2022年10月11日电子出版
内政部:10.1137/22S1472814
作者:Andy Zhu(通讯作者——加州欧文Northwood高中)
项目顾问:Jonathan Vo(加州大学欧文分校)和John Lowengrub(加州大学奥尔文分校)
摘要:胶质母细胞瘤是一种侵袭性脑肿瘤,其细胞迅速浸润并增殖至周围脑组织。目前胶质母细胞瘤生长的数学模型使用偏微分方程(PDE)捕捉到了这一行为,偏微分方程通过数值求解器进行模拟——高效的实现可能需要大约80秒才能完成一次正向评估。然而,肿瘤建模的临床应用通常被视为需要复杂的数值方法的逆问题,如果天真地实现,可能会导致运行时间过长,使其不适合临床设置。最近,物理信息神经网络(PINNs)已成为科学机器学习中解决非线性偏微分方程的一种新方法。与传统求解器相比,PINN利用无监督的深度学习方法来最小化无网格域中的残差,从而实现更大的灵活性,同时避免了复杂网格构造的需要。在这里,我们描述并实现了一种通用方法,用于求解胶质母细胞瘤依赖时间的扩散反应PDE模型,并通过PINN从数值数据推断生物物理参数。我们根据患者特定的几何形状评估PINN,考虑到术前MRI扫描得出的扩散活动性的个体差异。使用合成数据,我们演示了我们的算法在患者特定几何体中的性能。我们表明,由于机器学习算法的强大插值能力,PINN能够在大约一小时内解决参数推理逆问题,将以前的方法加快了20-40倍。我们预计,这种方法在临床应用中可能足够准确和有效,有可能使个性化治疗在标准医疗协议中更容易获得。