研究人员开发出了 ScaffoldForge—— 一种生成式人工智能（AI）模型，可从一组目标结构属性出发，直接设计 3D 打印骨支架。该模型发表于PLOS ONE期刊，约 12 秒即可生成完整的支架几何结构；而拓扑优化（TO）这一传统计算设计方法每个设计约需 8,400 秒。文中所有结果均来自计算机仿真，没有支架经过实际打印或实验室测试。
研究人员称，每年有超过 200 万患者出现无法自行愈合的大段骨缺损。从患者自体骨取材的移植仍是标准疗法，但供应有限，取材还可能引发供区并发症。3D 打印支架可以塑形以适配个体患者，但设计时仍需权衡相互矛盾的指标：更疏松的结构有助于血管长入植入物，却也会削弱其强度。
该研究提出直接用规格清单生成支架设计，取代迭代优化。团队表示，这最终可让临床医生和工程师交互式地探索个体化设计，而无需等待漫长的优化运算。
模型如何构建支架
ScaffoldForge 以骨小梁结构的八项标准化测量值作为输入，涵盖实体体积、骨小梁厚度与间距、连通性、杆状或板状形态、方向性排列，以及流体穿过结构的难易程度。从随机噪声出发，扩散模型经过 1,000 步细化，将体积精炼为一个每边 64 个单位的 3D 体素网格，使其匹配所要求的目标值。
训练过程中，模型因三类失效而受到惩罚：
抗压强度低于承重使用所需水平；
存在增材制造（AM）时需要支撑结构的悬垂特征；
渗透率过低，营养物质无法到达细胞。
研究人员将这些惩罚描述为经验规则而非物理方程。强度与渗透率由两个预训练神经网络估算。
由于真实支架的几何与性能配对数据稀缺，团队构建了包含 250 个支架的训练集：其中 200 个由软件生成，50 个为具有实验实测力学数据的真实支架。
未施加（左）与施加（右）可打印性和强度惩罚的 ScaffoldForge 支架。图片来源：Zhang et al.。
仿真结果与现有设计方法的对比
团队将 ScaffoldForge 与另外八种方法进行了对比，包括拓扑优化、进化算法、贝叶斯优化及早期生成模型。ScaffoldForge 达到了 56.6 MPa 的估算抗压强度，比拓扑优化高 8.2%，比 TriTopo-LGDM（一种以 TO 设计为起点的同期扩散方法）高 6.6%。在五次训练运行中，相对 TriTopo-LGDM 的平均增益为 3.5 MPa（p = 0.043）。拓扑优化生成的支架渗透率略高，作者将其归因于 ScaffoldForge 更偏向刚度，同时将渗透率保持在与血管长入相关的水平之上。
在单个NVIDIAA100 GPU 上，ScaffoldForge 生成一个设计的速度约为拓扑优化的 700 倍，而 TriTopo-LGDM 需要 340 秒。若不施加惩罚项，生成的结构中会出现互不连通的簇团和无法制造的漂浮材料。将 500 个生成设计与训练集对比显示，该模型产生的是新几何结构，而非复制训练样本。
研究人员还演示了一条将患者 CT 扫描转换为支架的流水线：识别缺损、生成匹配的支架、并将其修剪至缺损边界。在来自公共脊柱 CT 数据集的 20 个患者病例中，贴合误差始终在植入物所用的 1 毫米容差以内。
从患者 CT 扫描中识别出的骨缺损（左）及修剪至贴合其边界的 AI 生成支架（右）。图片来源：Zhang et al.。
小型且以合成数据为主的数据集的局限
在模型训练中未见过的骨形态上，精度有所下降。在外部数据集的椎体解剖结构上，目标测量值的匹配误差比主测试集高 65%。将训练集扩大到 2,050 个支架后，对熟悉几何形状的精度几乎无变化，但使不熟悉解剖结构上的误差降低了约 27%。团队将此视为证据：在新患者身上，数据集规模 —— 而非模型设计 —— 才是性能的主要制约因素。软件生成的训练支架在全部七项形态测量上与真实骨骼的匹配度均在半标准差以内，但只有七项中的两项达到了更严格的阈值。要彻底厘清这一对比，需要约 100 张真实微 CT 扫描，是现有数量的两倍。
神经网络分类器仍能区分生成的支架与真实骨骼，尽管比区分合成训练数据要困难一些；在扩大训练集后，这一差异不再具有统计学显著性。作者表示，弥合这一差距需要在训练中加入更多真实骨扫描数据，而非更多合成数据。其他局限还包括网格分辨率 —— 其可捕捉约 0.5 毫米尺度的特征，粗于天然骨小梁 50 微米的尺度；监管评估也不在研究范围之内。研究人员指出，速度优势仅适用于设计阶段，而不适用于制造、测试或审批环节。代码、数据生成流水线和训练好的模型均已在GitHub上开放。
将物理限制内置于 AI 生成的设计中
检验候选支架是否结实、能否打印，通常需要一次仿真，而拓扑优化等迭代方法在每个设计上都要重复这一步骤多次。ScaffoldForge 在训练期间就施加了这些检验，因此训练完成的模型产出的几何结构已天然朝这些要求靠拢，每个结果仅需一次仿真验证即可。
MIT的研究人员与Google、Stability AI及东北大学的同行合作，开发了MechStyle—— 一个在重塑 3D 模型样式的同时追踪结构稳定性的生成式 AI 系统。在早期的样式化方法中，约 26% 的修改后模型仍能保持结构稳固；MechStyle 在编辑危及薄弱区域时运行有限元分析，在 30 个测试模型上实现了高达 100% 的结构可行性。与 ScaffoldForge 一样，它的目标是在设计阶段就保证 AI 生成的几何体力学上可靠；不同之处在于，MechStyle 是出于样式目的编辑现有的可打印模型，且无法修复有缺陷的几何体，而 ScaffoldForge 是从数值目标出发生成全新的支架几何结构。
在都灵理工大学和马斯特里赫特大学，研究人员构建了一款用于肺组织模型的基于 Voronoi 的支架设计工具。它根据种子数、图案直径和纤维厚度等参数生成打印路径，并预测孔隙率和孔隙面积等属性。打印出的支架在熔融沉积成型工艺下与预测孔隙率的偏差约 2.2%，在熔融电写工艺下约 1.7%。该工具与 ScaffoldForge 有着相同目标 —— 在打印前就将设计输入与预期性能关联起来，但它针对的是不同组织，且已用打印成品检验过其预测，这是 ScaffoldForge 尚未完成的对比验证。
作者将下一步工作确定为：对选定设计进行实际制造和力学测试，以检验其与仿真预测的一致性。
这项题为 "doi.org/10.1371/journal.pone.0361041" 的研究由 Yaohua Zhang（张耀华）、Hongyue Zhang（张宏悦）和 Huaqing Yang（杨华清）完成。
来源：南极熊
0 留言