机器学习分析牙粘合剂微拉伸键强度的分析

科学领域:

• 牙科材料科学 牙科材料科学
• 计算化学的计算化学
• 生物材料工程 生物材料工程

背景情况:

• 牙粘合剂对于复合材料填充在修复中的保留至关重要.
• 评估牙粘合剂性能的传统方法耗时且资源密集.
• 机器学习 (ML) 为加速牙粘合剂开发提供了一个有希望的途径.

研究的目的:

• 根据牙粘合剂的化学成分,开发ML模型来预测牙粘合剂的微拉伸键强度 (μTBS).
• 确定影响牙粘合剂μTBS的关键化学特征.
• 加速发现和优化新的牙科粘合剂配方.

主要方法:

• 从制造商和文献中收集了81种牙粘合剂的化学成分和μTBS数据.
• 将μTBS值分为低 (<36 MPa) 和高 (≥36 MPa) 类别.
• 实施和评估了9个ML算法,使用最初的9个特征 (pH,HEMA,BisGMA,UDMA,MDP,PENTA,填充剂,化物,有机溶剂) 和减少的4个特征集 (MDP,pH,OS,HEMA).
• 通过AUC和准确度利用了带有分层10倍交叉验证的网格搜索,用于超参数调整和性能评估.

主要成果:

• 特性重要性分析确定了MDP,pH,有机溶剂 (OS) 和HEMA作为μTBS最有影响力的因素.
• 与9个特征模型相比,4个特征模型的预测性能略高.
• 性能最好的4个特征模型实现了0.90的AUC得分和0.81.8的准确性.

结论:

• ML是预测牙粘合剂的粘合强度的有效工具.
• 像MDP,pH,OS和HEMA这样的关键化学特征对牙粘合剂μTBS有显著的贡献.
• 基于机器学习的数据驱动方法具有极大的潜力,可以加速开发新的牙科粘合剂和生物材料.