智能集体学习增强的有限元建模用于癌症治疗中的精密热剥离

科学领域:

• 在瘤学中的计算建模.
• 最少侵入性的热疗法.
• 生物医学工程应用程序

背景情况:

• 微波除 (MWA) 是肝脏瘤的关键最小侵入性治疗方法.
• 由于组织的变化和复杂的热力学,准确预测MWA废弃区具有挑战性.
• 目前的方法难以准确预测废除结果.

研究的目的:

• 开发一个混合计算框架,集成有限元建模 (FEM) 和监督机器学习 (ML).
• 为了提高预测和优化MWA诱导的组织剥离区域.
• 提高准确性,减少对治疗计划的代实验室实验的依赖.

主要方法:

• 在不同的功率和持续时间设置下进行了ex vivo猪肝实验.
• 使用FEM来模拟合的电磁和热过程.
• 在FEM数据上训练了一种随机森林回归模型,以优化天线放置和预测切除几何.

主要成果:

• 集成的FEM-ML框架准确地预测了切除尺寸,与实验数据保持一致.
• 优化的天线位置改善了温度预测,使得病变大小,形状和体积的精确估计成为可能.
• 该方法促进了快速,针对患者的治疗规划,并最大限度地减少了附带组织损伤.

结论:

• 将FEM模拟与监督学习相结合,为精确的MWA提供了可扩展,数据驱动的方法.
• 这一框架提高了预测可靠性,并加快了热疗法治疗规划.
• 该方法有可能在最小侵入性瘤干预中改善临床结果.