17 October 2023, 12:00

Алгоритмы машинного обучения ускорят производство сердечных протезов

Более 75 миллионов человек во всем мире страдает от пороков сердечных клапанов, то есть таких нарушений в работе, при которых клапан либо не открывается, либо не закрывается полностью. Из-за этого сердце испытывает избыточные нагрузки, что может привести к сердечной недостаточности и другим тяжелым осложнениям. Единственный эффективный способ лечения пороков сердечных клапанов — это их протезирование, то есть замена на искусственные аналоги.

Однако длительные наблюдения за пациентами с искусственными клапанами показали, что спустя 10-15 лет после установки протезы начинают разрушаться из-за иммунного ответа организма и постоянных механических нагрузок. Поэтому ученые стараются оптимизировать форму и конструкцию протезов так, чтобы уберечь их от избыточных напряжений и преждевременного износа. Для этого с помощью компьютерных программ моделируют искусственный сердечный клапан и оценивают действующие на полученную конструкцию нагрузки. Поскольку с первого раза «угадать» оптимальную форму практически невозможно, ее поиск оказывается очень длительным и напоминает метод «проб и ошибок».

Ученые из Научно-исследовательского института комплексных проблем сердечно-сосудистых заболеваний (Кемерово) с коллегами из Миланского политехнического университета (Италия) и Трентского университета (Италия) предложили комбинировать модели машинного обучения и алгоритмы оптимизации для поиска наилучшей геометрии сердечных клапанов.

Предложенный авторами подход заключается в следующем: программа-оптимизатор выдает модели машинного обучения некоторые сочетания важнейших геометрических параметров клапана: высоту, толщину, диаметр, угол между его створками, прочность материала для протеза, места, в которых клапан испытывает максимальные нагрузки, и другие. Модель машинного обучения (регрессор), в свою очередь, на основе полученных параметров предсказывает напряжения и площадь просвета клапана в открытом состоянии и возвращает результаты предсказания оптимизатору. Далее оптимизатор меняет параметры в соответствии с выбранным математическим алгоритмом и процесс повторяется до 2000 раз, пока не будет найдено лучшее решение. Если при ручном проектировании этот процесс может занимать несколько месяцев, то в данном случае — всего несколько часов.

На первом этапе исследования исследователи сгенерировали более 11 тысяч вариантов сердечных клапанов и выполнили компьютерное моделирование для каждого из них. Это позволило получить набор данных о напряжении створок и площади просвета клапана в открытом состоянии для каждой из конфигураций протеза. Затем эти данные были использованы для машинного обучения более 340 моделей, комбинация лучших из которых позволила достигнуть точности предсказания в 96–98%. Таким образом, результатом первого этапа стала программа, способная предсказывать показатели протезов на основе веденных характеристик. В перспективе она позволит отказаться от классических численных методов.

На втором этапе исследования авторы протестировали шесть программ-оптимизаторов, различающихся принципом подбора геометрических характеристик. Например, некоторые из них создавали сочетания высоты, диаметра и других параметров клапана каждый раз случайным образом, другие же генерировали каждый последующий вариант, опираясь на результат предыдущих подборов. Оказалось, что быстрее всего и с наименьшими ошибками работали оптимизаторы Tree-structured Parzen Estimator и Nondominated Sorting Genetic Algorithm. Последний работал по принципам, похожим на естественный отбор в биологии, а потому шел по оптимальному пути для поиска новых вариантов геометрий.

«Применение новых методов при проектировании медицинских изделий поможет улучшить качество устройств, ускорить процесс разработки и сократить стоимость их производства. В итоге такое нововведение может обеспечить больший доступ пациентов к качественной медицинской помощи и стимулировать инновации в других областях медицинской науки. В дальнейшем мы планируем изготовить прототип по результатам генеративного дизайна для того, чтобы оценить его гидродинамические показатели в реальном мире и сравнить его с существующими моделями», — рассказывает руководитель проекта, поддержанного грантом РНФ, Евгений Овчаренко, кандидат технических наук, заведующий лабораторией новых биоматериалов НИИ КПССЗ.

Результаты исследования, поддержанного Российским научным фондом (РНФ), опубликованы в журнале Frontiers in Bioengineering and Biotechnology.

Source:  Пресс-служба РНФ

News article publications

Read also

Медики предпочли нейросетям более простые алгоритмы ИИ
Это объясняется тем, что нейронные сети практически не оставляют специалисту возможности по-своему интерпретировать полученные результаты, тогда как окончательное заключение во избежание ошибок должен делать врач
Artificial intelligence
Machine learning
Medicine
15 May 2023
ИИ ускорит постановку диагноза по снимкам легкого
Врачу необходимо лишь взглянуть на снимок и подтвердить выводы модели, которые она напишет текстом. В результате на постановку диагноза тратятся секунды, что очень ценно при большой нагрузке
Artificial intelligence
Machine learning
Medicine
18 April 2023
Модель машинного обучения выявила болезнь Паркинсона по сигналам ЭЭГ
Ученые разработали модель машинного обучения, позволяющую за сотые доли секунды по результатам электроэнцефалограммы (ЭЭГ) с 99,9% точностью выявлять болезнь Паркинсона. Еще одно преимущество нового алгоритма — в совместимости с портативными бытовыми устройствами, которые пациенты могут иметь у себя дома. Поэтому предложенный алгоритм может использоваться не только в больнице при диагностике, но и в домашних условиях для мониторинга состояния здоровья людей с ранее выявленной болезнью Паркинсона.
Machine learning
Medicine
Neuroscience
4 December 2023
Алгоритм распознал глобальные особенности в мозге людей с депрессией
Авторы по снимкам активности мозга строили функциональные сети, отражающие взаимодействия разных отделов головного мозга больных и здоровых людей. Различить две эти группы удалось с точностью в 82,6%
Machine learning
Medicine
Neural networks
Neuroscience
4 July 2023
«Оптимальная перевозка» легла в основу улучшенной модели генеративного ИИ
Соответствующая математическая теория обеспечила план наиболее оптимального «перемещения» изображений из одного домена в другой — по сути их обработки по необходимым критериям, в том числе стилизации. Чтобы обучить модель по такому плану, не требуются, как обычно, парные выборки входа-выхода
Artificial intelligence
Machine learning
10 April 2023
Нейросеть помогла рассчитать температуру Аррениуса по двум параметрам материала
Это позволит эффективнее контролировать процесс затвердевания расплавов и применим для различных типов материалов — металлических, силикатных, боратных и органических
Artificial intelligence
Machine learning
Materials Science
Mathematical modeling
20 February 2023