Các kỹ thuật sản xuất bồi đắp thông thường, như in 3D, thường đòi hỏi nhiều giờ để tinh chỉnh. Việc sản xuất một thiết kế hoạt động tốt không chỉ là khoa học mà còn là nghệ thuật. Tuy nhiên, giới hạn này đang dần bị phá vỡ nhờ vào nghiên cứu tại Đại học Bang Washington. Thay vì phải điều chỉnh và kiểm tra thủ công các tham số thiết kế, Kaiyan Qiu, Jana Doppa và nhóm nghiên cứu của họ đã tận dụng khả năng của AI để in các mô hình chuẩn bị phẫu thuật của thận và tuyến tiền liệt.
 |
| Tiến trình cải thiện mô hình tuyến tiền liệt (trên) và thận (dưới) |
Mô hình cơ quan chuẩn bị phẫu thuật
Mô hình cơ quan chuẩn bị phẫu thuật là bản sao ba chiều của cơ quan sẽ được phẫu thuật. Các mô hình này được thiết kế dựa trên dữ liệu thực từ chụp CT, MRI và các kỹ thuật khác, để mô phỏng vị trí của các tĩnh mạch, động mạch, khối u và các đặc điểm quan trọng khác, làm cho mỗi mô hình trở nên đặc thù cho từng bệnh nhân.
Mục đích của mô hình này là giúp các bác sĩ phẫu thuật luyện tập trước khi thực hiện trên bệnh nhân, vì mỗi người có những khác biệt về vị trí các đặc điểm trên cơ quan. Đối với các cơ quan quan trọng như thận, bác sĩ có thể thực hành trên nhiều mô hình trước khi tiến hành phẫu thuật. Hơn nữa, chúng là công cụ tốt để đào tạo sinh viên y khoa và giải thích cho bệnh nhân về tình trạng cơ thể của họ và cách phẫu thuật sẽ giúp đỡ.
Trí tuệ nhân tạo "tự cải thiện"
Trong nghiên cứu tại Đại học Bang Washington, các cải tiến mô hình dựa trên AI đã được thực hiện cho máy in 3D viết mực trực tiếp (DIW) bằng phương pháp Tối ưu hóa Bayesian. Trong quá trình này, các tham số quan trọng như tốc độ vòi phun, áp lực phân phối, chiều cao lớp, v.v., được thay đổi tự động. Sử dụng thị giác máy và hình ảnh, AI đo lường hoặc tính toán các chỉ số quan trọng về cơ quan, như độ xốp và độ chính xác hình học. Các tham số đầu vào được điều chỉnh dựa trên dữ liệu từ các chỉ số này. Thông qua thử nghiệm, hơn 60 lần lặp lại đã được thực hiện để in một mô hình thận và tuyến tiền liệt chuẩn bị phẫu thuật được tối ưu hóa.
 |
| Quá trình tối ưu hóa và thiết kế của các nhà nghiên cứu tại Đại học Bang Washington |
Mục tiêu chính của dự án này không phải là tạo ra các mô hình thận và tuyến tiền liệt, mà là chứng minh tính hợp lệ của thuật toán Tối ưu hóa Bayesian trong môi trường học máy và AI. Khi phương pháp này được xác nhận, nó có thể được mở rộng để ứng dụng cho các mô hình cơ quan khác và các bộ phận phức tạp trong sản xuất, như cảm biến và pin.
Cuối cùng, thuật toán này xử lý mô hình tuyến tiền liệt tốt hơn so với mô hình thận, nhưng nó cho thấy rằng phương pháp này có tính khả thi. Thuật toán có thể được điều chỉnh một chút để cải thiện tính hữu dụng của mô hình thận, có thể bằng cách sử dụng thêm các đầu vào hoặc tìm hiểu lý do tại sao các thay đổi ở các lần lặp cuối không ảnh hưởng nhiều đến thiết kế cuối cùng.
 |
| Kỹ thuật AI Tối ưu hóa Bayesian có thể mở đường cho việc in 3D các cấu trúc phức tạp trong các ứng dụng y tế và những ngành công nghiệp quan trọng khác như điện tử và hàng không vũ trụ. |
In 3D các thiết kế phức tạp
Trong tương lai không xa, dữ liệu có thể được chuyển trực tiếp từ thiết bị quét sang máy in 3D, tăng tốc quá trình từ phát hiện vấn đề đến việc bác sĩ phẫu thuật thực hành, cuối cùng là cứu sống nhiều người. Hơn nữa, khi nhiều mô hình này được tạo ra, một cơ sở dữ liệu về các đặc điểm tương tự có thể được theo dõi. Nếu một đường đi của động mạch cụ thể qua một cơ quan cuối cùng dẫn đến tắc nghẽn, có thể vấn đề này sẽ được chẩn đoán và điều trị nhanh hơn, cải thiện chất lượng và kéo dài cuộc sống của bệnh nhân.
Minh Thành (Theo ControlAutomation)
