从CT扫描到支架设计：生成式AI瞄准大段骨缺损，模拟抗压强度提升8.2%

12秒，过去要花大约8400秒。
这是一个骨支架设计从参数到完整几何所需的时间差。
做到这件事的模型叫ScaffoldForge，由首都医科大学附属北京康复医院的研究人员开发，是一种生成式人工智能。
它根据一组目标结构特性，直接设计3D打印骨支架。
论文发表在期刊PLOS ONE上，模型大约12秒就能生成完整的支架几何结构。
传统计算设计方法里的拓扑优化，每个设计大约要8400秒。
在单块英伟达A100图形处理器上，ScaffoldForge生成设计的速度比拓扑优化快约700倍。
测试里最强的基线模型是TriTopo-LGDM，它需要340秒。

先别急着把它当成临床突破。
所有报告的结果都来自计算机模拟，没有支架被真正打印出来，也没有在实验室里测试。

这件事之所以值得看，还因为每年有超过200万患者受到无法自行愈合的大段骨缺损影响。
从患者自身骨组织获取的移植骨仍是标准治疗方法，但供应有限，采集还可能在供区引起并发症。
3D打印支架可以塑造成适合个体患者的形状。
难处在于设计要同时平衡相互矛盾的需求。

在骨缺损修复里，最难的从来不是把材料填进去，而是让身体愿意长进去。
这里有一个工程上的老矛盾：结构更多孔，有助于血管长进植入物，但也会削弱强度。
这很像盖房子时承重墙和窗户的拉扯，墙越厚越稳，窗越多越透气，可你不能同时把两者推到极致。

这项研究提出直接从一组规格参数生成支架设计，替代迭代优化。
按团队的说法，这最终可能让临床医生和工程师交互式探索患者特异性设计，不必等待漫长的优化运行。

先看模型怎么构建支架。
ScaffoldForge是一个三维条件扩散模型。
它的输入是骨小梁结构的八项标准化测量值，包括骨体积分数（固体体积）、骨小梁厚度与间距、连通性、杆状或板状形态、方向对齐，以及渗透率（流体通过结构的难易程度）。
模型从随机噪声开始，用扩散模型经过1000步，把体积细化为每边64个单位的3D体素网格（64体素立方网格），并让它匹配请求值。
训练过程中，物理约束损失函数会惩罚三类失败：较低的预测抗压强度、会增加打印难度的悬垂结构，以及低渗透率。
研究人员把这些惩罚描述为经验规则或经验性软约束，而不是控制性物理方程。
强度和渗透性由两个预训练的神经网络估算。

真实支架的匹配几何与性能数据很稀缺，团队因此组装了一个包含250个支架的训练集。
其中200个由软件生成，50个是带实验测量力学数据的真实支架。

再看它和现有设计方法对比的模拟结果。
团队把ScaffoldForge与另外八种方法做了比较，包括拓扑优化、进化算法、贝叶斯优化和早期生成模型。
ScaffoldForge达到约56.6兆帕的估计抗压强度。
这比拓扑优化高8.2%，比TriTopo-LGDM高6.6%。
TriTopo-LGDM是一种从拓扑优化设计开始的并行扩散方法。
在五次训练运行（五个随机种子）中，ScaffoldForge相对于它的平均增益为3.5兆帕，统计显著性为0.043。
拓扑优化生成的支架渗透性略高。
作者把原因归于ScaffoldForge偏向刚度，同时把渗透性保持在和血管生长相关的水平之上。

对临床医生来说，设计快当然好，但支架打印出来能不能用、植入后是否可靠，才是更后面的关口。
速度更快，事情就完了吗？还没有。
没有惩罚项时，生成的结构会出现无法制造的断开簇和漂浮材料。
把500个生成设计和训练集比较后可以看到，模型产生的是新的几何结构，并没有复制训练样本。
研究人员还展示了一条把患者计算机断层扫描（CT）转换为支架的流水线。
它会识别缺损，生成匹配的支架，再把支架修剪到缺损边界。
在来自公共脊柱CT数据集的20个患者案例中，拟合误差保持在植入物所用的1毫米容差范围内。

问题也很明显，数据集小，而且主要是合成数据。
在模型训练期间没见过的骨骼形状上，准确性会下降。
在来自外部数据集的椎骨解剖结构上，匹配目标测量值的误差比主测试集高65%。
把训练集扩展到2050个支架，几乎没改变模型对熟悉几何结构的准确性，但把陌生解剖结构上的误差降低了约27%，描述符误差从0.079降到0.058。
团队把这视为证据，说明数据集大小而不是模型设计，才是新患者性能的主要约束。
软件生成的训练支架在所有七项形状测量上都在半个标准差内与真实骨骼匹配，但只有七项中的两项满足更严格的0.3个标准差阈值。
作者把这一形状差距归因于真实骨体积样本只有50个，样本量太小。
要解决这一比较，需要约100次真实微型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，尽管不如区分合成训练数据那么容易。
扩大训练集后，这一差异不再具有统计显著性。
作者指出，缩小差距需要在训练中使用更多真实骨骼扫描，而不是更多合成数据。

进一步的局限还包括网格分辨率。
它能捕捉低至约0.5毫米的特征，比天然骨小梁50微米的尺度更粗。
监管评估也不在研究范围内。
研究人员指出，速度优势只适用于设计阶段，不适用于制造、测试或审批。
代码、数据生成流水线和训练后的模型已经在代码托管平台GitHub上提供。

这背后其实是把物理限制嵌进人工智能生成的设计里。
检查候选支架是否能够承受并打印，通常需要模拟。
拓扑优化这类迭代方法，每个设计要重复该步骤多次。
ScaffoldForge在训练期间就应用这些检查。
完成的模型生成的几何结构，已经朝这些检查方向被引导，每个结果只需一次模拟验证。

麻省理工学院的研究人员与来自谷歌、Stability AI公司和东北大学的合作者，开发了MechStyle。
这是一个生成式人工智能系统，可以在跟踪结构稳定性的同时，重新设计三维模型的风格。
在早期的风格化方法中，约26%的修改模型保持结构完好。
MechStyle在编辑威胁到薄弱区域时运行有限元分析，在30个测试模型中达到了高达100%的结构可行性。
和ScaffoldForge一样，它旨在在设计阶段保持人工智能生成几何结构的力学合理性。
不同之处在于，它编辑现有的可打印模型来改变风格，无法修复有缺陷的几何结构，而ScaffoldForge根据数值目标生成新的支架几何结构。

在都灵理工大学和马斯特里赫特大学，研究人员为肺组织模型构建了一种基于泰森多边形（Voronoi图）的支架设计工具。
它根据种子数量、图案直径和纤维厚度等参数生成打印工具路径，并预测孔隙率和孔面积等特性。
打印的支架在熔融沉积成型（FDM）中与预测孔隙率的偏差约为2.2%，在熔融静电纺丝中为1.7%。
这个工具和ScaffoldForge有共同目标，都是在打印前把设计输入与预期特性联系起来。
但它针对不同的组织，而且已经将预测结果与打印部件进行了对照检查，ScaffoldForge还没有做这样的比较。
作者把所选设计的制造和力学测试，与模拟预测进行对照，确定为下一步的当务之急。

论文题目是《ScaffoldForge，基于条件扩散的3D打印骨支架仿生生成设计，用于大段骨缺损重建》。
作者是Yaohua Zhang、Hongyue Zhang和Huaqing Yang。