基于PINNs的稀疏生物数据的自体细胞治疗 bladder cancer 模型
机器学习
2025-10-16 v1 细胞行为
种群与进化
摘要
物理信息神经网络（PINNs）是将由微分方程建模的 dynamical system 规律嵌入其损失函数作为约束的神经网络。在本工作中，我们提出了一个应用于肿瘤学的PINN框架。我们旨在学习肿瘤微环境中联合治疗的时变相互作用。在肿瘤学中，实验数据常常稀疏且仅包含肿瘤体积的几个时间点。通过嵌入来自先验dynamical system信息所导出的归纳偏见，我们扩展了物理信息神经网络（PINN），并将观察到的生物约束作为正则化代理纳入其中。修改后的PINN算法能够自我引导至合理解，并仅通过少量训练示例即可实现良好泛化。我们通过学习在ODE模型中施加间歇性治疗的动力学，展示了该方法的价值。该算法求解ODE方程并获得其模型参数的时变形式。我们使用均方误差（MSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）等指标展示了强收敛性。
引用
@article{arxiv.2510.13431,
title = {Modeling Adoptive Cell Therapy in Bladder Cancer from Sparse Biological Data using PINNs},
author = {Kayode Olumoyin and Katarzyna Rejniak},
journal= {arXiv preprint arXiv:2510.13431},
year = {2025}
}