基于力学信息机器学习的食管虚拟疾病图谱

食管疾病的发病机制与食管壁力学相关。因此，为了理解各种食管疾病背后的基本机制，将基于食管壁力学的参数映射到对应于食团传输改变和超生理IBP的生理和病理生理状态至关重要。在这项工作中，我们提出了一个结合流体力学和机器学习的混合框架，以识别各种食管疾病的潜在物理机制，并将它们映射到一个参数空间，我们称之为虚拟疾病图谱（VDL）。一维反演模型处理来自称为内镜下功能性管腔成像探头（EndoFLIP）的食管诊断设备的输出，通过预测一组基于力学的参数（如食管壁刚度、肌肉收缩模式和食管壁主动松弛）来估计食管的力学“健康”状态。这些基于力学的参数随后被用于训练一个神经网络，该网络由一个生成潜空间的自变分自编码器（VAE）和一个预测力学功度量以估计食管胃交界部运动功能的侧网络组成。潜向量与一组离散的基于力学的参数共同定义了VDL，并形成对应于各种食管疾病的聚类。VDL不仅能区分不同疾病，还可用于预测疾病随时间的进展。最后，我们还展示了该框架在评估治疗效果和跟踪患者治疗后状况方面的临床适用性。