Development of an AI-Driven Platform for the Optimized Design and Rapid Prediction of Customized Rib Bone Plates
作者: 國立中正大學機械工程學系 蔡忠佑 教 授
國立中正大學機械工程學系 方晨潔 碩士生
國立中正大學機械工程學系 温育叡 碩士生
背景
肋骨骨折為胸腔外科中常見的外傷之一，主要由交通事故或高處墜落等外力造成。患者常出現劇烈疼痛與呼吸困難等症狀，嚴重影響生活品質。
臨床上常透過鈦合金骨板進行內固定手術，以提升穩定性並促進骨折癒合。然而，現行骨板多為標準化設計，難以貼合不同患者肋骨曲度，導致固定穩定性不足與術後不適。
為解決此問題，本研究提出一套整合拓撲優化（Topology Optimization）、最佳化分析（Optimization Analysis）與人工智慧預測（AI Prediction）的客製化骨板設計流程。藉由建立與人體肋骨相近的豬肋骨模型，結合有限元素分析（Finite Element Analysis, FEA）與 Altair HyperWorks™ 系列軟體進行模擬，並導入 AI 模型以加速設計與分析流程。
本研究的最終目標在於建立一個具備「高貼合性、輕量化與高預測效率」之骨板設計平台，為臨床提供具自動化與智能化的輔助工具。
解決方案
實驗材料與建模流程
本研究以豬肋骨作為模擬對象，因其幾何結構與人類肋骨相近。首先，利用 Calibry Mini 手持式 3D 掃描儀進行肋骨表面掃描，經後處理後獲得高解析三維模型。
接著，針對豬肋骨進行三點彎曲試驗，並使用 MTS 高頻疲勞試驗機量測力量–位移曲線，取得材料的彈性模數與力學特性。此外，選用醫療級 Ti-6Al-4V ELI 鈦合金作為骨板材料，透過拉伸試驗取得其彈性模數、屈服強度與蒲松比等參數，確保模擬分析的精確性。
 |
 |
| 圖 1 掃描過程(左)與豬肋骨模型(右) |
拓撲優化與模型重建
在設計階段，使用 Altair Inspire 軟體執行拓撲優化分析，結果如圖2所示。分析條件設定為最大剛度（Maximize Stiffness），質量保留比為30%。
結果顯示骨板中央區域可移除部分材料以降低重量而不影響強度。根據拓撲結果重建幾何模型，如圖3所示，於 Altair SimLab™ 中完成前處理與材料設定，並建立有限元素模型（Finite Element Model）。骨板鎖孔位置施加固定與受力邊界條件，接觸條件採「小滑移」模式模擬骨板與肋骨間的貼合接觸行為。
圖 2 拓撲結果
|
圖 3 重新建模之有限元素模型
|
參數化設計與最佳化分析
為探討設計變數對骨板性能的影響，進行參數化設計。設定三個主要變數：(1) 骨板中間左右側厚度、(2) 板厚度、(3) 內部圓角。將參數化模型匯入 Altair HyperStudy™，進行多目標最佳化分析。以最小化質量與位移誤差為主要目標，同時限制應力在安全範圍內。最佳化演算法採 Global Response Search Method（GRSM），共執行 100 組分析，最終獲得最小質量且應力與變形最接近目標範圍的設計。
圖 4 最佳化分析結果
實驗設計與 AI 模型建立
為生成足夠的訓練資料集，本研究利用 HyperStudy™ 進行實驗設計（Design of Experiments, DOE），產生 200 組設計組合，最終輸出 198 組有效數據。
將 DOE 結果匯入 Altair PhysicsAI 平台，以幾何深度學習（Geometric Deep Learning, GDL）為基礎進行訓練與預測。訓練集中 85% 資料用於模型學習，其餘 15% 用於驗證。
學習率設定為 0.001，最大迭代 1000 次，並啟用 Early Stopping 機制防止過擬合。模型輸出主要響應項為骨板最大位移與應力分布。完成訓練後，AI 模型能在數秒內預測新設計骨板的結構響應，大幅減少傳統 CAE 分析所需時間。
分析結果
在最佳化分析中，所得骨板模型呈現中空化與導圓設計，能兼顧強度與輕量化。有限元素分析顯示，其最大應力集中於螺孔附近，如圖5所示，但仍低於材料屈服強度。力量–位移曲線比較結果顯示，最佳化模型與實際試驗曲線趨勢一致，顯示模擬模型可準確描述骨板受力變形行為，如圖6所示。
圖 5 最佳設計模型檔 |
圖 6 最佳設計結果檔 |
PhysicsAI 模型的平均絕對誤差（MAE）顯著低於 0.05，代表 AI 預測與 CAE 結果高度一致，如圖7所示。對於兩組新設計模型（Model A 與 Model B）進行測試，AI 與 CAE 結果相似度分別達 97.82% 與 96.58%，證明該 AI 模型具備良好的泛化能力與穩定性，如圖8所示。此外，AI 模型預測時間約為傳統 CAE 求解的 1/70，展現其在設計效率上的極大優勢。
圖 7 模型驗證結果 |
圖 8 新設計模型之AI預測與CAE分析比 |
結論與未來展望
本研究建立一套整合拓撲優化、最佳化分析、有限元素模擬與人工智慧預測的肋骨骨板設計流程，成功實現輕量化與快速預測之研究目標。
主要結論如下：
-
透過 Altair Inspire™、SimLab™ 與 HyperStudy™ 進行拓撲與最佳化分析，可獲得兼具高剛性與低質量的客製化骨板設計。
-
PhysicsAI 模型預測結果與 CAE 分析相似度超過 97%，顯示 AI 模型具備高準確性與可行性。
-
AI 模型可顯著縮短模擬時間，實現近即時的設計預測，有助於臨床醫師與工程師間的協作應用。
-
本研究展現了結合生醫工程、結構優化與人工智慧的跨領域潛力，未來可進一步拓展至其他植入物設計與個人化醫療應用。
參考文獻
-
Ellis, E., III, & Schubert, W., “Plate bending,” Surgery Reference.
-
Shane, “Grade 23 Titanium vs Grade 5: What’s the Difference?”, MACHINE MFG., Dec. 2, 2024.
-
Calibry Mini, THOR 3D.
-
Landmark® Servohydraulic Test Systems, MTS.
-
Mischler, D. et al., “Is intrathoracic rib plate fixation advantageous over extrathoracic plating? A biomechanical cadaveric study,” Journal of Trauma and Acute Care Surgery, Vol. 92, No. 3, pp. 574–580, 2021.
