预测内流体压力和脂质体积累,使用基于物理的深度学习

科学领域:

• 生物医学工程 生物医学工程
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 基于脂质体的抗癌药物利用增强的透性和保留 (EPR) 效应来向瘤.
• 纳米疗法的临床成功受到诸如高间歇性流体压力 (IFP) 等因素的限制,这阻碍了药物输送,并预测了治疗疗效.
• 精确测量体分布和瘤内的IFP对于有效的治疗计划至关重要.

研究的目的:

• 开发一个预测模型,用于voxel-by-voxel的内脂质体积累和IFP.
• 为了利用管理前和后的成像数据作为模型输入.
• 应用一种新的基于物理的机器学习方法,将机器学习和部分微分方程结合起来.

主要方法:

• 开发一个基于物理的机器学习模型.
• 机器学习与部分微分方程的整合.
• 使用小鼠数据和合成生成的瘤进行验证.

主要成果:

• 开发的模型准确地预测了个体瘤内的空间脂质细胞积累和IFP.
• 该方法需要最小的输入信息来准确预测.
• 在实验小鼠数据和模拟瘤模型上都表现出有效性.

结论:

• 基于物理的机器学习模型提供了一个强大的工具,用于预测内脂质体积累和IFP.
• 这种预测能力对于优化癌症治疗策略至关重要.
• 该方法在预测瘤进展和指导个性化治疗设计方面具有重大潜力.