基于机器学习的单频粘弹性大脑白质的预测 - 数据科学框架
M Agarwal1, Assimina A Pelegri1
1Mechanical and Aerospace Engineering, Rutgers University-New Brunswick, Piscataway, NJ, 08854, USA; Advanced Materials & Structures Laboratory, Rutgers University-New Brunswick, Piscataway, NJ, 08854, USA.
Computers in biology and medicine
|October 5, 2025
概括
机器学习模型现在可以预测大脑白质的机械性质,为传统成像和复杂模拟提供更快,更便宜的替代方案. 这种方法使用微观结构特征进行准确的预测,帮助研究大脑疾病.
科学领域:
- 神经科学是一个神经科学.
- 生物物理学的生物物理.
- 计算生物学 计算生物学
背景情况:
- 在体内磁共振弹性成像 (MRE) 和扩散张力成像 (DTI) 对于大脑白质量 (BWM) 的表征是昂贵且耗时的.
- 现有的数值建模方法,如有限元模型 (FEMs),对复杂的大脑组织行为的准确性和计算资源有局限性.
研究的目的:
- 开发一个具有成本效益的机器学习 (ML) 工作流程,用于预测BWM的同质化粘弹性特性.
- 使用FEM衍生数据创建替代模型,以克服实验数据的稀缺性.
主要方法:
- 一个模拟切割应力下的BWM的三相2D复合模型被用于生成合成FEM数据集.
- 机器学习回归模型使用微结构特征 (纤维体积分数,模块,轴突几何) 进行训练.
- 使用特征选择和超参数优化来提高预测准确性,基于决策树的模型显示出卓越的性能.
主要成果:
- 机器学习模型成功预测了BWM的依赖频率的机械响应.
- SHAP解释确定了质模块和纤维体积分数作为机械性质的关键预测因素.
- 基于决策树的ML模型在预测粘弹性特性方面表现出高准确度.
结论:
- 拟议的ML框架为BWM表征提供了一个计算效率高和成本效益高的替代体内MRE/DTI和直接FEM模拟的BWM表征.
- 这种方法为未来的ML驱动的反向模型奠定了基础,将大脑组织成分与神经成像特征联系起来.
- 潜在的应用包括对神经退行性疾病 (如衰老,痴呆和创伤性脑损伤) 的研究提供信息.
