InVAErt networks for amortized inference and identifiability analysis of lumped parameter hemodynamic models

要約

電子健康記録 (EHR) から心臓血管モデルのパラメーターを推定することは、主に識別可能性の欠如により重大な課題を引き起こします。
構造的な非識別性は、パラメーター空間内の多様体が共通の出力にマッピングされるときに発生しますが、実際の非識別性は、限られたデータ、モデルの仕様の誤り、またはノイズの破損によって生じる可能性があります。
結果として生じる不正設定逆問題に対処するために、最適化ベースまたはベイズ推論アプローチでは通常、正則化が使用されるため、複数の解を発見する可能性が制限されます。
この研究では、スティッフ動的システムのデジタル ツイン解析を強化するためのニューラル ネットワーク ベースのデータ駆動型フレームワークである inVAErt ネットワークを使用します。
我々は、6 コンパートメント集中パラメータ血行動態モデルの合成データから欠損成分を含む実際のデータへの生理学的反転のコンテキストにおいて、inVAErt ネットワークの柔軟性と有効性を実証します。

要約(オリジナル)

Estimation of cardiovascular model parameters from electronic health records (EHR) poses a significant challenge primarily due to lack of identifiability. Structural non-identifiability arises when a manifold in the space of parameters is mapped to a common output, while practical non-identifiability can result due to limited data, model misspecification, or noise corruption. To address the resulting ill-posed inverse problem, optimization-based or Bayesian inference approaches typically use regularization, thereby limiting the possibility of discovering multiple solutions. In this study, we use inVAErt networks, a neural network-based, data-driven framework for enhanced digital twin analysis of stiff dynamical systems. We demonstrate the flexibility and effectiveness of inVAErt networks in the context of physiological inversion of a six-compartment lumped parameter hemodynamic model from synthetic data to real data with missing components.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google