机械生物学引导的机器学习模型用于预测跨多种场景的长骨折愈合
Ahmad Hedayatzadeh Razavi1, Mohammad Hemmati2, Nazanin Nafisi1
1Musculoskeletal Translational Innovation Initiative, Beth Israel Deaconess Medical Center, Harvard Medical School, Boston, MA, USA; Department of Mechanical Engineering, Boston University, Boston, MA, USA.
Computers in biology and medicine
|July 8, 2025
概括
一个机器学习 (ML) 框架快速预测骨折愈合结果,为有限元素 (FE) 建模提供了一个计算效率高的替代方案. 长期短期记忆 (LSTM) 模型通过分析关键的生物和机械因素,准确地预测愈合.
科学领域:
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
- 整形外科的研究研究.
背景情况:
- 骨折愈合是一个复杂的过程,受到生物和机械因素的影响.
- 有限元 (FE) 建模提供了洞察力,但在计算上昂贵.
- 开发了一个机器学习 (ML) 框架,作为模拟骨折愈合的更快替代方案.
研究的目的:
- 开发和验证一个快速的ML框架来预测骨折愈合.
- 将各种ML算法的性能与FE模型进行比较.
- 为骨科研究和临床应用提供一个计算高效的工具.
主要方法:
- 在648个模拟的治疗轨迹上训练并比较了7个ML算法 (SVR,RF,XGBoost,MLP,CNN,RNN,LSTM).
- 使用贝叶斯搜索和验证模型性能优化的超参数.
- 评估了概括性,稳定性和外推能力,使用SHAP分析进行解释.
主要成果:
- 该LSTM模型显著优于其他算法,预测误差降低了高达98%.
- SHAP分析确定了影响愈合的关键因素,例如螺丝号和加载条件.
- 机器学习模型表现出稳健性,良好的概括性和准确的短期预测.
结论:
- 开发了一种计算效率高且可解释的ML增强替代模型,用于骨折愈合.
- 该框架保持了机械的忠实性,同时提供了几乎即时的预测.
- 这种方法支持骨科研究,植入物设计和个性化骨折管理中的实时决策.
