ترجمه فارسی مقاله شبکه‌های InVAErt برای استنتاج مستهلک شده و تجزیه و تحلیل قابلیت شناسایی مدل‌های همودینامیک پارامتر یکپارچه

چکیده

Estimation of cardiovascular model parameters from electronic health records (EHR) poses a significant challenge primarily due to lack of identifiability. Structural non-identifiability arises when a manifold in the space of parameters is mapped to a common output, while practical non-identifiability can result due to limited data, model misspecification, or noise corruption. To address the resulting ill-posed inverse problem, optimization-based or Bayesian inference approaches typically use regularization, thereby limiting the possibility of discovering multiple solutions. In this study, we use inVAErt networks, a neural network-based, data-driven framework for enhanced digital twin analysis of stiff dynamical systems. We demonstrate the flexibility and effectiveness of inVAErt networks in the context of physiological inversion of a six-compartment lumped parameter hemodynamic model from synthetic data to real data with missing components.

چکیده به فارسی (ترجمه ماشینی)

برآورد پارامترهای مدل قلبی عروقی از سوابق سلامت الکترونیکی (EHR) یک چالش مهم در درجه اول به دلیل عدم شناسایی است.عدم شناسایی ساختاری هنگامی بوجود می آید که یک منیفولد در فضای پارامترها به یک خروجی مشترک ترسیم شود ، در حالی که عدم شناسایی عملی می تواند به دلیل داده های محدود ، اشتباه اشتباه مدل یا فساد نویز منجر شود.برای پرداختن به مشکل معکوس بدبختی حاصل ، رویکردهای استنباط مبتنی بر بهینه سازی یا بیزی معمولاً از منظم استفاده می کنند و از این طریق امکان کشف چندین راه حل را محدود می کنند.در این مطالعه ، ما از شبکه های Invaert ، یک چارچوب مبتنی بر شبکه عصبی مبتنی بر داده برای تجزیه و تحلیل دوقلوی دیجیتال پیشرفته سیستم های دینامیکی سفت استفاده می کنیم.ما انعطاف پذیری و اثربخشی شبکه های Invaert را در زمینه وارونگی فیزیولوژیکی یک مدل همودینامیک پارامتر شش محفظه از داده های مصنوعی به داده های واقعی با اجزای گمشده نشان می دهیم.