在软组织生物力学和生物材料中的机器学习技术的审查
Samir Donmazov1, Eda Nur Saruhan2, Kerem Pekkan3
1Department of Mathematics, University of Kentucky, Lexington, KY, 40506, USA.
Cardiovascular engineering and technology
|July 2, 2024
概括
机器学习 (ML) 模型为手术规划提供了软生物组织机制的准确和快速评估. 基于物理学的神经网络特别有效,即使使用有限的数据,也能达到高精度,为传统方法提供可靠的替代方案.
科学领域:
- 生物材料科学 生物材料科学
- 计算生物学 计算生物学
- 心血管工程 心血管工程
背景情况:
- 先进的材料模型对于血管手术和干预的术前规划至关重要.
- 像非线性优化和有限元模拟这样的传统方法在准确性和计算成本方面存在局限性.
- 机器学习 (ML) 技术正在成为软组织力学中的强大工具.
研究的目的:
- 审查和检查新兴的ML算法来估计软生物组织和生物材料的机械特性.
- 专注于心血管工程中的应用,分析诸如应力-应变曲线和压力-体积循环等属性.
- 讨论这些ML方法的基本数学基础.
主要方法:
- 汇编了主要研究小组在心血管软组织力学方面的最新研究.
- 在主要数据库 (ScienceDirect,Springer,PubMed,Google Scholar) 进行了系统的关键词搜索.
- 选择了11个相关的ML文章,重点是用于软组织修复和再生的生物材料,按ML技术和培训数据分类.
主要成果:
- 机器学习技术分为标准和基于物理的算法.
- 标准的ML模型包括监督 (SVM,BDT,ANN/DNN,CNN) 和无监督 (自动编码器) 的学习.
- 训练数据包括实验,合成和图像数据;以物理为基础的ML模型显示高性能 (R2 0.90-1.00).
结论:
- 机器学习模型为手术应用提供了软组织机制的准确,快速和可靠的评估.
- 基于物理学的神经网络擅长在有限的数据下预测机械反应.
- 该审查强调了软组织工程中的ML优势,局限性和未来前景.
