基于机器学习的快速预测个性化外周动脉支架的扭曲性能

科学领域:

• 生物医学工程 生物医学工程
• 材料科学 材料科学 材料科学
• 计算力学 计算力学 计算力学

背景情况:

• 支架骨折是支架内静止症的危险因素,与复杂的动脉环境中的扭转性能差有关.
• 传统的有限元法 (FEM) 对支架扭矩行为的模拟是耗时的,阻碍了快速,个性化的支架设计.

研究的目的:

• 建立基于机器学习 (ML) 的方法,以快速预测个性化的外周动脉支架中的扭曲性能.
• 为了比较多项回归 (PR),随机森林回归 (RFR) 和支向量回归 (SVR) 的有效性,用于预测支架扭曲度量 (TM).

主要方法:

• 使用拉丁式超立方采样 (LHS) 和FEM生成了200个支架设计的数据集,以支架长度,支架宽度,链接宽度和支架厚度作为输入变量.
• 在这个数据集上训练和测试了ML模型 (PR,RFR,SVR),然后在整个数据集上重新学习和验证一个独立的数据集.
• 使用平均绝对误差 (MAE) 和确定系数 (R2) 评估预测性能.

主要成果:

• 算法的预测性能排名是PR>SVR>RFR.
• 在验证组中,PR模型实现了高精度,MAE为0.04311和R2为0.94397.
• 开发的ML方法显著减少了支架设计周期时间.

结论:

• 机器学习,特别是多项式回归,为快速预测支架扭矩性能提供了有效的解决方案.
• 这种方法支持个性化支架设计,并且可以扩展到预测其他机械性质以实现多目标优化.