人工智能辅助的多尺度肺模型预测气膜隔膜壁应力
Sunder Neelakantan1, Mostafa K Ismail2, Nikhil Kadivar3
1Department of Biomedical Engineering, Texas A&M University, College Station, TX, USA.
Acta biomaterialia
|November 29, 2025
概括
这项研究引入了一种机器学习方法来估计肺组织压力,有助于早期诊断辐射诱导肺损伤 (RILI) 和纤维化. 该方法通过使用合成数据提高了准确性,揭示了表明肺损伤的生物力学变化.
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
- 肺部医学 肺部医学
背景情况:
- 像辐射引起的肺损伤 (RILI) 这样的肺损伤会导致通风问题和功能减弱.
- 推动肺损伤进展的生物力学因素尚未得到充分理解.
研究的目的:
- 开发一种基于机器学习的方法,用于估计in-vivo气膜隔膜壁应力.
- 了解帕伦基马生物力学在肺损伤发病和进展中的作用.
主要方法:
- 从X射线显微断层学中重建的肺组织元素.
- 使用生成对抗网络 (GAN) 创建合成组织数据.
- 在真实和合成数据上使用有限元模拟训练了一个人工神经网络 (ANN).
主要成果:
- 通过合成数据,ANN准确性从61.6%提高到84.0%.
- 在动物模型中观察到辐射后3个月减少压力 (肺炎) 和5个月增加压力 (纤维化).
- 检测到压力异质性,表明5个月后的体积损伤.
结论:
- 区域生物力学标记可以帮助早期诊断亚临床肺损伤.
- 在RILI动物模型中,ML方法准确地捕捉了肺炎和纤维化.
- 这种方法提供了关于肺损伤进展的见解,而全球措施却忽略了这一点.
