由于创伤、肿瘤切除或先天性畸形导致的临界尺寸骨缺损的重建仍然是全球范围内的重大临床挑战，目前尚未得到完全解决[1]。尽管自体骨移植被广泛认为是该领域的“金标准”，但其临床应用受到供体材料稀缺、术中创伤和术后感染风险等因素的限制，难以满足广泛的临床需求[2],[3]。近年来，新兴的支架驱动骨再生（SDBR）技术为解决这一问题提供了非常有前景的新方法[4]。理论上，通过仿生结构设计、核心性能的协同优化以及支架的精密制造，该技术能够构建与骨缺损部位生理微环境高度兼容的功能性载体[5]。此外，它还能协调调节细胞粘附、增殖和分化，确保营养物质的传输和代谢废物的清除以及血管形成过程，最终有望实现临界尺寸骨组织的有序再生和功能重建[6]。
然而，随着研究向临床应用的推进，缺乏统一的、严格的支架设计指导原则仍然存在，这源于不同解剖部位的生理需求差异。一方面，对于需要承受较大生理负荷的情况，支架必须具备足够的机械性能以抵抗生理应力。但是，仅仅通过减少孔隙率和孔径来增强机械强度会不可避免地阻碍血液循环和营养物质输送效率，从而显著降低支架的成骨活性。另一方面，即使对于非承重骨缺损，尽管对支架机械性能的要求相对较低，也需要控制孔隙率和孔径的增加，因为过于开放的结构可能导致支架稳定性不足或细胞锚定位点的丧失[7]。因此，在特定承重约束下如何优化成骨生物活性已成为支架设计中亟需解决的关键挑战[8]。
诚然，结合有限元分析（FEA）和计算流体动力学（CFD）的数值方法已被广泛用于探索支架设计原则[9],[10]。然而，面对庞大且连续的设计空间时，传统试错方法的过高计算成本限制了其快速定制的临床可行性[11]。为了克服这一瓶颈，机器学习（ML）最近作为生物力学领域的有力工具应运而生[12]。通过在物理模拟生成的数据库上训练算法，ML模型可以作为高效的替代模型，以高精度预测支架性能，从而支持高效的多目标优化（MOO）过程[13]。由于机械稳定性、物质传输和细胞附着的拓扑潜力本质上是相互冲突的目标，因此不存在一个普遍最优的支架。MOO通过生成帕累托前沿——一组理论上的最优权衡方案——来解决这一拓扑悖论。这一数学前沿具有重要的转化价值，它充当了一个“特定部位定制库”，使临床医生能够快速识别并选择与不同解剖部位的特定需求精确匹配的支架结构。
值得注意的是，基于ML的支架设计方案的准确性验证至关重要。然而，“理论设计”与“实际制造”之间仍存在不可避免的差距。以生物玻璃支架的增材制造为例，尽管数字光处理（DLP）工艺具有高精度优势[14]，但生物玻璃颗粒对紫外线的散射效应常常导致过度固化及结构膨胀问题[15]。这些制造缺陷严重损害了支架的几何保真度，不仅导致孔隙堵塞，还使得其机械响应与ML预测之间存在显著偏差[16]。遗憾的是，大多数现有研究仅关注数值设计，而忽略了这些不可避免的制造缺陷[17]。
为此，本研究重点关注SDBR技术在不同临床场景下的生理负荷适应需求，构建了一种集成的“从设计到制造”方法，并通过物理支架验证来验证所提出的支架设计原则。以螺旋面支架[18]作为研究对象，选择这种特定的三重周期性最小表面（TPMS）结构，因为它具有全面的机械生物学优势。本研究为螺旋面支架建立了专门的数据库，并通过模拟计算了比表面积（SSA）、抗压强度（CS）、渗透性（K）和壁面剪切应力（WSS）等参数的高保真度数据。基于支持向量回归（SVR）算法的ML框架实现了几何参数与多物理场性能之间的准确映射，进而驱动非支配排序遗传算法II（NSGA-II）多目标优化[19]，筛选出不同区域的帕累托最优解。为了确保物理可靠性，本研究通过系统过程优化和逆向设计补偿策略消除了DLP技术引起的偏差[20]，为基于ML的设计方案验证奠定了坚实基础。
