通过扫描微针设计,通过机器学习来优化间歇性流体采集
Ceren Tarar1, Erdal Aydın2,3, Ali K Yetisen4
1Department of Biomedical Sciences and Engineering, Koç University, Sariyer, Istanbul 34450, Turkey.
ACS omega
|June 19, 2023
概括
人工智能优化了微针 (MNs) 设计,以更好地收集液体. 机器学习模型预测最佳参数,增强微创诊断和药物输送系统.
科学领域:
- 生物医学工程 生物医学工程
- 材料科学 材料科学 材料科学
- 计算科学 计算科学
背景情况:
- 微针 (MNs) 对于微创诊断和药物输送至关重要.
- 传统的MN制造依赖于经验数据和试错优化.
- 性能提升需要先进的数据分析技术.
研究的目的:
- 整合有限元素方法 (FEM) 和机器学习 (ML) 以实现最佳的MN设计.
- 通过确定理想的物理和几何参数来最大限度地收集流体.
- 推进MNs在可穿戴点护理设备中的应用.
主要方法:
- 用FEM模拟来模拟不同参数的MN补丁中的流体行为.
- 来自FEM模拟的全面数据集被用于训练ML算法.
- 评估的ML模型包括多重线性回归,随机森林,支持矢量回归和神经网络.
主要成果:
- 决策树回归 (DTR) 在预测最佳 MN 参数方面表现出最高的准确性.
- 综合FEM和ML方法成功确定了用于增强流体收集的关键设计参数.
- 机器学习建模在优化机器学习几何设计方面被证明是有效的.
结论:
- 机器学习建模提供了一种强大的方法来优化微针设计.
- 这种人工智能驱动的方法可以显著提高通过MNs的液体采样和药物输送.
- 优化的MNs有望改善可穿戴诊断和有针对性的治疗方法.
