发布日期：2026-11-02 浏览：2
首都医科大学附属北京康复医院的研究人员开发出ScaffoldForge，一种生成式人工智能模型，可在单张图形处理器（GPU）上约12秒内生成骨支架设计。
传统的拓扑优化方法每个设计耗时8400秒（140分钟），使这一新方法约快700倍。测试中最强的基线方法TriTopo-LGDM耗时340秒。需要说明的是，所有结果均为计算层面的，没有支架被实际打印或进行力学测试。
ScaffoldForge是一种3D条件扩散模型。它接收八项骨小梁描述符——包括骨体积分数、骨小梁厚度与间距、连通性与渗透率——并在64体素立方网格上返回支架结构。训练过程中，一项物理约束损失函数会对预测抗压强度偏低、会增加打印难度的悬垂结构以及渗透率偏低进行惩罚。作者将这些惩罚描述为经验性软约束，而非支配性的物理方程。
在强度估计与真实性方面，ScaffoldForge设计的估计抗压强度达到56.6兆帕（MPa），比拓扑优化高8.2%，比TriTopo-LGDM高6.6%。在五个随机种子下，相对TriTopo-LGDM的3.5 MPa提升具有统计学显著性（p=0.043）。拓扑优化则保持了略高的渗透率。生成的支架在所有七项受测形状描述符上与真实骨的差距均在0.5个标准差以内，但仅有两项达到更严格的0.3个标准差界限。作者将这一差距归因于仅50个真实骨体积样本的小样本量。将训练集扩大至2050个支架后，未见解剖结构上的描述符误差从0.079降至0.058。研究还概述了一条流程：从患者CT扫描中分割缺陷，并对生成的支架进行裁剪以适配。作者将物理、生物、制造与监管验证留待未来工作。
该研究由Yaohua Zhang、Hongyue Zhang与Huaqing Yang完成，发表于《PLOS ONE》期刊。
从骨组织工程的计算设计角度看，这项工作的价值在于把“生成”与“可打印、可承力”这两个约束同时纳入模型。拓扑优化能得到力学性能良好的结构，但计算代价高；扩散模型生成速度快、形态多样，却容易产出悬垂过多、渗透率不足等不适合打印或不利于骨长入的结果。ScaffoldForge在损失函数中加入抗压强度、悬垂与渗透率的惩罚项，实质是用软约束把制造与生物学要求“预埋”进生成过程，从而在速度与可用性之间取得平衡。约700倍的速度提升，使设计迭代与个性化适配在临床场景中具备了现实可行性——按患者CT数据快速生成并调整支架，是定制化骨修复的前提。
但研究本身的边界同样清晰。所有结果均为计算层面的估计值，未经实际打印与力学测试，抗压强度的56.6 MPa是模型预测而非实测数据。物理约束以“经验性软约束”形式存在，而非严格的力学方程，这意味着生成结构的实际承载行为可能与预测存在偏差。与真实骨的形状匹配虽在0.5个标准差内，但仅两项达到更严格的0.3界限，50个真实样本的小样本量也限制了模型的泛化能力——扩大训练集后误差下降，恰好说明数据规模仍是瓶颈。对3D打印与医疗应用而言，从计算设计到可植入器械之间还隔着打印可行性、生物相容性、灭菌与监管审批等多道关口，作者将这些留待未来工作，是审慎的表述。这项研究的意义在于提出了一条高效率的设计路径，但其临床价值需要后续的实体制造与动物实验来验证。
粤公网安备44190002007368号
