用机器学习方法开发患者特异的表面血液粘度预测模型,用于用机器学习方法对内动脉瘤进行计算流体动力学分析
Takashi Suzuki1, Hiroyuki Takao2, Tomoaki Suzuki3
1Department of Neurosurgery, The Jikei University School of Medicine, 3-25-8 Nishi-shinbashi, Minato-ku, Tokyo 105-8461, Japan; Division of Innovation for Medical Information Technology, The Jikei University School of Medicine, 3-25-8 Nishi-shinbashi, Minato-ku, Tokyo 105-8461, Japan; NEC Solution Innovators, Ltd., 1-18-7 Shinkiba, Koto-ku, Tokyo 136-8627, Japan.
Computer methods and programs in biomedicine
|May 13, 2025
概括
这项研究开发了一种机器学习模型,使用临床血液测试结果预测患者特异性的血粘度. 该模型准确预测粘度,帮助计算流体动力学 (CFD) 分析内动脉瘤.
科学领域:
- 生物医学工程 生物医学工程
- 计算流体动力学的流体动力学.
- 医疗信息学 医疗信息学
背景情况:
- 计算流体动力学 (CFD) 分析对于研究内动脉瘤至关重要.
- 准确的患者特异性明显血粘度是CFD分析的关键计算条件.
- 现有的方法缺乏精确的患者特异性粘度预测从常规临床数据.
研究的目的:
- 开发一种针对患者特异性的血粘度预测模型.
- 用临床血液检测结果作为粘度预测的输入.
- 在内动脉瘤研究中提高CFD分析的准确性.
主要方法:
- 收集了15名内动脉瘤患者的数据,包括血液粘度,密度和临床血液测试.
- 开发了两种回归模型:一种灵活的模型 (剪切率+12个血液检测) 和一种简单的模型 (血).
- 使用 4:1 训练测试分割验证模型,并在CFD模拟中评估它们的性能,包括和没有线圈几何形状.
主要成果:
- 灵活模型实现了较低的根平均平方误差 (RMSE) 0.136 mPa·s,相比于简单模型的0.226 mPa·s.
- 使用预测粘度的CFD分析显示速度 (<0.01 m/s) 和壁切应力 (<0.21 Pa) 的误差最小.
- 机器学习模型成功地以高准确度预测了患者特定的明显血液粘度.
结论:
- 机器学习回归模型可以从剪切速率和血液检测结果准确地预测患者特定的明显血液粘度.
- 开发的模型提供了一种高精度的方法,用于预测个体患者的血液粘度.
- 这种预测能力可以显著改善对内动脉瘤的CFD分析.
