在特拉维夫医疗中心,一位年轻的患者被诊断出患有罕见的癌症,数月来一直饱受疼痛和活动受限的困扰:核磁共振成像显示,肩胛骨(肩胛骨)广泛受损,侵袭性肿瘤浸润周围肌肉。前方是一条充满挑战的道路,当务之急是切除受影响的骨骼,同时尽可能保留肩部功能。
患者最初接受了化疗以缩小肿瘤,但仍有必要进行肩胛骨全切除术。 面对可能使患者失去肩部功能的手术,特拉维夫医疗中心专家与PTC 和 Hexagon 的团队选择了另一条道路:他们将设计并植入一个定制的 3D 打印钛合金肩胛骨,并根据患者的独特解剖结构进行制作。这种方法不仅能恢复患者的活动能力,还有助于重新定义未来复杂骨骼手术的治疗方案。

而植入物设计的基本要求和挑战很多,其中包括:
(1)保留患者原有的解剖体积、形状和运动学特征。
(2)优化植入物的机械性能,同时尽量减轻重量。
(3)为肌肉连接提供一组最佳锚点。
(4)采用先进的晶格结构,促进结缔组织和肌肉的生长,利用 Creo 设计金属增材制造技术最大限度地减少支撑和变形。
(5)采用最小表面,确保关节运动平稳。
(6)利用先进的机械模拟,验证植入物在肩部和手臂运动时的承重能力。
(7)确保植入物的可制造性并减少打印试验,利用 Simufact Additive 模拟并补偿在打印过程中导致部件变形的热机械过程。
(8)利用 VGSTUDIO MAX 处理 CT 扫描数据并验证复杂结构的质量和打印金属的特性,从而验证成功打印的质量,以获得认证。
显然,PTC 和 Hexagon 的团队此刻需要找到一种方法,为这名年轻的癌症患者定制肩胛骨植入物。 而该项目需要极高的精度来解决复杂的问题,团队需要找出一种方法,在解剖、医疗、工程、制造和认证限制之间实现理想的平衡。
在特拉维夫医疗中心专家的指导下,PTC 和 Hexagon团队利用 Creo 快速成型制造和高保真模拟设计工具的强大功能,成功制作出完全个性化的肩胛骨植入物,并利用 Hexagon 的技术成功制造和认证了该植入物。

手术按计划进行,个性化植入体与患者的解剖结构完美契合。 通过 Creo 设计和 Hexagon 认证工具实现的精确定制部件在患者的快速康复中发挥了关键作用,使她能够在几天内开始恢复活动能力,这也是植入物所蕴含的卓越工程技术的最好证明。 如今,患者正在进行康复治疗,功能得到了恢复,生活质量也得到了提高。
特拉维夫苏拉斯基医疗中心(Tel Aviv Sourasky Medical Center)外科创新和三维打印部门负责人Solomon Dadia博士强调了这些进步的意义: “生物活性打印植入物是植入物的未来! 复杂的可植入打印材料的开发,加上强大的增材制造和模拟软件,使我们能够将智能植入物引入外科领域。 这些植入物与组织相互作用,优化其在体内的存活,确保完美贴合并促进组织生长。 这些进步标志着个性化医疗进入了一个新时代。
病人的快速康复凸显了个性化医疗解决方案的深远影响,而在医学、工程和技术的突破性融合中,来自特拉维夫医疗中心、PTC 和 Hexagon 的世界级团队实现了一项医学突破:特拉维夫医疗中心在以患者为中心的护理方面处于领先地位,为开创性外科技术设定了标准;PTC引领数字化转型,实现个性化医疗解决方案的突破;海克斯康(Hexagon) 利用数字孪生技术预测和改进制造流程,推动高质量部件的快速交付。
这项合作也为重新定义个性化医疗做出了贡献,它整合了数字技术,创造出支持软组织高效生长的个性化解决方案。 对于面临复杂骨骼癌症的患者来说,这标志着一个新的曙光——创新技术与体贴入微的医疗服务的结合。其中,利用Creo实现跨学科合作为每位患者量身定制解决方案,将成为重塑医疗保健的下一个前沿领域。
好文章,需要你的鼓励
这项由索非亚大学INSAIT和苏黎世联邦理工学院共同完成的研究,揭示了大语言模型在数学定理证明中普遍存在的"迎合性"问题。研究团队构建了BrokenMath基准测试集,包含504道精心设计的错误数学命题,用于评估主流AI模型能否识别并纠正错误陈述。
约翰斯·霍普金斯大学研究团队提出了创新的隐私保护AI文本生成方法,通过"控制代码"系统指导AI生成虚假敏感信息来替代真实数据。该方法采用"藏身于众"策略,在医疗法律等敏感领域测试中实现了接近零的隐私泄露率,同时保持了高质量的文本生成效果,为高风险领域的AI应用提供了实用的隐私保护解决方案。
实验室和真实使用测试显示,iPhone Air电池续航能够满足一整天的典型使用需求。在CNET进行的三小时视频流媒体压力测试中,iPhone Air仅消耗15%电量,表现与iPhone 15相当。在45分钟高强度使用测试中表现稍逊,但在实际日常使用场景下,用户反馈iPhone Air能够稳定支撑全天使用,有线充电速度也比较理想。
这项由Reactive AI提出的稀疏查询注意力机制通过减少查询头数量而非键值头数量,直接降低了注意力层的计算复杂度,实现了2-3倍的训练和编码加速。该方法在长序列处理中表现出色,在20万词汇序列上达到3.5倍加速,且模型质量损失微乎其微,为计算密集型AI应用提供了新的优化路径。