对深度学习模型进行比较分析,以预测组织支架图像中的生物相容性

科学领域:

• 生物打印和组织工程
• 人工智能在医学中的应用
• 生物材料科学 生物材料科学

背景情况:

• 生物打印复杂的组织支架对于组织工程至关重要.
• 预测脚手架生物相容性预制是一个重大挑战,导致效率低下.
• 人工智能 (AI) 模型,包括ANN和CNN,显示出预测生物相容性评估的潜力.

研究的目的:

• 为了比较人工神经网络 (ANN) 和卷积神经网络 (CNN) 模型的预测性能.
• 确定最适合的AI方法来预测脚手架的生物相容性.
• 利用PrusaSlicer生成的脚手架设计用于AI模型培训和验证.

主要方法:

• 用15个数值设计参数来建模脚手架与ANN的生物相容性.
• 使用CNN分析了脚手架图像.
• 模型接受了80/20数据分割的训练,使用准确度,精度,回忆和F1分数来评估性能.
• 在五个支架上进行了实验生物相容性测试以进行验证.

主要成果:

• 在F1-Score,精度和回忆等方面,ANN模型获得了完美的得分 (1.0).
• 采用56个批量大小的CNN模型,其F1-Score (0.87),Precision (0.88) 和Recall (0.9) 的性能均为平衡.
• ANN模型正确预测了所有五个测试的支架组织的生物相容性,而CNN模型错误地分类了一个样本.

结论:

• 与CNN模型相比,ANN模型在使用数值设计参数预测脚手架生物相容性方面表现优越.
• 该研究强调了ANN在生物打印中的结构化数据的有效性,提高了预测准确性和效率.
• 这些发现可以通过优化生物打印过程和降低成本来加速组织工程和个性化医学.