这款AI赋能的a-Heal设备能够实时调整治疗方案以加速伤口闭合。临床前研究结果表明，该设备有望彻底改变伤口愈合方式，特别是针对慢性伤口。图片来源：Shutterstock
伤口愈合过程中会经历多个阶段：止血凝血、免疫系统反应、结痂和疤痕形成。
由加州大学圣克鲁兹分校（University of California - Santa Cruz）工程师设计的可穿戴设备“a-Heal”，旨在优化每个愈合阶段。该系统利用微型摄像头和人工智能技术检测愈合阶段，并以药物或电场形式提供治疗。系统能响应患者的独特愈合进程，提供个性化治疗方案。
这款便携式无线设备可使伤口治疗更便捷，尤其惠及偏远地区或行动受限的患者。发表于《npj生物医学创新》期刊的初期临床前结果显示，该设备能有效加速愈合过程。
a-Heal的设计原理
在DARPA-BETR项目资助下，由加州大学圣克鲁兹分校（University of California - Santa Cruz）工程学院冠名讲席教授兼电气与计算机工程系教授马可·罗兰迪（Marco Rolandi）领导，联合加州大学戴维斯分校（University of California, Davis）研究人员组成的团队，设计出集成摄像头、生物电子学与人工智能技术的伤口愈合设备。这种一体化设计使其成为“闭合式系统”——据研究团队所知，这是伤口愈合领域首批同类设备之一。
罗兰迪表示：“我们的系统捕捉人体所有信号，通过外部干预优化愈合进程。”
该设备采用电气与计算机工程系副教授米雷亚·特奥多雷斯库（Mircea Teodorescu）开发的机载摄像头（相关成果发表于《通讯生物学》期刊），每两小时拍摄一次伤口图像。这些图像输入至应用数学副教授马塞拉·戈麦斯（Marcella Gomez）开发的机器学习模型，研究人员将其称为运行于附近计算机的“AI医师”。
特奥多雷斯库解释道：“这本质上是绷带内的显微镜。单张图像信息有限，但持续成像使AI能追踪趋势、识别愈合阶段、预警问题并建议治疗方案。”
AI医师通过图像诊断伤口阶段，并与最优愈合时间线进行比对。若图像显示愈合滞后，机器学习模型即启动治疗：通过生物电子学输送药物，或施加可促进细胞迁移以加速伤口闭合的电场。
设备经皮输送的治疗药物为氟西汀（fluoxetine），这是一种选择性血清素再摄取抑制剂，通过调节伤口血清素水平、降低炎症反应并促进组织闭合来改善愈合效果。由加州大学戴维斯分校（University of California, Davis）伊瑟罗夫（Isseroff）团队通过临床前研究确定的优化剂量，由罗兰迪开发的生物电子执行器实施输送；同时，该设备还应用了加州大学戴维斯分校（University of California, Davis）赵敏（Min Zhao）和罗丝琳·里夫卡·伊瑟罗夫（Roslyn Rivkah Isseroff）前期研究优化的电场治疗。
AI医师决定最佳药物剂量及电场强度。治疗实施一段时间后，摄像头重新拍摄图像，循环往复。使用期间，设备将图像及愈合速率等数据传输至安全网络界面，便于医生手动介入并微调治疗。该设备可直接附着于市售绷带，确保便捷安全使用。
为评估临床应用潜力，加州大学戴维斯分校（University of California, Davis）团队在临床前伤口模型中进行测试。结果显示，接受a-Heal治疗的伤口愈合轨迹比标准护理快约25%。这些发现凸显该技术不仅可加速急性伤口闭合，更能重启慢性伤口停滞的愈合进程。
AI强化学习机制
由应用数学助理教授马塞拉·戈麦斯（Marcella Gomez）主导开发的AI模型，采用强化学习方法（相关成果发表于《生物工程》期刊），模拟医师的诊断流程。
强化学习是一种模型通过试错学习以实现特定目标的技术。在此场景中，模型以最小化伤口闭合时间为目标，并因取得进展而获得奖励。它持续从患者数据中学习并调整治疗策略。
该强化学习模型由戈麦斯及其学生创建的“Deep Mapper”算法引导（相关预印本研究已发布），该算法处理伤口图像，量化愈合阶段与正常进程的偏差，并沿愈合轨迹映射。随着设备持续监测伤口，模型学习历史愈合的线性动态模型，并据此预测愈合进展。
戈麦斯表示：“仅有图像不够，需将其置于上下文处理，才能实施反馈控制。”
此技术使算法能实时学习药物或电场对愈合的影响，指导强化学习模型迭代决策：如何调整药物浓度或电场强度。
目前，研究团队正探索该设备改善慢性及感染性伤口愈合的潜力。
【全文结束】
