使用机器学习的患者特异性气泡诱导负载

科学领域:

• 眼科医生 眼科 眼科
• 生物医学工程 生物医学工程
• 计算流体动力学的流体动力学.
• 机器学习 机器学习

背景情况:

• 空气膨胀测试是一种测量眼内压力 (IOP) 和角膜生物机械性能的非接触式方法.
• IOP估计中的不准确性来自于IOP和角膜参数 (材料和几何) 之间的相关性.
• 目前的流体结构相互作用 (FSI) 模型是计算密集的,限制了临床应用.

研究的目的:

• 开发一种机器学习算法,用于预测患者特定的气泡压力分布.
• 为了减少空气膨胀测试的FSI模拟的计算时间.
• 提高眼内压力 (IOP) 和角膜物质应力-张力指数 (SSI) 测量的精度.

主要方法:

• 采用了监督机器学习算法,特别是梯度提升.
• 该算法在对角膜变形和气泡压力分布的参数研究中进行了训练.
• 预测的压力分布被应用于一个包含FSI的有限元眼睛模型.

主要成果:

• 机器学习算法准确地预测了依赖时间的气泡压力分布 (MAE:0.0258,RMSE:0.0673).
• 计算时间从28小时大大减少到12分钟 (减少了99.2%).
• 该模型产生了考虑到FSI的角膜变形,使得可以提取响应参数以改进IOP和SSI算法.

结论:

• 精确估计气泡压力分布对于精确的IOP测量和角膜疾病检测至关重要.
• 开发的ML算法保留了基于CFD的FSI模型的准确性,同时显著降低了计算成本.
• 这一进步为IOP和SSI提供了更准确的参数方程,有利于临床实践和研究.