机器学习技术的评估,用于实时预测植入下肢机制
Chase Maag1, Clare K Fitzpatrick2, Paul J Rullkoetter3
1DePuy Synthes, Warsaw, IN, United States.
Frontiers in bioengineering and biotechnology
|January 30, 2025
概括
机器学习模型,特别是双向长期短期记忆 (biLSTM),在全膝关节置换 (TKR) 期间准确预测膝盖生物力学. 这使得更快,实时的手术洞察力能够改善患者的治疗结果.
科学领域:
- 生物医学工程 生物医学工程
- 整形外科手术 整形外科手术
- 机器学习 机器学习
背景情况:
- 准确预测膝盖生物力学对于成功的全膝关节置换 (TKR) 结果至关重要.
- 目前的方法可能缺乏实时手术指导所需的速度和精度.
研究的目的:
- 研究机器学习 (ML) 技术在TKR期间实时预测膝关节力学方面的有效性.
- 将各种ML算法的性能与传统生物机械模型进行比较.
主要方法:
- 一个经过验证的有限元 (FE) 模型生成了下肢生物力学数据.
- 训练有素的预测模型包括线性回归 (LRM),多层感知子 (MLP),双向长期短期记忆 (biLSTM),卷积神经网络 (CNN) 和变压器.
- 使用规范化根平均平方误差 (nRMSE) 评估模型性能.
主要成果:
- 与其他ML模型相比,biLSTM模型表现出卓越的准确性,nRMSE显著降低.
- 预测模型比传统的FE或刚性身体动力学模型提供了更快的计算速度.
- 开发的模型是紧的,适合在操作室使用的边缘设备上部署.
结论:
- 使用biLSTM模型的实时生物机械预测可以在TKR期间为外科医生提供宝贵的手术内反.
- 这项技术有可能用于使用患者特定数据进行植入物对齐和手术内调整的术前规划.
