编辑推荐：
研究人员针对现有生物力学分析方法中，小样本随机初始化易致局部最优解、单属性分析导致应力偏差的问题，开展基于 CT 图像权重初始化和物理信息神经网络（PINN）的生物力学分析研究，实验准确率达 91.09%，提升分析准确性，具重要意义。
在生物医学领域，生物力学分析如同一位 “侦探”，致力于揭开生物体机械结构、功能和运动背后的秘密。以青少年特发性脊柱侧凸（Adolescent Idiopathic Scoliosis，AIS）为例，这是一种复杂的三维脊柱畸形疾病。通过对脊柱进行 CT 扫描，借助生物力学分析构建应力分布地图，就能够精准定位高应力区域，从而深入了解脊柱在正常和患病状态下的行为模式。
然而，当前的生物力学分析方法却遭遇了重重困境。传统的有限元法（Finite Element Method，FEM）虽稳定性强，但需要大量人工干预，且耗时极长，就像一个缓慢而繁琐的工匠，效率低下。深度学习方法近年来虽崭露头角，但它也有自己的 “短板”，不仅可解释性差，还常常忽略骨骼不同组成部分（如皮质骨和松质骨）的特性，而且为达到一定的泛化能力，需要海量的训练数据，如同一个 “数据吞噬者”。
随着物理信息神经网络（Physics Informed Neural Networks，PINN）的兴起，快速高效的生物力学分析模型成为了新的研究热点。但现有的基于 PINN 的方法也存在两大难题。一方面，小样本随机初始化容易陷入局部最优解。由于 CT 成像存在电离辐射，同一人的 CT 图像数据集数量有限，小样本数据难以涵盖所有数据的变异性，使得模型极易出现过拟合，就像在迷宫中迷失方向，只能找到局部的 “小出口”，无法找到全局的 “最优解”。另一方面，单属性分析会导致应力偏差。不同的骨骼成分具有不同的生物力学特性，若不能精细区分，整体的生物力学输出就会像 “盲人摸象” 一样不准确。
为了攻克这些难题，来自国内（文中提及研究受国家自然科学基金等国内项目支持，推测为国内研究团队）的研究人员开展了一项极具创新性的研究。他们提出了一种全新的生物力学分析方法，旨在利用小样本 CT 数据集获取全局最优解，并实现对骨成分的自动区分。
研究人员主要运用了以下关键技术方法：一是设计基于脊柱 CT 图像特征的初始化权重方法，借鉴洛书矩阵设计初始化权重矩阵，在弱监督模式下获取全局最优解；二是基于 PINN 设计骨成分区分方法，通过设置不同的物理约束来监督局部特征获取，从而区分不同骨成分的生物力学表现；三是将物理方程融入特征提取过程，在小数据样本中实现高精度的特征提取。研究采用了三个医学基准数据集（CSI2014、MICCAI2016、MICCAI2019）进行实验。
下面来看看具体的研究结果：
- 全局最优解模块：该模块包含基于特定权重初始化的双通道特征提取器，以 CT 图像为输入，能够端到端地计算位移并输出标签序列，借助创新的初始化权重方法，成功避免了小样本数据陷入局部最优解的问题。
- 物理约束监督模块：利用位移 - 应变 - 应力方程，在物理约束下监督局部特征获取。通过设计不同的物理约束，实现了对不同骨成分生物力学表现的有效区分，提升了局部特征获取的准确性。
- 实验验证：在三个具有代表性的胸腰椎数据集上进行了大量实验，结果令人瞩目，该方法的准确率达到了 91.09%。从应力分析角度，对比该方法与有限元法，发现二者在应力值预测结果、峰值和变化趋势分析上都极为接近，这表明该方法能够为后续替代有限元法提供新的思路。
研究结论表明，该研究提出的生物力学分析模型，基于洛书矩阵设计洛书卷积神经网络（CNN）进行初始权重分配，有效避免了局部最优解；结合 PINN 区分骨组织，实现了对不同材料的生物力学分析。
这项研究意义重大。它为生物力学分析领域带来了新的曙光，提高了分析的准确性和效率，有助于更深入地理解骨骼的生物力学特性，为脊柱疾病（如 AIS）的诊断、治疗和预防提供了更可靠的理论依据和技术支持。同时，该方法在其他涉及生物力学分析的医学领域也具有广阔的应用前景，有望推动整个生物医学工程的发展。
