Real-time whole-heart electromechanical simulations using Latent Neural Ordinary Differential Equations

要約

心臓デジタルツインは、予測的で個別化された医療を提供するための物理学と生理学に基づいたフレームワークを提供します。
しかし、高忠実度のマルチスケール心臓モデルは、膨大な計算コストと、患者固有のパーソナライゼーションに必要な多数のモデル評価が必要となるため、依然として採用の障壁となっています。
人工知能ベースの方法により、高速かつ正確な全心臓デジタルツインの作成が実現可能になります。
この研究では、潜在神経常微分方程式 (LNODE) を使用して、心不全患者の時間的な圧力と体積のダイナミクスを学習します。
LNODE に基づく当社のサロゲート モデルは、400 の 3D-0D 全心臓閉ループ電気機械シミュレーションからトレーニングされ、43 のモデル パラメーターを考慮して、単一細胞から臓器全体および心臓血管の血行動態までを記述します。
トレーニングされた LNODE は、フィードフォワード完全接続人工ニューラル ネットワークによって、潜在空間での 3D-0D モデルのコンパクトで効率的な表現を提供します。この人工ニューラル ネットワークは、層ごとに 13 個のニューロンを持つ 3 つの隠れ層を保持し、300 回のリアルタイム数値シミュレーションを可能にします。
標準的なラップトップの単一プロセッサ上で心臓機能を実現します。
このサロゲート モデルは、単一プロセッサ上で 3 時間の計算でグローバル感度分析と不確実性の定量化を伴う堅牢なパラメータ推定を実行するために使用されます。
トレーニング段階では LNODE では見えない圧力と体積の時間トレースを照合し、4 ～ 11 個のモデル パラメーターを校正しながら、それらの事後分布も提供します。
この論文は、文献で入手可能な心臓機能の最も先進的な代理モデルを紹介し、心臓デジタルツインのパラメーター校正のための新しい重要な場を開きます。

要約(オリジナル)

Cardiac digital twins provide a physics and physiology informed framework to deliver predictive and personalized medicine. However, high-fidelity multi-scale cardiac models remain a barrier to adoption due to their extensive computational costs and the high number of model evaluations needed for patient-specific personalization. Artificial Intelligence-based methods can make the creation of fast and accurate whole-heart digital twins feasible. In this work, we use Latent Neural Ordinary Differential Equations (LNODEs) to learn the temporal pressure-volume dynamics of a heart failure patient. Our surrogate model based on LNODEs is trained from 400 3D-0D whole-heart closed-loop electromechanical simulations while accounting for 43 model parameters, describing single cell through to whole organ and cardiovascular hemodynamics. The trained LNODEs provides a compact and efficient representation of the 3D-0D model in a latent space by means of a feedforward fully-connected Artificial Neural Network that retains 3 hidden layers with 13 neurons per layer and allows for 300x real-time numerical simulations of the cardiac function on a single processor of a standard laptop. This surrogate model is employed to perform global sensitivity analysis and robust parameter estimation with uncertainty quantification in 3 hours of computations, still on a single processor. We match pressure and volume time traces unseen by the LNODEs during the training phase and we calibrate 4 to 11 model parameters while also providing their posterior distribution. This paper introduces the most advanced surrogate model of cardiac function available in the literature and opens new important venues for parameter calibration in cardiac digital twins.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google