基于机器学习预测钛基口腔植入物喷砂参数与表面粗糙度的关系研究

《BMC Oral Health》：Modeling of titanium blast-finished surface roughness for dental implants using strictly grouped validation and SHAP-explainable machine learning

　　

摘要

可预测地控制植入物表面粗糙度很重要，因为一致的微米级形貌可能为早期成骨细胞附着和后续骨整合提供可重复的条件。为了解决传统试错优化效率低的问题及其在表征口腔植入物纯钛基体喷砂参数与表面粗糙度（Ra）之间非线性关系方面的局限性，本研究开发了一种基于机器学习的预测模型。选择砂粒粒径（60–100目）、压力（0.2–0.4 MPa）、距离（50–100 mm）和时间（15–60 s）作为输入变量。通过结合正交实验与随机实验，共获得了180个数据集。比较了十种机器学习算法，包括集成学习、非线性模型和线性模型。为了避免由重复测量的随机划分引起的明显数据泄漏，采用留一组交叉验证（LOGO-CV）来评估模型对未见过的工艺组合的预测性能和稳定性。

结果表明，在研究的参数范围内，钛表面的Ra值在1.083至2.494 μm之间。该范围位于成骨细胞细胞体与其丝状伪足延伸的近似尺寸之间，可能为丝状伪足提供局部锚定点，从而促进骨-植入物界面的早期机械互锁。比较分析表明，支持向量回归（SVR）模型取得了最佳的预测性能。经过贝叶斯优化后，优化后的SVR模型达到了R2为0.7538，RMSE为0.1480 μm。方差分析和基于SHAP的可解释性分析证实，砂粒粒径和喷砂压力对Ra具有显著影响（P??喷砂压力?>?喷砂时间?>?喷砂距离。在测试的参数范围内，所提出的模型可能有助于喷砂参数筛选并提高植入物表面制备的一致性，从而为与早期骨整合和植入物稳定性相关的表面条件的可重复生产提供工艺级支持，并为后续的生物学验证和临床转化奠定基础。