来自剑桥大学的学者提出了3D打印-神经网络联合建模来解释人工耳蜗植入患者的电场成像剖面。通过可调的电子解剖学，3D打印耳蜗可以在非刺激位置复制电场成像轮廓的临床场景。联合建模框架展示了对患者概况或耳蜗几何形状的自主和强大的预测，揭示了导致电流扩散的电解剖因素，辅助按需打印进行植入测试，并推断出患者体内的耳蜗组织电阻率(估计平均值=6.6kΩcm)。本文预计该框架将促进神经调节植入物的物理建模和数字孪生创新。3PNN被证明可以预测非刺激EFI和从临床患者CT收集的几何参数之间的关系，而不需要模型调整和重新校准。用4种不同CI类型的临床EFI资料进行了验证，31个预测中有28个预测准确率较好，MAPE<12%。因此，联合建模框架具有预测不同制造商的CI刺激性能的潜在能力，从而辅助开发适合患者耳蜗解剖的CI电极阵列。与传统的动物和身体模型相比，这里提出的“打印和学习”的建模概念提供了一种物理可操作、符合伦理和经济的方法，这可能有助于减少对动物实验的需求。与FEM互补，3PNN可以为未来用于CI测试的耳蜗数字双胞胎奠定基础。随着神经调节型电子植入物的使用越来越多，“打印-学习”联合建模概念可以促进其他生物电子植入物原型的物理建模和数字孪生创新。相关工作以题为“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上发表。