Med-Real2Sim：基于物理信息自监督学习的非侵入式医疗数字孪生
机器学习
2024-11-04 v3 定量方法
摘要
数字孪生是现实世界物理现象的虚拟副本，利用数学建模来表征和模拟其定义特征。通过构建疾病过程的数字孪生，我们可以在虚拟环境中进行硅基模拟，模仿患者的健康状况以及在假设干预下的反事实结果。这消除了对侵入性程序或不确定的治疗决策的需求。在本文中，我们提出了一种仅使用非侵入式患者健康数据来识别数字孪生模型参数的方法。我们将数字孪生建模视为一个复合逆问题，并观察到其结构类似于自监督学习 (SSL) 中的预训练和微调。利用这一点，我们引入了一种物理信息 SSL 算法，该算法首先在预文本任务上预训练神经网络，以学习生理过程的可微分模拟器。随后，模型被训练以从非侵入式模态重建生理测量值，同时受到预训练中学习的物理方程的约束。我们将该方法应用于利用非侵入式超声心动图视频识别心脏血流动力学的数字孪生，并展示了其在无监督疾病检测和硅基临床试验中的效用。
引用
@article{arxiv.2403.00177,
title = {Med-Real2Sim: Non-Invasive Medical Digital Twins using Physics-Informed Self-Supervised Learning},
author = {Keying Kuang and Frances Dean and Jack B. Jedlicki and David Ouyang and Anthony Philippakis and David Sontag and Ahmed M. Alaa},
journal= {arXiv preprint arXiv:2403.00177},
year = {2024}
}