基于潜神经常微分方程的实时全心电机械耦合仿真
数值分析
2023-06-09 v1 机器学习
数值分析
摘要
心脏数字孪生提供了一个由物理和生理学驱动的框架，以交付预测性与个性化医疗。然而，高保真多尺度心脏模型因其巨大的计算成本以及患者特异性个性化所需的大量模型评估而仍是推广应用的障碍。基于人工智能的方法可以使快速且准确的全心数字孪生的构建变得可行。在本工作中，我们使用潜神经常微分方程(LNODEs)来学习一名心力衰竭患者的时间压力-容积动力学。我们基于LNODEs的替代模型从400次3D-0D全心闭环电机械耦合仿真中训练得到，同时考虑了43个模型参数，描述了从单细胞到全器官及心血管血流动力学。训练后的LNODEs通过一个保留每层13个神经元、3个隐藏层的前馈全连接人工神经网络，在潜空间中提供3D-0D模型的紧凑且高效的表示，并允许在标准笔记本电脑的单处理器上进行300倍实时的心脏功能数值仿真。该替代模型被用于执行全局敏感性分析和带不确定性量化的鲁棒参数估计，在单处理器上耗时3小时。我们匹配了LNODEs在训练阶段未见过压力和容积时间轨迹，并校准了4至11个模型参数，同时提供了它们的后验分布。本文介绍了文献中可用的最先进的心脏功能替代模型，并为心脏数字孪生中的参数校准开辟了新的重要途径。
引用
@article{arxiv.2306.05321,
title = {Real-time whole-heart electromechanical simulations using Latent Neural Ordinary Differential Equations},
author = {Matteo Salvador and Marina Strocchi and Francesco Regazzoni and Luca Dede' and Steven Niederer and Alfio Quarteroni},
journal= {arXiv preprint arXiv:2306.05321},
year = {2023}
}