Nature Communications：?3D 打印仿生耳蝸和機器學習協同建模為人工耳蝸患者提供臨床信息

第一作者：Iek Man Lei

通訊作者：Manohar Bance，Yan Yan Shery Huang

通訊單位：劍橋大學

人工耳蝸植入物通過在耳蝸內傳遞電刺激來恢復重度至深度耳聾患者的聽力。由于內耳的可達性差，以及缺乏與臨床相關的體外、體內或硅膠模型，這阻礙了對刺激電流傳播以及它如何與患者相關因素的相關性的理解。

來自劍橋大學的學者提出了3D打印-神經網絡聯合建模來解釋人工耳蝸植入患者的電場成像剖面。通過可調的電子解剖學，3D打印耳蝸可以在非刺激位置復制電場成像輪廓的臨床場景。聯合建模框架展示了對患者概況或耳蝸幾何形狀的自主和強大的預測，揭示了導致電流擴散的電解剖因素，輔助按需打印進行植入測試，并推斷出患者體內的耳蝸組織電阻率(估計平均值=6.6kΩcm)。本文預計該框架將促進神經調節植入物的物理建模和數字孿生創新。相關工作以題為“3D printed biomimetic cochleae and machine learning co-modelling provides clinical informatics for cochlear implant patients”的研究性文章在《Nature Communications》上發表。

鏈接：https://www.nature.com/articles/s41467-021-26491-6

可設計的仿電骨基質

人類耳蝸是嵌入顳骨的螺旋形空心器官(圖1a)。由于目前還沒有關于活體耳蝸組織電導率的報道，本文的第一個目標是建立一種可打印的材料系統，能夠模擬已報道的骨組織電導率范圍(以下稱為電模擬骨基質)。為了重現骨骼的中尺度電學特性，本文從骨骼的微結構中獲得靈感，它由導電流體填充的相互連通的小孔組成，周圍環繞著導電性差的礦化段。因此，本文構建了一種電模擬骨基質，它在交聯的PDMS(聚二甲基硅氧烷)彈性體中顯示出相互連接的充滿鹽水的通道。相互連接的通道是通過在預交聯型PDMS(圖1d)中嵌入打印Pluronic F127犧牲墨水創建的，從而允許靈活而精確地調節空隙密度，最終調節電模擬骨基質的電阻率。在臨床上，CI電極陣列被插入鼓階，這是三個耳蝸導管之一(圖1a)。作為復制CI植入耳蝸的粗粒度方法，本文將耳蝸近似為一個直徑不斷變窄的整體螺旋腔，省略了耳蝸內部的軟組織膜結構，如基底膜和Reissner膜。這是因為在作為常規臨床評估的典型患者的術前CT掃描中(圖1b)，掃描分辨率只允許識別整體耳蝸腔的形狀，而不能識別精細的顯微解剖軟組織結構；其次，本文的初步有限元模型顯示，耳蝸內的基底膜和Reissner膜對非刺激EFI剖面的影響可能是微不足道的，這是因為邊界阻抗的存在。

圖1.內嵌3D打印仿生耳蝸的3PNN聯合建模方法，用于再現CI刺激傳播特性。

電模擬骨基質的電學性質

圖2a中的電化學阻抗譜(EIS)測量表明，可以設計出一種電模擬骨基質，在EIS研究的整個頻率范圍(f=10Hz-100KHz)內，表現出與人類頭部身體耳蝸骨的阻抗特性相匹配的阻抗特性。通過改變電模擬骨基質中的空隙率從20%到84%，從阻抗幅值平臺得到的基質的電阻率可以從0.2?kΩcm調節到23.4?kΩcm(圖2b)，幾乎覆蓋了報道的活體人類頭骨組織 (0.6-26.6?kΩcm，圖2c)的電阻率范圍。

圖2.電模擬骨基質的電學性質。

電模擬骨基質的寬電阻率、可調性和機械性能

圖3顯示了材料特性圖表，總結了一系列生物組織和聚合物材料的電阻率和楊氏模量。3D打印的電模擬骨基質覆蓋了很寬的電阻率范圍，這不是單一的可打印材料(即熱塑性塑料或水凝膠)或水凝膠填充基質(即分散在水凝膠中的生物陶瓷和PDMS微珠)所能模擬的。除了電阻率，本文認為模型的楊氏模量也是電子植入物測試的一個重要考慮因素。

圖3.電模擬骨基質的寬電阻率、可調性和機械性能。

3D打印的仿生耳蝸與人體的匹配性

由于耳蝸的大小和形狀對每個人都是獨一無二的，并且可能因人而異，因此本文指定了四個幾何描述符來參數地描述所報道的CI植入的人類耳蝸的解剖變異；它們是基腔直徑、錐度比、耳蝸寬度和耳蝸高度(圖4a)。圖4b顯示了身體耳蝸和插入CI的樣本3D打印仿生耳蝸的高分辨率μ-CT掃描。值得注意的是，3D打印耳蝸中顯示的CI電極到螺旋中心的距離與臨床上從患者CT掃描測量的電極到蝸牛的距離(圖4c(i))非常匹配。在仿生耳蝸和植入相同類型CI的患者中，觀察到了相似的平面X射線成像電極位置和角度插入深度(圖4c(ii))。

圖4. 3D打印的仿生耳蝸復制了人類耳蝸的廣泛解剖頻譜，實現了幾何引導的CI定位，并提供了與患者相關的EFI概況。

經臨床驗證的?3PNN 顯示出高統計預測性能

通過用從3D打印仿生耳蝸獲得的EFI輪廓數據集訓練神經網絡(NN)機器學習模型，本文建立了3D打印和神經網絡聯合建模(3PNN)框架(圖5a)，以建模EFIS與CI植入的仿生耳蝸的電解剖特征之間的關系。在沒有針對不同CI類型進行任何模型調整的情況下，在31個EFI重建中的28個實現了MAPE（圖5b)，盡管患者耳蝸CT掃描的分辨率有限，并且用報告的平均人類顱骨電阻率取代了未知的患者耳蝸組織電阻率。將幾何描述符的預測分布與從患者的CT掃描測量的相應特征進行比較，中位數MAPE為≤8%(圖5c)。

圖5. 3PNN的臨床驗證

圖6.3PNN在臨床信息學中的廣泛適用性。

結語

總體而言，3PNN被證明可以預測非刺激EFI和從臨床患者CT收集的幾何參數之間的關系，而不需要模型調整和重新校準。本文用4種不同CI類型的臨床EFI資料進行了驗證，31個預測中有28個預測準確率較好，MAPE<12%。因此，聯合建模框架具有預測不同制造商的CI刺激性能的潛在能力，從而輔助開發適合患者耳蝸解剖的CI電極陣列。與傳統的動物和身體模型相比，這里提出的“打印和學習”的建模概念提供了一種物理可操作、符合倫理和經濟的方法，這可能有助于減少對動物實驗的需求。與FEM互補，3PNN可以為未來用于CI測試的耳蝸數字雙胞胎奠定基礎。隨著神經調節型電子植入物的使用越來越多，預計本文的‘“打印-學習”聯合建模概念可以促進其他生物電子植入物原型的物理建模和數字孿生創新。

本文由SSC供稿。