预测毛细血管网络血动力学 in silico通过机器学习
Saman Ebrahimi1, Prosenjit Bagchi1
1Mechanical and Aerospace Engineering Department, Rutgers, The State University of New Jersey, Piscataway, NJ 08854, USA.
PNAS nexus
|May 10, 2024
概括
机器学习模型准确地预测了微循环中的血液流动和红细胞分布. 这一突破使大血管网络中的详细血液动力学分析成为可能,克服了计算的局限性.
科学领域:
- 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.
- 生理学 生理学 生理学
背景情况:
- 微循环血流是复杂的,偏离了简单的模型.
- 目前的成像缺乏对生理分析至关重要的3D速度和RBC度数据.
- 现有的计算模型对于大规模的微血管网络来说过于资源密集.
研究的目的:
- 开发机器学习模型,用于准确的3D血流和红细胞度分析.
- 预测关键的血液动力学变量,如壁切应力 (WSS) 和无细胞层 (CFL).
- 在微血管网络中实现大规模的器官级血液动力学分析.
主要方法:
- 利用人工神经网络和U-net架构.
- 在高保真计算流体动力学数据上训练模型.
- 根据已确定的计算结果验证的ML模型预测.
主要成果:
- 实现了高度准确的3D血液速度和红细胞度概况.
- 成功预测了WSS和CFL,与真实数据的良好一致.
- 与传统方法相比,计算时间减少了几个数量级.
结论:
- 机器学习为详细的微血管分析提供了一个计算效率高的替代方案.
- 这种方法使得以前无法实现的器官规模血液动力学预测成为可能.
- 开发的ML模型对于推进血液流量调节和疾病研究至关重要.
