مقاله دوقلوهای دیجیتال پزشکی غیر تهاجمی با استفاده از یادگیری خود نظارتی مبتنی بر فیزیک

چکیده

A digital twin is a virtual replica of a real-world physical phenomena that uses mathematical modeling to characterize and simulate its defining features. By constructing digital twins for disease processes, we can perform in-silico simulations that mimic patients’ health conditions and counterfactual outcomes under hypothetical interventions in a virtual setting. This eliminates the need for invasive procedures or uncertain treatment decisions. In this paper, we propose a method to identify digital twin model parameters using only noninvasive patient health data. We approach the digital twin modeling as a composite inverse problem, and observe that its structure resembles pretraining and finetuning in self-supervised learning (SSL). Leveraging this, we introduce a physics-informed SSL algorithm that initially pretrains a neural network on the pretext task of solving the physical model equations. Subsequently, the model is trained to reconstruct low-dimensional health measurements from noninvasive modalities while being constrained by the physical equations learned in pretraining. We apply our method to identify digital twins of cardiac hemodynamics using noninvasive echocardiogram videos, and demonstrate its utility in unsupervised disease detection and in-silico clinical trials.

چکیده به فارسی (ترجمه ماشینی)

یک دوقلوی دیجیتال یک ماکت مجازی از یک پدیده فیزیکی در دنیای واقعی است که از مدل سازی ریاضی برای توصیف و شبیه سازی ویژگی های تعیین کننده آن استفاده می کند.با ساخت دوقلوهای دیجیتال برای فرآیندهای بیماری ، می توانیم شبیه سازی های درون سیلیکو را انجام دهیم که شرایط سلامتی بیماران را تقلید می کند و نتایج ضد واقعی تحت مداخلات فرضی در یک محیط مجازی.این امر نیاز به روشهای تهاجمی یا تصمیمات درمانی نامشخص را از بین می برد.در این مقاله ، ما روشی را برای شناسایی پارامترهای مدل دوقلوی دیجیتال با استفاده از فقط داده های بهداشتی غیر تهاجمی بیمار پیشنهاد می کنیم.ما به مدل سازی دوقلوی دیجیتال به عنوان یک مشکل معکوس کامپوزیت نزدیک می شویم و مشاهده می کنیم که ساختار آن شبیه به پیش بینی و حقوقی در یادگیری خودبوشی (SSL) است.با استفاده از این امر ، ما یک الگوریتم SSL آگاهانه فیزیک را معرفی می کنیم که در ابتدا یک شبکه عصبی را بر اساس کار بهانه حل معادلات مدل فیزیکی پیش می برد.پس از آن ، این مدل برای بازسازی اندازه گیری های بهداشتی کم بعدی از روشهای غیر تهاجمی در حالی که توسط معادلات فیزیکی آموخته شده در مقدمات محدود می شود ، آموزش داده می شود.ما روش خود را برای شناسایی دوقلوهای دیجیتالی همودینامیک قلبی با استفاده از فیلم های اکوکاردیوگرام غیر تهاجمی و نشان دادن ابزار آن در تشخیص بیماری بدون نظارت و آزمایشات بالینی در سیلیکو اعمال می کنیم.