快速估计左心室收缩率,使用基于物理学的神经网络反向建模方法
Ehsan Naghavi1, Haifeng Wang1, Lei Fan2
1Department of Mechanical Engineering, Michigan State University, East Lansing, MI, United States of America.
Artificial intelligence in medicine
|October 23, 2024
概括
一个新的物理信息神经网络 (PINN) 模型从血液循环数据快速估计心脏功能. 这种人工智能方法准确地预测左心室 (LV) 收缩性,提供潜在的临床应用.
科学领域:
- 计算生理学计算生理学
- 医学中的人工智能
- 心血管模型的建模.
背景情况:
- 传统的基于物理的血液循环模型是计算密集的,限制了临床使用.
- 快速预测心脏功能对于及时诊断和治疗至关重要.
研究的目的:
- 开发一个快速而准确的物理信息神经网络 (PINN) 模型用于心血管系统分析.
- 为了快速估计左心室 (LV) 收缩率,使用逆向建模.
主要方法:
- 一个PINN模型被训练来解决一个封闭循环血液循环系统的普通微分方程 (ODEs).
- 使用PINN实现了反向建模方法,用于从单击LV压力和体积数据中进行参数估计.
- 模型性能与数值ODE解决方案和合成数据进行了验证.
主要成果:
- PINN模型的预测准确度在数字ODE解决方案的5%以内.
- 反向建模方法快速估计了LV收缩性 (Ees),从单击数据中得到1%的误差.
- 估计的EES在多布胺时显著增加,表明对收缩性变化的敏感性.
结论:
- PINN反向建模提供了一种快速而准确的方法,用于从单拍测量中估计LV收缩性.
- 这种方法在评估心脏功能方面具有临床应用的潜力.
- 该方法可以同时估计多个生理参数,提高诊断能力.
