全心电机械模拟使用隐藏神经常规微分方程
Matteo Salvador1,2,3, Marina Strocchi4,5, Francesco Regazzoni6
1Institute for Computational and Mathematical Engineering, Stanford University, California, CA, USA. msalvad@stanford.edu.
NPJ digital medicine
|April 11, 2024
概括
人工智能,使用隐藏的神经普通微分方程 (LNODEs),创建快速的心脏数字双胞胎. 这种方法显著降低了个性化心力衰竭医学的计算成本.
科学领域:
- 计算生物学是一种计算生物学.
- 生物医学工程 生物医学工程
- 医学中的人工智能
背景情况:
- 高保真心脏数字双胞胎对于个性化医疗至关重要,但在计算上昂贵.
- 目前的多尺度心脏模型是广泛临床采用的障碍,原因是大量的计算需求.
研究的目的:
- 开发一种计算效率高的方法来创建精确的全心数字双胞胎.
- 为了实现更快的模拟,使用人工智能进行个性化心脏建模.
主要方法:
- 利用隐藏的神经常规微分方程 (LNODEs) 来建模心脏压力-体积动态.
- 通过400次模拟训练了一个代孕模型,结合了43个心脏电力学和血液动力学参数.
- 开发了一个紧的人工神经网络表示,每层有3个隐藏层和13个神经元.
主要成果:
- 实现了3D-0D心脏模型的紧隐藏空间表示.
- 在单个处理器上启用心脏功能的数值模拟,大大减少了计算时间.
- 在单个处理器上在3小时内成功执行了全局灵敏度分析和参数估计与不确定性量化.
结论:
- 潜在神经常规微分方程提供了一个可行的方法来创建快速而准确的心脏数字双胞胎.
- 这种人工智能驱动的方法克服了与传统高保真模型相关的计算障碍.
- 促进个性化医疗应用,包括对心力衰竭患者高效的参数估计和灵敏度分析.
