异质机械生物学损伤致主动脉瘤的神经算子学习

胸主动脉瘤(TAA)是由管壁成分、结构与功能受损引起的主动脉局部扩张，可导致危及生命的夹层或破裂。已有研究在小鼠模型中探讨多种导致TAA的基因突变与易感因素，以表征由广泛机械生物学损伤引起的主动脉微结构与材料特性的具体改变。体内TAA进展评估主要局限于动脉瘤尺寸与生长率的测量。研究表明，仅为主动脉几何形态不足以预测患者特异性的TAA进展，而对主动脉演化生物力学的计算建模可根据初始损伤预测未来几何与特性。本工作中，我们提出一个集成框架，训练基于深度算子网络(DeepONet)的代理模型，利用由给定损伤产生的主动脉生长与重塑有限元数据集，识别TAA的致病因素。作为训练数据，我们在约束混合物模型中研究多种TAA风险因素及其空间分布，生成主动脉扩张与可扩张性的轴向--方位角映射。训练后的网络能够从给定的一组扩张与可扩张性信息预测损伤的初分布与范围。我们提出两种DeepONet框架，一种基于稀疏信息训练，一种基于全视野灰度图像训练，以探究优选的神经算子方法。代理模型性能通过多种模拟评估，所用损伤分布从梭形到复杂不等。我们表明，所提方法能以高准确度预测患者特异性的机械生物学损伤剖面，尤其在基于全视野图像时。