一个基于物理的深度学习框架,用于模拟冠状动脉静脉静脉静脉静脉静脉静脉静脉静脉静脉静脉静脉静脉静脉
Jianye Shi1, Kiran Manjunatha2, Marek Behr3
1Institute of Applied Mechanics, RWTH Aachen University, Aachen, Germany. jianye.shi@ifam.rwth-aachen.de.
Biomechanics and modeling in mechanobiology
|January 18, 2024
概括
基于物理学的神经网络 (PINNs) 提供了一种新的方法来预测静脉静脉复缩 (ISR) 的进化. 这种深度学习模型整合了生物数据和物理规律,以改善心血管手术的结果.
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
- 心血管研究研究心血管研究
背景情况:
- 机器学习 (ML) 在心血管外科手术中显示出前景,但由于数据限制和测量可变性,它在内置静脉复缩 (ISR) 预测方面存在困难.
- 准确的新极端增生症建模对于理解和预测ISR至关重要.
- 现有的ML模型缺乏充分捕捉驱动ISR的复杂生物机制的能力.
研究的目的:
- 开发一个强大的多物理替代模型,用于使用物理知情深度学习 (DL) 估计静脉静脉缩 (ISR).
- 纳入生物约束和药物化效应,以提高预测准确度.
- 提供对ISR进展因素的见解,并协助诊断和治疗规划.
主要方法:
- 利用物理信息的神经网络 (PINNs),一种DL方法,将物理定律与数据整合起来.
- 开发了一套合的向导-反应-扩散部分微分方程 (PDEs) 来建模ISR因子 (例如PDGF,TGF-β,ECM,SMC密度,药物度).
- 在PINN模型中整合了患者特定的数据 (程序,临床,遗传).
主要成果:
- PINN模型有效地追踪了影响ISR的关键因素的演变.
- 该模型通过结合生物和物理约束来证明提高预测准确性的潜力.
- 患者特定数据集成可以提高模型性能,并有助于降低风险.
结论:
- 基于物理的DL提供了一个强大的框架来建模复杂的生物过程,如ISR.
- 开发的多物理替代模型提升了ISR的预测能力.
- 这种方法在心血管外科手术中具有个性化风险评估和优化治疗计划的潜力.
