ScaffoldForge diseña andamios óseos para impresión 3D en 12 segundos

Un grupo de investigadores desarrolló ScaffoldForge, un modelo de inteligencia artificial generativa que diseña andamios óseos para impresión 3D a partir de un conjunto de propiedades estructurales objetivo. Según el artículo publicado en PLOS One, el modelo entrega la geometría completa de un andamio en unos 12 segundos. La optimización topológica, el método computacional de diseño convencional, tarda unos 8.400 segundos por diseño. Todos los resultados vienen de simulaciones por computador. Ningún andamio se imprimió ni se probó en laboratorio.

Los defectos óseos grandes que no sanan solos afectan a más de 2 millones de pacientes al año, según los investigadores. El tratamiento estándar sigue siendo el injerto con hueso del propio paciente, pero la disponibilidad es limitada y la extracción puede causar complicaciones en la zona donante. Los andamios impresos en 3D se pueden adaptar a cada paciente. Diseñar uno todavía obliga a equilibrar requisitos que tiran para lados opuestos, porque una estructura más porosa ayuda a que los vasos sanguíneos crezcan dentro del implante, pero también lo debilita.

El estudio propone generar los diseños directamente desde una lista de especificaciones, en lugar de optimizarlos por iteraciones. Según el equipo, eso podría permitir algún día que médicos e ingenieros exploren diseños para cada paciente de forma interactiva, sin esperar largas corridas de optimización.

¿Cómo arma un andamio el modelo?

ScaffoldForge recibe como entrada ocho mediciones estandarizadas de la arquitectura del hueso trabecular. Cubren el volumen sólido, el grosor y la separación de las trabéculas, la conectividad, la forma de varilla o placa, la alineación direccional y la facilidad con que un fluido atraviesa la estructura. Partiendo de ruido aleatorio, el modelo de difusión refina el volumen en 1.000 pasos hasta llegar a una grilla de vóxeles en 3D de 64 unidades por lado que cumple los valores pedidos.

Durante el entrenamiento, el modelo recibe una penalización por tres tipos de falla:

• resistencia a la compresión por debajo de la necesaria para soportar carga
• voladizos que exigirían estructuras de soporte durante la fabricación aditiva
• permeabilidad demasiado baja para que los nutrientes lleguen a las células

Los investigadores describen esas penalizaciones como reglas empíricas, no como ecuaciones físicas. La resistencia y la permeabilidad las estiman dos redes neuronales preentrenadas.

Los datos que emparejan geometría y propiedades de andamios reales son escasos, así que el equipo armó un conjunto de entrenamiento de 250 andamios. De ellos, 200 los generó por software y 50 son andamios reales con datos mecánicos medidos en experimentos.

¿Cómo rinde frente a otros métodos de diseño?

El equipo comparó ScaffoldForge con otros ocho enfoques, entre ellos la optimización topológica, los algoritmos evolutivos, la optimización bayesiana y modelos generativos anteriores. ScaffoldForge alcanzó una resistencia a la compresión estimada de 56,6 MPa. Es 8,2% más que la optimización topológica y 6,6% más que TriTopo-LGDM, un método de difusión contemporáneo que parte de diseños hechos por optimización topológica. En cinco corridas de entrenamiento, la ganancia promedio sobre TriTopo-LGDM fue de 3,5 MPa (p = 0,043). La optimización topológica produjo andamios con algo más de permeabilidad. Los autores lo atribuyen a que ScaffoldForge privilegia la rigidez mientras mantiene la permeabilidad sobre el nivel asociado al crecimiento de vasos sanguíneos.

En una sola GPU NVIDIA A100, ScaffoldForge generó un diseño unas 700 veces más rápido que la optimización topológica. Sin los términos de penalización, las estructuras generadas mostraban grupos desconectados y material flotante imposible de fabricar. Al comparar 500 diseños generados con el conjunto de entrenamiento, se vio que el modelo produce geometrías nuevas y no copia las muestras con que se entrenó.

Los investigadores también mostraron un flujo que convierte la tomografía computarizada de un paciente en un andamio. El sistema identifica el defecto, genera un andamio que calza y lo recorta al borde del defecto. En 20 casos de pacientes de un conjunto público de tomografías de columna, el error de ajuste se mantuvo dentro de la tolerancia de 1 mm que se usa para implantes.

Los límites de un conjunto de datos chico y casi sintético

La precisión cayó con formas de hueso que el modelo no había visto en el entrenamiento. Con anatomía vertebral de un conjunto de datos externo, el error al calzar las mediciones objetivo fue 65% mayor que en el conjunto de prueba principal. Ampliar el entrenamiento a 2.050 andamios casi no cambió la precisión en geometrías conocidas, pero redujo cerca de 27% el error en anatomía desconocida. El equipo lo toma como evidencia de que el tamaño del conjunto de datos, y no el diseño del modelo, es la principal limitación del rendimiento con pacientes nuevos.

Los andamios de entrenamiento generados por software coincidieron con el hueso real dentro de media desviación estándar en las siete mediciones de forma, pero solo dos de siete cumplieron un umbral más estricto. Zanjar esa comparación exigiría unas 100 microtomografías reales, el doble de las disponibles.

Un clasificador de red neuronal todavía podía distinguir los andamios generados del hueso real, aunque con más dificultad que con los datos sintéticos de entrenamiento. Con el conjunto ampliado, esa diferencia dejó de ser estadísticamente significativa. Los autores afirman que cerrar la brecha exigirá más tomografías de hueso real en el entrenamiento, no más datos sintéticos.

Hay otras limitaciones. La resolución de la grilla capta detalles de hasta unos 0,5 mm, más gruesa que la escala de 50 µm del hueso trabecular natural. La evaluación regulatoria quedó fuera del alcance del estudio. Los investigadores advierten que la ventaja de velocidad corre solo para la etapa de diseño, no para la fabricación, las pruebas ni la aprobación. El código, el flujo de generación de datos y los modelos entrenados están disponibles en GitHub.

Límites físicos dentro del diseño generado

Comprobar si un andamio candidato va a resistir y se puede imprimir suele exigir una simulación, y métodos iterativos como la optimización topológica repiten ese paso muchas veces por diseño. ScaffoldForge aplica esos controles durante el entrenamiento, así que el modelo terminado entrega geometría ya orientada a cumplirlos y basta una simulación para validar cada resultado.

Investigadores del Instituto Tecnológico de Massachusetts (MIT), junto a colaboradores de Google, Stability AI y la Universidad Northeastern, desarrollaron MechStyle, un sistema de IA generativa que cambia el estilo de modelos 3D mientras vigila su estabilidad estructural. Con los métodos de estilización anteriores, cerca de 26% de los modelos modificados seguía siendo estructuralmente sólido. MechStyle corre análisis por elementos finitos cuando una edición amenaza zonas débiles y llegó a hasta 100% de viabilidad estructural en 30 modelos de prueba. Igual que ScaffoldForge, busca que la geometría generada por IA sea mecánicamente sólida desde el diseño. Se diferencia en que edita el estilo de modelos imprimibles que ya existen y no puede reparar geometrías defectuosas, mientras ScaffoldForge genera geometría nueva desde objetivos numéricos.

En el Politecnico di Torino y la Universidad de Maastricht, un equipo construyó una herramienta de diseño de andamios basada en Voronoi para modelos de tejido pulmonar. Genera trayectorias de impresión a partir de parámetros como el número de semillas, el diámetro del patrón y el grosor de la fibra, y predice propiedades como la porosidad y el área de poro. Los andamios impresos quedaron a cerca de 2,2% de la porosidad prevista en FDM y a 1,7% en electroescritura en fundido. La herramienta comparte con ScaffoldForge la idea de vincular los parámetros de diseño con las propiedades esperadas antes de imprimir, pero apunta a otro tejido y ya contrastó sus predicciones con piezas impresas, una comparación que ScaffoldForge todavía no hace.

Los autores señalan como próximo paso fabricar algunos de los diseños y someterlos a ensayos mecánicos para compararlos con sus predicciones simuladas.

El estudio se titula "ScaffoldForge: Bioinspired generative design of 3D-printed bone scaffolds via conditional diffusion for large segmental bone defect reconstruction" y lo firman Yaohua Zhang, Hongyue Zhang y Huaqing Yang.