EPINN-GF: Una red neuronal mejorada informada por la física que integra características geométricas para la...

Área de la Ciencia:

• Mecánica computacional
• Ingeniería biomédica
• Inteligencia artificial

Sus antecedentes:

• La biomecánica espinal es crucial para comprender la función de la columna vertebral y la patogénesis de la enfermedad.
• Los métodos numéricos tradicionales son computacionalmente intensivos; Las redes neuronales informadas por la física (PINNs) luchan con geometrías complejas.
• Este estudio introduce una red neuronal mejorada informada por la física con características geométricas (EPINN-GF) para superar estas limitaciones.

Objetivo del estudio:

• Mejorar la precisión y la eficiencia de la predicción de la distribución de la tensión en geometrías espinales complejas utilizando EPINN-GF.
• Facilitar la traducción clínica para el diagnóstico, la planificación quirúrgica y el tratamiento personalizado de los trastornos de la columna vertebral, incluida la escoliosis idiopática adolescente (EIA).

Principales métodos:

• EPINN-GF integra las características geométricas y las restricciones de doble pérdida.
• Los vectores propios del operador laplaciano derivados de la geometría espinal capturan las características estructurales.
• Las ecuaciones de equilibrio están integradas dentro de la función de pérdida de la red.

Principales resultados:

• EPINN-GF logró un error cuadrado medio (MSE) más bajo de 227.59 MPa en comparación con C-PINN (398.41 MPa), GNN (271.43 MPa) y DEM (343.61 MPa).
• Si bien el tiempo de entrenamiento fue ligeramente más largo que el C-PINN y el GNN, el EPINN-GF demostró una precisión superior en la predicción del estrés.
• El método es prometedor para el diagnóstico de enfermedades de la columna vertebral y el modelado de sistemas físicos complejos.

Conclusiones:

• EPINN-GF predice con precisión el estrés en geometrías espinales complejas y entornos multifísicos.
• El marco ofrece un potencial valor clínico para los trastornos de la columna vertebral, ayudando a la planificación del tratamiento personalizado y la optimización de la estrategia quirúrgica.
• Apoya la predicción temprana de la progresión de la escoliosis idiopática en adolescentes.