工程化组织构件通常通过广泛的动物研究来评估其体内效果。组织学分析是广泛使用的方法。然而，这种技术耗时且高度依赖经验丰富的病理学家。此外，它对同一组织部位随时间变化的组织持续性变化提供的见解有限。在本研究中，我们提出了一种基于深度学习（DL）模型，即骨组织预测生成对抗网络（BTP-GAN），该模型将合成组织学图像生成与生物组织生长模型集成，以模拟骨组织的时间发展。尽管训练数据集较小，生成的组织学图像在生物学上具有意义且现实，归功于三个算法模块：分析模块、增长模块和生成模块。此外，常微分方程（ODE）-变换器模型能够学习真实组织图像的时间模式和结构特征，从而使得根据各种特定生成条件生成组织学图像成为可能。BTP-GAN成功地展示了同一骨组织部位的连续组织学变化，仅依赖于单个输入组织学图像。这项虚拟动物研究可能会改变人们对组织工程中广泛动物研究必要性的看法，并为未来的虚拟组织工程发展提供实用框架。
Yao等（Mon，）研究了这个问题。