从模拟到推理:使用机器学习调整患者特定的中耳有限元模型,以实现客观诊断
Hamid Motallebzadeh1,2, Michael Deistler3,4, Florian M Schönleitner5
1Department of Communication Sciences and Disorders, California State University, Sacramento, CA, USA.
bioRxiv : the preprint server for biology
|October 28, 2024
概括
我们使用基于模拟的推理 (SBI) 来高效调整复杂的计算模型,比如人类中耳. 该方法客观地识别了所有有效的参数集,提高了准确性,并使听力损失的差异诊断成为可能.
科学领域:
- 计算生物学是一种计算生物学.
- 生物物理学的生物物理.
- 医学成像和建模 医学成像和建模
背景情况:
- 有限元 (FE) 模型对于解释实验数据至关重要,但由于许多参数,它们的调整具有挑战性.
- 传统的灵敏度分析是耗时的,主观的,并且经常产生单个参数集,无法捕捉数据变化.
研究的目的:
- 应用基于模拟的推断 (SBI) 与神经后部估计 (NPE) 来调整人类中耳FE模型.
- 在复杂的生物模型中开发一个客观有效的参数估计方法.
主要方法:
- 在10,000个FE模拟中耳功能 (步骤速度,EC输入阻抗,吸收) 上训练了一个神经网络,随机采样参数.
- 利用神经后部估计 (NPE) 学习模型参数和模拟结果之间的关系.
主要成果:
- 成功识别了重现多个实验数据集同时的参数集.
- 生成参数的概率分布,表示所有符合数据的有效组合,并考虑噪声和变化.
- 通过大量数据集证明了神经网络对噪声的强度和高效的学习.
结论:
- SBI为调整生物 FE 模型提供了传统灵敏度分析的客观,高效的替代方案.
- 该方法揭示了参数相互作用,并提供了概率分布,这对于理解模型行为至关重要.
- 这种方法有望通过揭示中耳机械性质,为传导性听力损失的客观差异诊断提供希望.
