共计 1672 个字符，预计需要花费 5 分钟才能阅读完成。
当伤口开始愈合时，它会经历几个关键阶段：首先是凝血以止血，接着是免疫系统的反应，然后是结痂和疤痕的形成。为了优化这一复杂的愈合过程，加州大学圣克鲁兹分校的工程师们设计了一种名为“a-Heal”的可穿戴设备。这一系统结合了微型摄像头和人工智能技术，能够检测伤口的愈合阶段，并通过药物或电场提供相应的治疗。a-Heal 的独特之处在于它能够根据患者的个体愈合过程，提供个性化的治疗方案。
这种便携式无线设备不仅便于偏远地区或行动不便的患者使用，还能显著加速伤口的愈合过程。根据发表在《npj 生物医学创新》杂志上的初步临床前研究结果，a-Heal 在促进伤口愈合方面表现出色。
a-Heal 的开发团队由加州大学圣克鲁兹分校的 Marco Rolandi、Marcella Gomez 和 Mircea Teodorescu 领导。在 DARPA-BETR 项目的资助下，他们设计了一种集摄像头、生物电子学和人工智能于一体的设备，旨在加速伤口愈合。这种集成设计使其成为一种“闭环系统”，在伤口愈合领域中尚属首创。
“我们的系统从身体中获取所有线索，并通过外部干预优化愈合进程，”Rolandi 解释道。
设备的核心是一个由 Teodorescu 开发的机载摄像头，每两小时拍摄一次伤口照片。这些照片随后被输入到由 Gomez 开发的机器学习模型中，该模型被称为“AI 医生”，运行在附近的计算机上。
“它本质上是一个创可贴中的显微镜，”Teodorescu 说。“单张图片提供的信息有限，但随着时间的推移，连续成像让 AI 能够发现趋势、识别伤口愈合阶段、标记问题并提出治疗方案。”
AI 医生通过图像诊断伤口阶段，并将其与最佳愈合时间线上的预期阶段进行比较。如果图像显示愈合滞后，机器学习模型会应用相应的治疗：要么是通过生物电子学提供的药物，要么是电场，以增强细胞向伤口闭合处的迁移。
设备局部提供的治疗药物是氟西汀，一种选择性血清素再摄取抑制剂，能够控制伤口中的血清素水平，并通过减少炎症和增加伤口组织闭合来改善愈合。剂量由加州大学戴维斯分校 Isseroff 小组的临床前研究确定，以优化愈合效果，并通过 Rolandi 开发的生物电子执行器在设备上给药。电场则经过优化，以改善愈合效果，由加州大学戴维斯分校的 Min Zhao 和 Roslyn Rivkah Isseroff 先前的研究开发，也通过该设备提供。
AI 医生确定最佳药物剂量和所施加电场的大小。在治疗应用一段时间后，摄像头拍摄另一张图像，整个过程重新开始。
在使用过程中，设备将图像和愈合率等数据传输到安全的网络界面，以便人类医生可以手动干预并根据需要微调治疗。该设备直接附着在商业可用的创可贴上，方便且安全地使用。
为了评估 a -Heal 在临床应用中的潜力，加州大学戴维斯分校团队在临床前伤口模型中测试了该设备。在这些研究中，使用 a -Heal 治疗的伤口的愈合轨迹比标准护理快约 25%。这些发现突显了该技术不仅在加速急性伤口闭合方面的潜力，而且在重新启动慢性伤口停滞愈合方面的潜力。
用于该系统的 AI 模型由应用数学助理教授 Marcella Gomez 领导，使用强化学习方法，模仿医生使用的诊断方法，该方法在《生物工程》杂志的一项研究中进行了描述。
强化学习是一种技术，其中模型被设计为实现特定的最终目标，通过试错学习如何最好地实现该目标。在这种情况下，模型的目标是最小化伤口闭合时间，并因朝着该目标取得进展而获得奖励。它不断从患者中学习并调整其治疗方法。
强化学习模型由 Gomez 和她的学生创建的称为 Deep Mapper 的算法指导，该算法在预印本研究中描述，处理伤口图像以量化与正常进展相比的愈合阶段，将其映射到愈合轨迹上。随着设备在伤口上的时间推移，它学习过去愈合的线性动态模型，并使用该模型预测愈合将如何继续进展。
“仅仅拥有图像是不够的，需要处理并将其放入上下文中。然后，可以应用反馈控制，”Gomez 说。
这种技术使算法能够实时学习药物或电场对愈合的影响，并指导强化学习模型的迭代决策，以调整药物浓度或电场强度。
目前，研究团队正在探索该设备改善慢性和感染伤口愈合的潜力。
