng tại các phòng thí nghiệm khác. Theo như Kavraki được trích dẫn bởi ScienceDaily:

“Trong dài hạn, các phòng thí nghiệm nên có thể hiểu được loại vật liệu nào của họ có thể tạo ra các loại scaffolds in khác nhau, và trong rất dài hạn, thậm chí dự đoán kết quả cho các vật liệu họ chưa thử. Chúng tôi không có đủ dữ liệu để làm điều đó ngay bây giờ, nhưng tại một thời điểm nào đó, chúng tôi nghĩ rằng chúng tôi nên có thể tạo ra các mô hình như vậy.”