[发明专利]一种基于机器学习的可降解金属骨植入物设计方法

说明书

本发明提供了一种基于机器学习的可降解金属骨植入物设计方法，通过对多孔结构的相对密度分布进行数值化重构得到孔隙单元相对密度的空间矩阵，作为骨植入物的多孔结构设计方案；结合体内外实验和数值模拟获得大量设计方案的力学性能和降解率随时间变化的数据标签，建立相对密度空间矩阵对应的力学和降解行为的数据库；利用深度神经网络对上述数据库进行训练和机器学习，生成由结构设计方案预测降解速率和等效刚度的数据驱动模型；该模型既可预测不同设计方案骨植入物的降解行为和力学性能，也可根据特定的力学和降解需求，预测优化的骨植入物结构设计方案。

技术领域

本发明属于医疗器械领域，尤其涉及一种基于机器学习的可降解金属骨植入物设计方法。

背景技术

随着经济增长、技术进步和人口老化，我国骨科医用器械的研究、生产和应用迎来快速发展。骨科医疗器械是医疗器械行业中最大的子行业之一，而其中骨科植入物又是骨科器械中最重要的门类。全世界每年有数以千万的患者由于创伤、肿瘤切除和关节翻修等原因造成骨缺损，而大范围的骨缺损导致骨骼难以自我修复，是骨科临床常见和棘手的问题。增材制造的惰性金属骨科植入物，如钛合金和不锈钢等，已经很好的满足力学和结构的个性化要求，获得了临床应用，但是其阻碍了骨骼的完全愈合，长期植入或二次手术取出的副作用不容忽视，尤其对于生长发育的青少年。以生物可降解镁合金和锌合金为材料的可降解金属骨植入物具有良好的生物相容性和力学性能，有望随着骨重建逐渐降解消失，不仅有利于加快骨重建速度，而且可形成完全的骨愈合，被誉为“革命性的医用金属材料”。

近些年，以激光粉末床熔融为代表的增材制造技术在生物可降解金属上的成功应用使其满足了骨缺损修复植入物的个性化结构需求。然而，与钛合金等生物惰性金属相比，可降解金属多孔支架的形状和性能随降解变化，是时间的函数，其结构设计是个崭新课题。生物惰性金属骨修复用多孔结构的结构设计原则基本适用于可降解金属，但不能保证降解过程中的性能，需要量化降解行为对多孔结构性能的影响。金属在体液中降解本质上是一种腐蚀过程，主要通过电化学法、体液浸泡法和动物试验法进行实验评价，基于物理过程的数值建模能够在不同尺度揭示降解机制和预测降解行为，但实验或物理建模均存在周期长、成本高等问题，难以适用于个性化骨植入物结构设计。基于数据驱动的机器学习避免了复杂的物理过程分析和数学建模，如果结构A与性能B之间存在内在联系，只要有足够的数据支撑，那么就可以建立由A预测B或由B预测A的双向模型，为性能预测和结构优化提供一种优化的便捷的解决方案。

综上所述，如何满足骨愈合过程中对植入物材料承载的功能需求，够刺激骨细胞生长的同时也为骨骼的生长提供空间，提升骨重建效果，已经成为亟需解决的问题。

发明内容

为了克服现有技术存在的一系列缺陷，本发明的目的在于针对上述问题，提供一种基于机器学习的可降解金属骨植入物设计方法，其特征在于，该设计方法所设计的可降解金属骨植入物具有与骨缺损解剖形态贴合的宏观外形，以及内部连通的多孔结构，设计方法包括以下步骤：

步骤1，通过医学影像手段获得与骨缺损解剖形态贴合的骨植入物的宏观外形，多孔结构由周期或随机排列的孔隙单元堆叠组成，通过对多孔结构的相对密度分布进行数值化重构得到孔隙单元相对密度的空间矩阵，作为骨植入物的多孔结构设计方案；

步骤2，通过旋转或翻折的重构方式，在指定空间区域内随机生成一定数量的孔隙单元堆叠，采用可降解材料，即相对密度空间矩阵决定的结构设计方案，通过激光粉末床熔融增材制造方法制备所设计的个性化多孔结构；

步骤3，通过体内外实验和数值模拟获得通过步骤2所制备的多孔结构的力学性能和降解率随时间变化的数据标签，建立结构设计方案对应的力学和降解性能数据库，作为机器学习的样本；

步骤4，通过深度神经网络对步骤3所建立的数据库进行机器学习，生成由结构设计方案预测降解速率和等效刚度的数据驱动模型，预测多孔结构设计对骨植入物降解行为和力学性能的影响；