12秒生成3D骨支架！AI设计速度比传统拓扑优化快约700倍

2026年11 月，南极熊获悉，首都医科大学附属北京康复医院的研究人员开发了一种名为 ScaffoldForge 的生成式人工智能 (AI) 模型，可根据一组目标结构属性设计 3D 打印骨支架。AI模型可在约 12 秒内生成完整的支架几何形状。相比之下，传统的计算设计方法——拓扑优化 (TO) 每次设计大约需要8400 秒。所有报告的结果均来自计算机模拟。尚未在实验室打印或测试任何支架。

相关研究以题为“ ScaffoldForge: Bioinspiredgenerative design of 3D-printed bone scaffolds via conditional diffusion forlarge segmental bone defect reconstruction”发表在《PLOS One》期刊上，由张耀华、张红月和杨华清联合完成。

论文链接：https://doi.org/10.1371/journal.pone.0361041

研究人员表示，每年有超过200万患者受到无法自行愈合的大面积骨缺损的困扰。自体骨移植仍然是标准治疗方法，但自体骨供应有限，且取骨过程可能导致供体部位出现并发症。3D打印支架可以根据患者的个体情况进行定制。然而，设计支架仍然需要权衡各种相互矛盾的需求，因为多孔结构有助于血管长入植入物，但同时也会削弱强度。

本研究提出直接根据一系列规格参数生成支架设计，以取代迭代优化。研究团队表示，这最终可以让临床医生和工程师以交互方式探索针对特定患者的设计方案，而无需等待冗长的优化运行。

△ScaffoldForge框架的概述，用于仿生骨支架生成设计。

模型如何构建支架结构

ScaffoldForge 以八项标准化的骨小梁结构测量数据作为输入。这些数据涵盖实体体积、支柱厚度和间距、连通性、杆状或板状结构、方向排列以及流体通过结构的难易程度。扩散模型从随机噪声开始，经​​过 1000 步迭代，将体积数据细化为边长为 64 个单位的三维体素网格，从而达到所需的数值。

在训练过程中，模型会因三种类型的故障而受到惩罚：

抗压强度低于承重用途所需的水平

在增材制造（AM）过程中需要支撑结构的悬垂特征

渗透性太低，营养物质无法到达细胞。

研究人员将这些惩罚项描述为经验法则，而非物理方程式。强度和渗透性由两个预训练的神经网络进行估算。由于真实支架结构的几何形状和属性数据稀少，研究团队组装了一个包含 250 个支架结构的训练集：其中 200 个由软件生成，50 个是具有实验测量的力学数据的真实支架结构。

△ScaffoldForge支架在打印性能和强度方面分别呈现不同的特性（左图为未考虑影响的情况，右图为考虑影响的情况）。图片来自Zhang等人。

与现有设计方法的模拟结果

研究团队将 ScaffoldForge 与包括 TO、进化算法、贝叶斯优化和早期生成模型在内的其他八种方法进行了比较。ScaffoldForge的估计抗压强度达到 56.6 MPa，比 TO 高 8.2%，比 TriTopo-LGDM（一种从 TO 设计出发的并行扩散方法）高 6.6%。在五次训练运行中，ScaffoldForge 相对于 TriTopo-LGDM 的平均增益为 3.5 MPa (p = 0.043)。TO 生成的支架渗透性略高。作者认为这是因为 ScaffoldForge 在保持渗透性高于血管生长水平的同时，也注重了支架的刚度。

在单个NVIDIA A100 GPU 上，ScaffoldForge 生成设计的速度比 TO 快约 700 倍，而 TriTopo-LGDM 则需要 340 秒。如果没有惩罚项，生成的结构会出现不连续的簇状结构和无法制造的漂浮材料。将500 个生成的设计与训练集进行比较表明， ScaffoldForge模型能够生成新的几何形状，而不会复制训练样本。

研究人员还展示了一种将患者CT扫描图像转换为支架的流程，能够识别缺陷，生成匹配的支架，并修剪至缺陷边界。在来自公开脊柱CT数据集的20例患者病例中，拟合误差保持在植入物所采用的1毫米公差范围内。

△左图为患者CT扫描识别出的骨缺损，右图为AI生成的支架修剪后贴合其边界。图片来自Zhang等人。

小型、主要由合成数据构成的数据集的局限性

对于模型在训练过程中未曾见过的骨骼形状，准确率有所下降。在来自外部数据集的椎骨解剖结构上，目标测量值的匹配误差比主测试集高出65%。将训练集扩展到2050个支架后，对于熟悉的几何形状，准确率几乎没有变化，但对于不熟悉的解剖结构，误差降低了约27%。研究团队认为，这表明数据集的大小，而非模型设计，才是限制模型在新患者身上表现的主要因素。

软件生成的训练模型在所有七项形状测量指标上均与真实骨骼的匹配度在半个标准差以内，但只有两项达到了更严格的阈值。要进行更精确的比较，需要大约100次真实的微型CT扫描，是现有数量的两倍。

神经网络分类器仍然可以区分生成的支架和真实的骨骼，尽管不如区分合成训练数据那样容易。但随着训练集的扩大，这种差异不再具有统计学意义。作者指出，要缩小这种差距，需要更多真实的骨骼扫描数据进行训练，而不是更多合成数据。

其他局限性包括网格分辨率，特征分辨率约为 0.5 毫米，比天然小梁骨的 50 微米尺度要粗糙。监管评估也不在研究范围内。研究人员指出，速度优势仅适用于设计阶段，不适用于制造、测试或审批阶段。代码、数据生成流程和训练好的模型均可在GitHub上获取。

将物理限制融入人工智能生成的设计中

通常，检验候选支架是否能够支撑并打印需要进行仿真，而迭代方法（例如 TO）则需要针对每个设计重复多次上述步骤。ScaffoldForge 在训练过程中就应用了这些检查，因此最终模型生成的几何形状已经按照这些检查结果进行调整，并且只需一次仿真即可验证每个结果。

麻省理工学院(MIT)的研究人员与谷歌、Stability AI和东北大学的合作者共同开发了MechStyle，这是一款生成式人工智能系统，能够在跟踪结构稳定性的同时对 3D 模型进行重新设计。早期的风格化方法中，约有 26% 的修改模型保持了结构完整性。MechStyle 会在修改可能威胁到薄弱区域时运行有限元分析，并在 30 个测试模型中实现了高达 100% 的结构完整性。与 ScaffoldForge 类似，MechStyle 的目标是在设计阶段保持人工智能生成的几何体的机械完整性。不同之处在于，MechStyle 仅对现有可打印模型进行风格编辑，无法修复有缺陷的几何体，而ScaffoldForge 则根据数值目标生成新的支架结构几何体。

都灵理工大学和马斯特里赫特大学的研究人员开发了一种基于Voronoi图的肺组织模型支架设计工具，可根据种子数量、图案直径和纤维厚度等参数生成打印路径，并预测孔隙率和孔面积等特性。采用熔融沉积成型（FDM）技术打印的支架孔隙率与预测值相差约2.2%，采用熔融电泳写入技术打印的支架孔隙率与预测值相差约1.7%。该工具与ScaffoldForge的目标相同，都是在打印前将设计输入与预期特性关联起来，但它针对的是不同的组织，并且已经将预测结果与打印部件进行了对比验证，而ScaffoldForge尚未进行此类比较。

作者认为，下一步的直接步骤是针对选定的设计进行制造和机械测试，并与模拟预测结果进行对比。