机器学习增强的有限元建模及其在含磺化聚苯乙烯纳米粒子(NSPS)的动脉瞬态血流动力学研究中的应用

《Computers in Biology and Medicine》：Machine learning–augmented finite element modeling for transient hemodynamics in human arteries

本综述创新性地提出一种机器学习(ML)增强的有限元(FEM)计算框架，用于研究在磁场作用下，含有磺化聚苯乙烯纳米粒子(NSPS)的血液在可伸展动脉中的流动（血流动力学）、传热（温度）及药物传输（浓度）。该混合框架（FEM-ML）整合了精确的Carreau-Yasuda非牛顿血液流变学与物理场，旨在优化针对肿瘤的靶向给药（Drug Delivery）和磁热疗（Hyperthermia）等生物医学应用，其ML代理模型预测精度达97.3%，计算速度提升1000倍，为个性化医疗提供了高效的定量设计工具。

　　

研究亮点

这项研究通过一个新颖的机器学习增强的有限元（FEM）框架解决了上述空白，该框架具有以下特点：

• •
  1. 1.
     将Carreau-Yasuda流变学与NSPS纳米粒子输运相结合
• •
  1. 2.
     纳入了磁场、多孔介质和化学效应的耦合作用
• •
  1. 3.
     开发了用于1000倍加速预测的机器学习（ML）代理模型
• •
  1. 4.
     提供了定量设计参数（例如，在磁场参数M下轴向速度降低18%）
• •
  1. 5.
     执行了全局敏感性分析（Sobol指数）以进行不确定性量化

本研究引入了几个具有直接工业相关性的新颖元素：

• •
  1. 1.
     首个用于NSPS纳米粒子输运的FEM-ML框架。与以往将计算建模和机器学习分开处理的研究不同，我们将两者协同整合——利用FEM生成高保真度数据，并利用ML实现实时预测。该框架可推广至其他生物医学流动问题。
• •
  1. 2.
     用于医疗设备的定量设计参数。我们提供的数值设计参数（例如，用于磁靶向的最佳磁场参数M=1.5-2.5）可直接用于：
     • •
       靶向给药系统的磁场发生器设计
     • •
       纳米粒子合成（目标布朗运动参数Nb、热泳参数Nt、施密特数Sc值）
     • •
       治疗方案优化（磁场强度、持续时间）
• •
  1. 3.
     用于个性化医疗的全局敏感性分析。首次量化了参数不确定性的传播，从而识别出需要测量的患者特定参数。

结论

这项研究探讨了含有磺化聚苯乙烯纳米粒子（NSPS）的血液在可伸展动脉中的流动。在磁场效应影响下的流体流动分析采用Carreau-Yasuda模型进行观察。含有纳米粒子的血液在药物输送和针对特定医疗状况的磁疗中，结合化学反应和粘性耗散，显示出有价值的结果。利用有限元法（FEM）求解方程组，然后借助Python获得血液流动、温度和浓度分布的结果。接着，用FEM生成的解训练多层感知机（MLP）回归代理模型，该模型能够准确预测流场，与有限元法的结果相比，均方误差（MSE）小于0.000414。这项研究证实，增加磁场参数可以使轴向速度降低约18%，而提高孔隙率（多孔介质参数）可以使药物渗透深度增加约11%。该模型在评估血流动力学和靶向纳米粒子输送系统方面具有巨大潜力，可用于医疗设备、癌症治疗和药物输送优化。

理论意义

• •
  1. 1.
     我们表明，结合纳米粒子输运方程使用的Carreau-Yasuda模型，能够描述血液的剪切稀化行为（通过参数n和d），同时还能考虑布朗运动和热泳扩散（通过参数Nb和Nt）。这一进展是将纳米流体理论扩展到生理相关流变条件下的又一进步。
• •
  1. 2.
     控制方程表明，磁场（M）、孔隙率（K）、化学反应速率（σ*）和粘性耗散（Ec）之间存在复杂的相互关联。研究结果（例如，速度降低18%）揭示了这些耦合效应并非简单的线性叠加，这对于理解复杂的生物物理学相互作用至关重要。