在有限的临床培训数据制度下,ML-ROM在患者特异性血管病理中的壁切应力预测

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.
• 医疗成像医学成像

背景情况:

• 高保真计算流体动力学 (CFD) 模拟为血管状况提供了有价值的见解,但在计算上昂贵.
• 数据驱动的方法,如减少顺序建模 (ROM) 和机器学习 (ML) 正在成为生物力学研究的有效替代品.
• 预测患者特异性血管病理中的血液动力学特性需要先进的,但在计算上可行的分析工具.

研究的目的:

• 开发和评估一种综合方法,将基于正确直角分解 (POD) 的ROM与基于神经网络的ML模型相结合.
• 在患者特定的血管病理中预测壁切应力 (WSS),特别是外周动脉疾病 (PAD) 和大动脉剖析 (AD).
• 与传统的CFD方法相比,评估集成ROM-ML模型的计算效率和预测准确度.

主要方法:

• 使用计算流体动力学 (CFD) 为患者特定的血管模型生成墙面剪切应力 (WSS) 数据.
• 从CFD生成的数据中使用正确直角分解 (POD) 构建了一个减少订单模型 (ROM).
• 训练基于神经网络的机器学习 (ML) 模型,从输入流速波形中预测ROM系数,探索映射和自回归模型.

主要成果:

• 集成的ROM-ML模型在周围动脉疾病 (PAD) 和大动脉剖析 (AD) 病例中成功预测了血液动力学指数,即使训练数据有限.
• 在这两种案例研究中,流速系数映射模型在自动回归模型上都表现出优越的性能.
• 计算成本大大降低,加速度比率大约为10^4,使得血液动力学评估得以迅速完成.

结论:

• 基于POD的ROM和ML的集成提供了一个计算效率高和可靠的方法来评估血管病理中的血液动力学特性.
• 这种方法对临床翻译具有前景,促进PAD和AD等疾病的更快,更容易获得的分析.
• 该研究强调了数据驱动技术在生物力学研究中克服传统CFD计算局限性的潜力.