机器学习辅助的挤出式生物打印定量可打印性评估——系统工程概念验证

《Bioengineering》：Machine-Learning-Assisted Quantitative Printability Assessment in Extrusion-Based Bioprinting—A Systems-Engineering Proof-of-Concept

　　

挤出式生物打印受材料、挤出和运动参数的耦合控制，然而可打印性通常通过孤立的流变学测试或定性几何检查来评估。本研究开发了一个系统工程框架，用于非细胞注射器挤出打印的定量评估，与未来生物打印应用相关。36个构建体覆盖了完整的3 × 3 × 4析因设计，包括三种喷嘴直径、三种打印头速度和四条参考轨迹，每个独特条件下独立打印一个构建体。Fiji/ImageJ分析量化了纤维宽度、边缘粗糙度、曲率和轨迹保真度，研究相对可打印性评分（Printability Score, PS）整合了四个归一化几何误差域。PS排序对组分权重的适度变化具有稳健性（Spearman ρ = 0.955–0.999）。主成分分析（PCA）识别出不同的沉积相关和几何相关模式；PC1、PC2和PC3分别解释了51.18%、23.06%和11.69%的方差（累积85.92%）。在留一交叉验证（LOOCV）下，原始输入岭回归实现了R² = 0.713，MAE = 0.195，RMSE = 0.285，而梯度提升实现了R² = 0.709，MAE = 0.216，RMSE = 0.288。交叉验证置换分析确定打印头速度和轨迹几何为最具信息量的原始预测因子。这些发现建立了离线工程概念验证，而非重复的验证性验证、生物学验证或闭环控制。

**研究背景**
挤出式三维（3D）生物打印是应用最广泛的生物制造方式之一，可处理多种水凝胶类材料并支持直接控制沉积轨迹。然而，可打印性这一核心概念在文献中定义不一，常被用于描述可挤出性、纤维形成、形状保真度或结构完整性等不同内涵。现有评估多依赖孤立的流变学测试或定性几何检查，难以在实验室间直接比较。材料、挤出系统和运动参数的耦合效应决定了不能仅以材料中心视角定义可打印性。此外，图像分析与机器学习为实现定量、可重复的过程表征提供了新途径，但已有工作流多聚焦于材料优化或在线缺陷分类。当前仍缺乏一个整合受控过程输入、标准化几何和定量图像衍生输出的统一可解释框架。为此，研究人员开展了本研究。

**研究目的与意义**
本研究旨在开发和评估一个系统层面的工程可打印性分析框架，整合定制开放架构注射器挤出平台、稳定非细胞模型墨水、预定义参考设计空间、自动化顶视图像分析和过程设置与几何结果之间关系的数据驱动建模。研究假设沉积尺度化（标称线沉积负荷）和轨迹几何比喷嘴直径更能解释可打印性，且少量可解释几何描述符足以捕获不同失效模式。论文发表于《Bioengineering》，为挤出式生物打印提供了离线定量表征的工程概念验证。

**主要技术方法**
研究人员采用基于Voron Trident CoreXY架构改装的定制注射器挤出平台，配合非细胞多组分胶体聚合物模型墨水。实验采用3 × 3 × 4全析因设计（3种喷嘴直径、3种打印头速度、4种参考轨迹）打印36个构建体，每个独特条件对应1个独立打印构建体。顶视反射光显微镜采集图像后，以Fiji/ImageJ 1.54p进行标准化分割和量化分析；统计与机器学习方法包括Pearson相关、主成分分析（PCA）、留一交叉验证（LOOCV）下的线性回归、岭回归、决策树、随机森林（RF）和梯度提升回归（GBR），以及交叉验证置换重要性和逐项消融分析。

**研究结果**
3.1 过程依赖性纤维形态与几何保真度
通过36个构建体的显微图像分析发现，纤维宽度随喷嘴直径和打印头速度系统性变化：0.4 mm喷嘴的平均宽度约为720至1260 μm，0.6 mm喷嘴约为760至1550 μm，1.2 mm喷嘴约为1250至2400 μm。在固定标称柱塞推进下，较高的打印头速度对应较窄的纤维。阶梯正交图案（图案A）在急转弯附近表现出最大局部变异和拐角增厚；连续曲率图案（图案C）较不连续几何更均匀；直线参考（图案D）的宽度方差最低，提供了最稳定的基线。12个匹配分层对比显示，PS在全部12个喷嘴×几何分层中均表现为14 mm/s时高于26 mm/s（平均差异0.745），1.2 mm喷嘴在11/12分层中PS高于0.4 mm喷嘴，图案A在所有9个匹配分层中PS均高于直线图案（平均差异0.821）。

3.2 相关结构与主成分
构建体水平描述符呈现高度结构化相关模式。平均宽度、宽度标准差、第95百分位宽度和宽度变异系数之间强相关（r = 0.886–0.984），构成沉积驱动的共同形态轴；边缘粗糙度与宽度变量亦强相关（r约0.81）。轨迹RMSE与曲率RMSE总体相关较弱（r = 0.384），剔除A_N0.4_V14极端值后降至0.039，表明二者在大部分设计空间中捕获不同的误差模式。PCA鉴定出三个主导成分：PC1解释51.18%方差，由宽度和边缘粗糙度描述符主导；PC2解释23.06%，主要涉及平均曲率、轨迹RMSE和纵向宽度梯度；PC3解释11.69%，由曲率RMSE主导；前三成分累积解释85.92%总方差。杰克刀分析显示PC1和PC2解较稳定，PC3对A_N0.4_V14的极端曲率值较为敏感。

3.3 过程参数对复合可打印性的预测
在LOOCV下，仅使用原始控制输入（喷嘴直径、打印头速度、分类轨迹几何）时，线性回归实现R² = 0.712，岭回归实现R² = 0.713（MAE = 0.195，RMSE = 0.285），浅层决策树R² = 0.425，RF为R² = 0.541，GBR为R² = 0.709。简单线性与正则化模型匹配或略优于非线性集成模型，表明该设计中过程-可打印性关系是结构化且相对低维的。加入工程化重构参数（标称线沉积负荷和速度-喷嘴比）后，岭回归R²升至0.730。

3.4 模型解释
交叉验证置换分析显示，在原始输入GBR模型中，置换打印头速度