使用机器学习的患者特异性气泡诱导负载
Nada A Desouky1, Mahmoud M Saafan2, Mohamed H Mansour1
1Mechanical Power Engineering Department, Faculty of Engineering, Mansoura University, Mansoura, Egypt.
Frontiers in bioengineering and biotechnology
|November 29, 2023
概括
本研究引入了一种机器学习算法,用于准确预测眼内压力 (IOP) 测量的气泡压力分布. 该方法显著减少了计算时间,提高了角膜疾病的诊断准确度.
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.
