Использование моделей, трехмерной печати для изучения распространенного порока сердца
Исследователи и сотрудники Лоуренса Ливермора объединили машинное обучение, 3D-печать и высокопроизводительное компьютерное моделирование для точного моделирования кровотока в аорте. Показано моделирование артериального кровотока с использованием HARVEY, программы гидродинамики, разработанной научным сотрудником Лоуренса Амандой Рэндлс. Предоставлено: Лиа Краусс/LLNL.

Один из наиболее распространенных врожденных пороков сердца — коарктация аорты (КоА) — это сужение основной артерии, по которой кровь от сердца поступает к остальным частям тела. Он поражает более 1600 новорожденных каждый год в Соединенных Штатах и ​​может привести к таким проблемам со здоровьем, как гипертония, преждевременное заболевание коронарной артерии, аневризмы, инсульт и сердечная недостаточность.

Чтобы лучше понять факторы риска для людей с CoA, большая группа исследователей, включая бывшего научного сотрудника Лоуренса и ее наставника из Ливерморской национальной лаборатории Лоуренса (LLNL), объединила машинное обучение, трехмерную печать и высокопроизводительное компьютерное моделирование. для точного моделирования кровотока в аорте. Используя модели, проверенные на трехмерной печатной сосудистой сети, команда смогла предсказать влияние физиологических факторов, таких как физическая нагрузка, приподнятое положение и даже беременность, на CoA, что заставляет сердце сильнее перекачивать кровь для доставки крови к телу. Работа опубликована в журнале Scientific Reports.

Работа, предложенная в качестве проекта Institutional Computing Grand Challenge в LLNL тогдашним научным сотрудником Лоуренса Амандой Рэндлс (ныне доцент биомедицинских наук в Университете Дьюка) и ее наставником, ученым-компьютерщиком LLNL Эриком Дрегером, представляет собой крупнейшее симуляционное исследование на сегодняшний день CoA, включающий более 70 миллионов вычислительных часов трехмерного моделирования, выполненного на суперкомпьютере LLNL Blue Gene/Q Vulcan.

«Вы можете использовать эти симуляции и действительно понять реалистичный диапазон воздействия на людей с этим заболеванием, помимо факторов, присутствующих, когда пациент сидит в покое в кабинете врача», — сказал Дрегер. «Он также описывает протокол, в котором, хотя вам все еще нужно проводить моделирование, вам не нужно выполнять все конфигурации, которые есть. Одна из вещей, которая действительно интересна в этом типе исследования, заключается в том, что, пока вы не сможете выполнить этот уровень При моделировании вы должны использовать средние результаты. В то же время вы можете сделать снимок аорты конкретного человека и смоделировать нагрузку на стенки аорты «.

На Vulcan, Draeger, Randles и их команда провели моделирование аорты со стенозом — сужением в левой части сердца, которое создает градиент давления через аорту и на остальную часть тела. При моделировании использовалось программное обеспечение гидродинамики под названием HARVEY, разработанное Рэндлсом для моделирования кровотока с использованием трехмерной геометрии аорты, полученной с помощью компьютерной томографии и МРТ. Поскольку аорта такая большая и имеет очень хаотичный поток, Рэндлс, имеющий опыт биомедицинского моделирования и высокопроизводительных вычислений, переписал код HARVEY, чтобы максимизировать его для Vulcan, чтобы команда смогла провести огромное количество симуляций, необходимых для точного моделирования.

Затем исследователи изучили влияние изменения степени стеноза, скорости кровотока и вязкости, используя модели для прогнозирования двух диагностических показателей — градиента давления на стенозе и напряжения сдвига стенки на аорте, — чтобы отразить реальный мир. влияние образа жизни человека на план счетов

«Мы изучали, как различные физиологические характеристики могут изменить профиль потока», — сказал Рэндлс. «Если человек бежит, если он бежит на высоте, если он беременен — ​​как это повлияет на такие вещи, как градиент давления в сужении сосуда? Это может повлиять на то, когда врачи собираются принять меры. Вы можете не запечатлеть полное состояние пациента всего за одну симуляцию «.

Рэндлс сказал, что моделирование показало синергию вязкости и скорости кровотока в разных точках аорты, на которую также влияла геометрия конкретного пациента. Она добавила, что взаимосвязь между различными физиологическими факторами не была интуитивной или линейной, и для полного понимания сложного взаимодействия между ними требовался большой суперкомпьютер, такой как Vulcan, в сочетании с машинным обучением.

Чтобы создать основу для построения прогнозной модели с минимальным количеством симуляций, необходимых для учета всех физиологических факторов, команда внедрила модели машинного обучения, обученные на данных, собранных из всех 136 симуляций кровотока, выполненных на Vulcan. По словам Рэндлса, машинное обучение позволило команде сократить количество необходимых имитаций вязкости/скорости с сотен до девяти, что сделало возможным когда-нибудь разработать профили риска для конкретных пациентов.

«Идеально, чтобы в будущем, когда появится новый пациент, вам не придется тратить 70 миллионов вычислительных часов, вам достаточно будет сделать достаточно, чтобы получить эти несколько симуляций», — сказал Рэндлс. «Это первый шаг к тому, чтобы в больнице не требовался суперкомпьютер. Мы хотим иметь возможность предоставить достаточно данных для обучения и структуру машинного обучения, которую они могут использовать для выполнения всего лишь нескольких симуляций, которые, возможно, подходят для локального кластера или чего-то еще. доступными, а также с использованием результатов крупномасштабных суперкомпьютеров «.

Для проверки моделей исследователи из Университета штата Аризона распечатали трехмерные изображения аорты и выполнили лабораторные эксперименты по моделированию кровотока для сравнения с результатами моделирования. По словам Рэндлза, трехмерная печать позволила команде создать профили аорты и извлечь данные о сдвиговом напряжении стенки, скорости и других факторах, важных для понимания потока.

Исследователи заявили, что сочетание машинного обучения и экспериментального проектирования может оказать большое влияние на вычислительное сообщество и будет полезно для любого крупного исследования, заинтересованного в обеспечении оптимального использования ресурсов. А для клиницистов это может дать новую информацию об определенных факторах риска, которые нужно отслеживать, а также предоставить информацию для будущих клинических исследований.

Команда хочет применить новую концепцию к другим заболеваниям, таким как ишемическая болезнь сердца, и продолжить работу по плану счетов, чтобы лучше понять, почему определенные физиологические факторы более важны для определения риска для здоровья. Хотя конечная цель — увидеть модели, используемые в клинической среде, по словам исследователей, необходимо провести более всестороннее исследование влияния определенных факторов на CoA. По словам Дрегера, для дальнейшей работы потребуются партнерские отношения с врачами и дополнительные наборы данных от пациентов с известными исходами.

На данный момент прогнозы, основанные на медицинских изображениях и моделировании, по-прежнему требуют много времени и усилий для получения действенного результата, — сказал Дрегер. Но по мере того, как исследователи проводят больше исследований, вполне вероятно, что такие нейронные сети и модели можно будет усовершенствовать, так что для получения прогнозов, которым врачи могут доверять, потребуется меньше симуляций.

Дрегер сказал, что, используя свой опыт в физике, моделировании, прикладной математике и машинном обучении, а также доступ к суперкомпьютерам, LLNL имеет сильные позиции для сотрудничества с биологами, чтобы влиять на медицину и здоровье в будущем за счет высокопроизводительных вычислений. моделирование и симуляция.




Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *