用于脑震荡中全脑形变实时估计的深度学习头部模型

目的：许多近期研究表明，头部撞击引起的脑形变与相应的临床结局（如轻度创伤性脑损伤（mTBI））相关。尽管已开发并验证了若干有限元（FE）头部模型，以基于撞击运动学计算脑形变，但这些 FE 头部模型的临床应用受限于 FE 仿真耗时的特性。本研究旨在加速脑形变计算流程，从而提升其临床应用潜力。方法：我们提出一种带有五层深度神经网络与特征工程的深度学习头部模型，并在合计 1803 次头部撞击（结合头部模型仿真与实地大学橄榄球、综合格斗撞击）的数据上训练并测试了该模型。结果：所提出的深度学习头部模型可在不到 0.001 秒内计算全脑每个单元的最大主应变（平均均方根误差为 0.025，在二十次随机数据划分与模型初始化的重复中标准差为 0.002）。研究了各类特征对该模型预测能力的贡献，注意到基于角加速度的特征比基于角速度的特征更具预测性。结论：经 1803 次头部撞击数据集训练，该模型可准确应用于各类运动的脑应变计算，并通过纳入其他类型头部撞击数据可进一步扩展其适用性。意义：除实时脑形变监测的潜在临床应用外，该模型将帮助研究者比使用 FE 模型更高效地估计大量头部撞击下的脑应变。