实施机器学习方法,以加速预测关节囊中的骨应变
Gowtham Nimmal Haribabu1, Bikramjit Basu1
1Laboratory for Biomaterials Science and Translational Research, Materials Research Centre, Indian Institute of Science, Bangalore, 560012, India.
概括
机器学习模型准确地预测关节乙体中的骨应变,为传统的有限元素分析 (FEA) 提供了更快的替代方案. 这种人工智能方法加速了植入物生物力学研究.
科学领域:
- 生物力学和生物材料
- 计算机建模和模拟
- 医疗保健中的人工智能
背景情况:
- 有限元分析 (FEA) 是肌肉骨植入物设计的标准,但在计算上是密集的.
- 人工智能在生物力学中的应用,特别是用于预测骨骨压力,尚未得到充分探索.
- 需要加速预测方法来克服FEA在植入物开发中的局限性.
研究的目的:
- 评价机器学习 (ML) 模型,以加速预测人类关节囊中的生物机械反应.
- 为了将ML模型的性能与高准确度的FEA数据进行比较,用于在步行过程中预测骨压力.
- 为了确定影响骨骨压力的关键参数,并评估ML作为FEA替代品的潜力.
主要方法:
- 使用FEA生成了10,752个数据集,其中26个参数的变化,包括受试者的体重,骨外设计,骨状况和步行阶段.
- 使用超参数调,K折交叉验证和统计学习方法训练了多个ML模型.
- 评估了使用三种乙烯基体内材料的生物力学反应:HDPE-20% HA-20% Al2O3,HC-UHMWPE和ZTA.
主要成果:
- 骨状况是一个统计学上显著的因素,影响围围假肢骨,比受试者的体重更重要.
- 随机森林ML模型在训练/测试数据集上实现了卓越的性能,R2值为0.99/0.97和RMSE为0.02/0.01.
- 机器学习模型在不到一分钟的时间内提供了准确的预测,比传统的FEA模拟快得多.
结论:
- 在FEA数据上训练的ML模型可以作为植入物设计中复杂的生物力学分析的快速和准确替代品.
- 这种方法显著减少了模拟时间,使关节植入物研究中的代和优化速度更快.
- 该研究强调了人工智能通过提供高效的预测工具来彻底改变植入物生物力学的潜力.
