[論文レビュー] Machine learning in cardiovascular flows modeling: Predicting pulse wave propagation from non-invasive clinical measurements using physics-informed deep learning

Georgios Kissas, Yibo Yang+4 more|arXiv (Cornell University)|May 13, 2019

Cardiovascular Health and Disease Prevention被引用数 5

ひとこと要約

本稿では、非侵襲的臨床測定値と1次元血流モデルを統合する物理情報付きディープラーニングフレームワークを提案する。質量保存則と運動量保存則をニューラルネットワークの制約として適用することで、従来のシミュレータに依存せずに物理的に整合性のある血行動態予測（速度、圧力、壁面変位）が得られるとともに、Windkesselモデルのパラメータを効率的に推定可能である。

ABSTRACT

Advances in computational science offer a principled pipeline for predictive modeling of cardiovascular flows and aspire to provide a valuable tool for monitoring, diagnostics and surgical planning. Such models can be nowadays deployed on large patient-specific topologies of systemic arterial networks and return detailed predictions on flow patterns, wall shear stresses, and pulse wave propagation. However, their success heavily relies on tedious pre-processing and calibration procedures that typically induce a significant computational cost, thus hampering their clinical applicability. In this work we put forth a machine learning framework that enables the seamless synthesis of non-invasive in-vivo measurement techniques and computational flow dynamics models derived from first physical principles. We illustrate this new paradigm by showing how one-dimensional models of pulsatile flow can be used to constrain the output of deep neural networks such that their predictions satisfy the conservation of mass and momentum principles. Once trained on noisy and scattered clinical data of flow and wall displacement, these networks can return physically consistent predictions for velocity, pressure and wall displacement pulse wave propagation, all without the need to employ conventional simulators. A simple post-processing of these outputs can also provide a cheap and effective way for estimating Windkessel model parameters that are required for the calibration of traditional computational models. The effectiveness of the proposed techniques is demonstrated through a series of prototype benchmarks, as well as a realistic clinical case involving in-vivo measurements near the aorta/carotid bifurcation of a healthy human subject.

研究の動機と目的

• 臨床現場における従来の心血管血流シミュレーションの高い計算コストと事前処理の負担を克服すること。
• 血流および壁面変位の非侵襲的体内測定値のみを用いて、脈波伝播を正確に予測できること。
• 質量保存則および運動量保存則といった第一原理の物理法則を深層ニューラルネットワークに組み込むことで、物理的整合性を持つ機械学習フレームワークを開発すること。
• 従来の血行動態モデルのキャリブレーションに通常必要とされるWindkesselモデルのパラメータを推定する計算効率の良い代替手法を提供すること。
• 降主动脈/頸動脈分岐部周辺の実臨床データを用いたベンチマークケースおよび実際の臨床データを用いた、本手法の妥当性を示すこと。

提案手法

• ノイズが多く散在する臨床的測定値（血流および壁面変位）を用いて、深層ニューラルネットワークを学習する。
• 1次元脈動流の式から導出された物理的制約を損失関数に組み込み、質量保存則および運動量保存則を強制する。
• ネットワークは、動脈ネットワーク全体にわたり、物理的に整合性のある血行動態波形（速度、圧力、壁面変位）を予測する。
• 完全な計算流体力学シミュレーションを必要とせず、患者特異的な動脈トポロジーに一般化可能なアーキテクチャを設計する。
• ネットワーク出力の後処理により、従来の血行動態モデルのキャリブレーションに不可欠なWindkesselモデルのパラメータを効率的に推定可能である。
• 本フレームワークは、合成ベンチマークおよび降主动脈/頸動脈分岐部での測定を含む実臨床ケースの両方で検証されている。

実験結果

リサーチクエスチョン

• RQ1 スパarsely、ノイズの多い臨床的測定値で学習したディープラーニングモデルは、大規模なシミュレーションに依存せずに、物理的に整合性のある脈波伝播を正確に予測できるか？
• RQ2 物理情報付き制約は、血行動態モデリングにおけるニューラルネットワーク予測の物理的妥当性および一般化性能をどの程度向上させるか？
• RQ3 提案されたフレームワークは、非侵襲的測定値のみを用いて、Windkesselモデルのパラメータを効果的に推定できるか？
• RQ4 標準的な計算モデリング手法と比較して、実体内測定データに対して本モデルはどの程度の性能を示すか？
• RQ5 最小限の事前処理および計算コストで、患者特異的な動脈ネットワークに本手法を適用できるか？

主な発見

• 物理情報付きニューラルネットワークは、質量保存則および運動量保存則を満たす速度、圧力、壁面変位の波形を的確に予測した。
• 従来の計算流体力学シミュレーションや広範な事前処理を一切必要とせず、物理的に整合性のある予測が可能である。
• ネットワーク出力の後処理により、Windkesselモデルのパラメータを正確に推定可能であり、キャリブレーション作業の負担が軽減された。
• 合成ベンチマークおよび実臨床ケース（降主動脈/頸動脈分岐部周辺の体内測定を含む）の両方で、本手法は優れた性能を示した。
• 従来の血行動態モデリングと比較して、著しく計算コストを削減しながらも、予測精度を維持した。
• 損失関数に物理法則を統合することで、ノイズが多く散在する臨床データに対する予測の一般化性能と信頼性が向上した。