Patient-specific prediction of glioblastoma growth via reduced order modeling and neural networks

要約

膠芽腫は、成人の最も攻撃的な脳腫瘍の1つであり、基礎となる脳微細構造によって駆動される患者特異的浸潤パターンを特徴としています。
この作業では、GBL成長の数学的モデルの概念実証を提示し、縦断的な神経画像データからのリアルタイム予測と患者固有のパラメーター識別を可能にします。
このフレームワークは、拡散インターフェイス数学モデルを活用して、腫瘍の進化と低秩序モデリング戦略を説明し、適切な直交分解に依存しており、磁気共鳴画像法と拡散テンソルイメージングから再構築された患者固有の脳の解剖学的構造に導かれた合成データで訓練されています。
ニューラルネットワークのサロゲートは、腫瘍の進化からモデルパラメーターへの逆マッピングを学習し、高精度を維持しながら大幅な計算速度を達成します。
堅牢性と解釈可能性を確保するために、グローバルおよびローカルの感受性分析の両方を実行し、腫瘍のダイナミクスを管理する重要な生物物理学的パラメーターを特定し、逆問題解の安定性を評価します。
これらの結果は、神経腫瘍学における患者固有のデジタル双子の将来の臨床展開の方法論的基盤を確立します。

要約(オリジナル)

Glioblastoma is among the most aggressive brain tumors in adults, characterized by patient-specific invasion patterns driven by the underlying brain microstructure. In this work, we present a proof-of-concept for a mathematical model of GBL growth, enabling real-time prediction and patient-specific parameter identification from longitudinal neuroimaging data. The framework exploits a diffuse-interface mathematical model to describe the tumor evolution and a reduced-order modeling strategy, relying on proper orthogonal decomposition, trained on synthetic data derived from patient-specific brain anatomies reconstructed from magnetic resonance imaging and diffusion tensor imaging. A neural network surrogate learns the inverse mapping from tumor evolution to model parameters, achieving significant computational speed-up while preserving high accuracy. To ensure robustness and interpretability, we perform both global and local sensitivity analyses, identifying the key biophysical parameters governing tumor dynamics and assessing the stability of the inverse problem solution. These results establish a methodological foundation for future clinical deployment of patient-specific digital twins in neuro-oncology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google