相关实验视频
Updated: Jan 10, 2026
07:48
An Orthotopic Bladder Cancer Model for Gene Delivery Studies
Published on: December 1, 2013
13.0K
在膀癌中采用细胞疗法的建模,使用PINNs从稀缺的生物数据中使用PINNs
Kayode Olumoyin1, Katarzyna Rejniak2
1H. Lee Moffitt Cancer Center and Research Institute, Integrated Mathematical Oncology Department, Tampa, FL kayode.
ArXiv
|November 24, 2025
概括
基于物理学的神经网络 (PINNs) 有效地模拟了癌症治疗动态. 这种方法使用生物约束来学习复杂的瘤相互作用,即使数据有限.
科学领域:
- 计算瘤学是一种计算瘤学.
- 生物医学建模模型
- 机器学习在医学中的应用
背景情况:
- 基于物理学的神经网络 (PINNs) 将微分方程集成到神经网络损失函数中.
- 瘤学研究往往面临着稀疏的实验数据,特别是随着时间的推移瘤体积.
- 了解瘤微环境中的时间变化的相互作用对于组合治疗的有效性至关重要.
研究的目的:
- 适应和应用物理信息神经网络 (PINN) 框架到瘤学.
- 在组合疗法期间学习瘤微环境中的时间变化的相互作用.
- 通过使用先前信息和约束来增强PINN处理稀疏生物数据的能力.
主要方法:
- 通过结合来自动态系统的感应偏差,扩展了PINN框架.
- 在修改后的PINN算法中,利用观察到的生物约束作为规范化剂.
- 将算法应用于模拟间歇性组合疗法的普通微分方程 (ODE) 模型.
主要成果:
- 修改后的PINN算法成功地学习了间歇性组合疗法的动态.
- 这种方法为ODE模型提供了准确的解决方案.
- 成功确定了ODE模型参数的时间变化的形式.
- 使用平均平方误差 (MSE),平均绝对误差 (MAE) 和平均绝对百分比误差 (MAPE) 证明了强烈的趋同.
结论:
- 调整后的PINN框架在从稀疏的数据中学习复杂的生物动态方面表现强.
- 结合先前的知识和生物约束,可以显著提高PINN的概括性和瘤学解决方案的准确性.
- 这种方法为建模癌症治疗反应和发现潜在机制提供了强大的工具.
