مدل سازی هوشمند عملکرد ریه با یادگیری عمیق آگاه از فیزیک

مدلسازی دقیق و بلادرنگ دینامیک جریان هوا و تبادل گاز در دستگاه تنفسی، انسان یک چالش اساسی در فیزیولوژی پزشکی و طراحی دستگاه های کمکی تنفسی است. روش های سنتی مبتنی بر دینامیک سیالات محاسباتی (CFD) اغلب از نظر محاسباتی سنگین بوده و انعطاف پذیری لازم برای کاربردهای بالینی پویا را ندارند. این مقاله یک چارچوب نوآورانه مبتنی بر شبکه های عصبی فیزیک آگاه (Physics-Informed Neural Networks - (PINNS) را برای مدل سازی توزیع فشار و غلظت گونه های گازی مانند اکسیژن و دی اکسید کربن در مجاری تنفسی ارائه می دهد. ما یک معماری ترکیبی PINN-GNN (شبکه های عصبی گراف) را توسعه داده ایم که ساختار هندسی پیچیده درخت برونشیال را به عنوان یک گراف مدل سازی کرده و همزمان معادلات حاکم بر جریان ناویر-استوکس یا مدل های ساده شده تر جریان تراکم ناپذیر و انتقال جرم را به عنوان محدودیت های فیزیکی بر تابع هزینه اعمال می کند. نتایج نشان می دهد که مدل پیشنهادی دقت قابل قبولی در بازتولید پروفایل های جریان و غلظت های پویای برون ریزی نسبت به شبیه سازی های مرجع CFD ارائه می دهد در حالی که زمان محاسباتی را به طور چشم گیری کاهش می دهد. این رویکرد قابلیت ارتقاء مدل های تنفسی برای کاربردهای تشخیص سریع و شخصی سازی پارامترهای دستگاه های ونتیلاتور را فراهم می آورد.

کلیدواژه ها:

یادگیری عمیق آگاه از فیزیک (PINNs) ، مدل سازی محاسباتی ، ریه ، دینامیک سیالات محاسباتی (CFD) ، شبکه های عصبی گراف (GNNs) ، بیومکانیک تنفسی