Project R-14507

Het gebruik van machine learning om computersimulaties voor brandwondenzorg te versnellen (Onderzoek)

Achtergrond: Adequate wondzorg heeft als doel om hypertrofische littekens en grote contracties, die ernstige brandwonden karakteriseren, te voorkomen. Om brandwondenzorg te optimaliseren is kwalitatief inzicht in onderliggende biologische mechanismen die na verbranding in huid optreden belangrijk. In eerdere projecten is een wiskundige fundering gelegd voor beschrijving van de evolutie van huid na ernstige verbranding. Deze fundering is gebaseerd op niet-lineair gekoppelde partiële differentiaalvergelijkingen (PDVs), die opgelost worden met de eindige elementenmethode. De simulaties bevatten veel onzekerheid omdat veel invoerparameters patiënt-specifiek of slecht gedocumenteerd zijn. Daarom zijn simulatieresultaten enkel bruikbaar in probabilistische (kans) zin, waarin men de kansverdeling over verschillende scenario's schat. Dit betekent dat meerdere (veel) eindige elementen simulaties uitgevoerd moeten worden, waardoor deze onaantrekkelijk wordt in een klinische omgeving. Daarom zullen we een efficiënte rekenmethode ontwikkelen die resultaten van langdurige eindige elementensimulaties reproduceert. Dit gereedschap helpt behandelaars om de kans op succesvolle behandeling en verschillende scenario's te voorspellen. Hypothese: Wiskundige modellen kunnen klinische waarnemingen reproduceren. Machine learning kan worden gebruikt om onze eindige elementensimulaties na te bootsen, en dus kan machine learning worden gebruikt om de kans op verschillende klinische scenario's na een ernstige brandwond te schatten. Het principe van machine learning kan worden uitgebreid naar verschillende wondvormen. De kans op verschillende scenario's voor verbrande huid kan op basis van geometrische en patiënt-specifieke onzekerheden worden voorspeld. Doelstelling(en): Hoofddoel is het ontwikkelen van een betrouwbare en snelle simulator die behandelaars in staat stelt om de kans op succesvolle wondzorg te schatten onder verschillende behandelingsmethoden en onder verschillende pathologische omstandigheden. Onderzoeksvra(a)g(en): - Hoe kan kunstmatige intelligentie worden ingezet om de kliniek extreem snel toegang te geven tot eindige elementenberekeningen zonder nood aan dure rekenplatforms? - Wat is het optimale ontwerp voor een neuraal netwerk om ons PDV-gebaseerde model te vervangen? - Hoe kunnen we een scan van de wond van een patiënt direct vertalen naar de initiële wondintensiteit en geometrie? - Kunnen huidige klinische datasets worden gebruikt om neurale netwerken te trainen zodat deze betrouwbare schatters bieden? - In hoeverre zijn patiënt-specifieke data, zoals leeftijd, bepalend voor de intensiteit van contractie, hypertrofie en ongemak? - Welke aanpassingen in het PDV-gebaseerde model zijn nodig om de kwaliteit van de simulaties verder te verbeteren, zonder significante toename van simulatietijd? - Hoe kan het immuunsysteem meegenomen worden in huidige berekeningen? Methoden: We gebruiken neurale netwerken om eindige elementenberekeningen en klinische waarnemingen te reproduceren (via de POSAS schaal), door neurale netwerken te voeden (trainen) met eindige elementen resultaten en met geanonimiseerde patiëntendata. We zullen het gebruik bestuderen van Feed Forward Neural Networks, Physics-Informed Networks, Convolutional Neural Networks en Long Short-Term Memory Networks. Daarna zullen we een app ontwikkelen die gebruikt kan worden op een klein rekenapparaat om de kans op het optreden van uiteenlopende huidkenmerken na verbranding snel in te kunnen schatten. Verwachte resultaten: Dit onderzoek levert een snelle rekenmethode om kansen op verscheidene scenario's in verbrande huid onder klinische behandeling te schatten. Verder zal de vertaalslag tussen gescande data en model input gemaakt worden. Dit zal resulteren in een applicatie voor een klein rekenapparaat.

01 januari 2023 - 31 december 2026