一种有限元法和机器学习算法的协作方法,用于骨轴骨折中使用的植入物的生物力学分析
1Department of Mechanical Engineering, Tokat Gaziosmanpaşa University, Tokat, 60250, Türkiye. halilburak.mutu@gop.edu.tr.
BMC musculoskeletal disorders
|October 7, 2025
概括
这项研究表明,支持矢量机器 (SVM) 机器学习模型准确地预测了骨骨折植入物的机械结果. 在预测压力和移位方面,SVM优于其他模型,有助于临床决策支持.
科学领域:
- 骨科生物力学 骨科生物力学
- 生物材料科学 生物材料科学
- 计算力学 计算力学 计算力学
背景情况:
- 骨折是常见的复杂的骨科伤害.
- 植入物机械强度和生物材料特性显著影响骨折愈合.
- 分析植入物设计和材料对于有效治疗至关重要.
研究的目的:
- 分析各种植入物设计和生物材料对斜骨折的机械影响.
- 用有限元分析 (FEA) 数据评估机器学习 (ML) 算法的预测准确度.
- 为了比较不同ML模型在生物力学预测中的性能.
主要方法:
- 在使用Ansys Workbench的7个骨折植入模型上进行了静态结构模拟.
- 植入物是用Ti-6Al-4V合金或316L不钢 (SS) 制造的,并承受模拟的单腿姿势负荷 (600-1000N).
- 为了在WEKA中训练多层感知器 (MLP),支持矢量机 (SVM) 和决策树 (DT) 模型,生成了1008个点的数据集.
主要成果:
- 与Ti-6Al-4V合金植入物相比,由316L SS制成的植入物表现出更高的最大应力,但具有更好的总位移结果.
- 与MLP和DT相比,SVM模型在最大应力和总位移方面都显示出更高的预测准确性.
- SVM实现了低的平均绝对误差 (MAE) 值 (例如,应力为0.24,训练集上的位移为0.0003).
结论:
- 骨骨折生物力学FEA数据可以使用ML模型准确预测,特别是SVM.
- SVM算法提供了一种可靠的,数据驱动的方法来分析植入物性能.
- 这些发现支持基于ML的骨科治疗临床决策支持系统的开发.
