基于神经网络与通用ODE的腫瘤生長預測
机器学习
2025-12-01 v1 人工智能
摘要
预测腫瘤生長對優化治療至關重要。經典的生長模型，如Gompertz方程和Bertalanffy方程，能捕捉一般的腫瘤動力學，但可能無法適應患者特有的變異性，特別是在數據有限的情況下。本研究利用神經常數微分方程（Neural ODEs）和通用微分方程（Universal Differential Equations, UDEs），兩者都是科學機器學習（SciML）的基石，來構構能從實驗數據中學習的自適應腫瘤生長模型。我們以Gompertz模型作為基線，將僵性術語替換為具備適應性的神經網絡，以從健壯的建模中捕捉隱藏的動力學。我們使用Julia編程語言進行建模。我們利用這些模型在數據受限情況下進行預測，並進行符號恢復將所學習的動力學轉換為明確的數學表達式。我們的方法有望提高預測準確度，為動態且有效的治療策略提供指導，以改善臨床結果。
引用
@article{arxiv.2511.22292,
title = {Adaptive tumor growth forecasting via neural & universal ODEs},
author = {Kavya Subramanian and Prathamesh Dinesh Joshi and Raj Abhijit Dandekar and Rajat Dandekar and Sreedath Panat},
journal= {arXiv preprint arXiv:2511.22292},
year = {2025}
}
备注
Accepted at JuliaCon 2025 conference